ARF-GNN：用于蛋白质功能预测的自适应感受野图神经网络

《Computational Biology and Chemistry》：ARF-GNN: Adaptive receptive field graph neural network for protein function prediction

　　•ARF-GNN能够自适应选择蛋白质特定的感受野。•多跳图编码可捕捉局部及长距离的结构上下文。•元学习器为每种蛋白质的跳跃级感受野选择提供指导。•ESM-1b嵌入与对比学习可提升蛋白质表示的质量。•实验结果表明该方法具有出色的性能且预测结果具备可解释性。

引言
蛋白质功能预测是生物信息学中的核心任务之一，对于揭示生命过程、理解疾病机制以及辅助药物开发具有重要意义（Eisenberg等人，2000年；Radivojac等人，2013年）。随着高通量测序技术及蛋白质数据库的快速发展，蛋白质序列数据量呈指数级增长（Apweiler等人，2004年；UniProt联盟，2019年）。然而，这些蛋白质大多仍缺乏经过实验验证的功能注释。由于传统生物学实验成本高昂、耗时较长且处理效率有限，如何利用计算方法快速准确地预测蛋白质功能已成为当前研究的重要课题（Radivojac等人，2013年；Zhou等人，2019年）。

近年来，基于机器学习和深度学习的蛋白质功能预测方法取得了显著进展。除了蛋白质功能注释之外，图Transformer和注意力机制还被成功应用于其他与蛋白质相关的生物医学任务中，比如多模态的药物-靶标亲和力预测（Wu等人，2024年；Qian等人，2024年；Meng等人，2023年），这表明基于注意力的图表示学习在模拟复杂生物相互作用方面具有有效性。早期的方法主要依赖蛋白质序列本身及其同源性信息，通过序列比对、结构域信息检索或卷积神经网络来实现功能转移与分类（Altschul等人，1997年；Das等人，2015年；Kulmanov等人，2018年；Kulmanov和Hoehndorf，2021年）。尽管这些方法具有较好的适用性，但其性能在很大程度上取决于序列相似度。当测试蛋白与训练蛋白的序列存在显著差异时，预测效果往往会大幅下降。同时，基于序列比对的方法在处理大规模基因组数据库时也会面临相当大的计算瓶颈。对于每组新生成的查询数据，都需要在不断扩大的序列或结构域谱数据库中进行大规模搜索。虽然启发式搜索策略能降低精确比对的成本，但随着查询规模和数据库规模的增加，整体计算负担依然会上升。此外，蛋白质的三维结构与其生物功能之间存在更直接的关联，尤其是在催化位点、结合位点以及功能模块识别等任务中，结构信息往往能提供序列信息无法获取的关键线索（Gligorijevi?等人，2021年；Gu等人，2023年；Lai和Xu，2022年）。因此，如何充分利用蛋白质结构信息已成为蛋白质功能预测领域的重要研究方向。

蛋白质结构预测是计算生物学中的基础性问题（Cheng等人，2025年）。早期研究探索了利用并行蚁群算法等基于优化的方法进行从头预测蛋白质主链结构（Lv等人，2013年），后来又为G蛋白偶联受体等复杂蛋白质家族的从头折叠开发了经验能量函数（Wu等人，2020年）。随着AlphaFold2和大规模结构数据库的发展，高质量预测结构越来越容易获得，为基于结构的蛋白质功能预测提供了重要基础（Jumper等人，2021年；Varadi等人，2022年）。

预测得到的或通过实验确定的蛋白质结构会提供残基级的三维坐标，这些坐标需要被转化为可用于功能预测的可学习图表示。在残基级蛋白质图中，残基作为节点，空间接触关系定义边，而节点特征则包含来自序列和生化层面的语义信息。尽管图框架整合了序列与结构信息，但仍存在两个局限。首先，深度图卷积可能导致过度平滑，使残基表示趋于同质化，进而削弱对催化位点、结合口袋和相互作用界面等稀疏功能基元的区分能力（Li等人，2018年；Chen等人，2020年；Liu等人，2020年）。其次，固定的邻域聚合或简单的全局池化往往无法捕捉蛋白质特有的结构尺度及功能重要区域（Gu等人，2023年）。虽然基于注意力的图模型能够捕捉残基间的长距离依赖关系，但它们通常依赖于预定义的邻域传播或全局池化方式（Vaswani等人，2017年；Gu等人，2023年），因此无法根据不同的蛋白质结构灵活调整接触跳跃的感受野。我们的多跳策略通过在不同邻域尺度上选择蛋白质特有的结构上下文，解决了这一局限。

为解决上述问题，我们提出了ARF-GNN，这是一种基于多跳自适应感受野建模的蛋白质功能预测方法。ARF-GNN能够整合多跳邻域信息，并自适应选择适合蛋白质特性的感受野大小，从而在保留局部结构信息的同时捕捉长距离依赖关系。该模型通过将表示深度与感受野大小解耦，避免了浅层结构编码带来的过度平滑问题，并通过自适应感受野捕捉多尺度结构语义（Gao等人，2025年）。此外，还引入多头注意力机制来建模多尺度局部特征之间的依赖关系（Vaswani等人，2017年）。任务分支负责执行多标签功能预测，而元学习分支则负责学习特定样本的感受野大小，从而提高模型对不同蛋白质结构的适应能力。

我们进行了大量实验，将ARF-GNN与包括Blast（Altschul等人，1997年）、FunFam（Das等人，2015年）、DeepGO（Kulmanov等人，2018年）、DeepGOPlus（Kulmanov和Hoehndorf，2021年）、DeepFRI（Gligorijevi?等人，2021年）以及HEAL（Gu等人，2023年）在内的多种基准方法进行了比较。实验结果显示，我们的方法性能优于DeepFRI（Gligorijevi?等人，2021年）和HEAL（Gu等人，2023年）等现有最先进方法。

我们使用标准的蛋白质功能预测评估指标——以功能为中心的AUPR、以蛋白质为中心的Fmax以及基于语义距离的Smin——来评估模型的预测精度和功能注释质量，以此验证该设计的有效性。

本研究的主要贡献如下：
•我们开发了ARF-GNN，这是一种具备结构感知能力的图神经网络框架，可用于蛋白质功能预测，能够自适应整合不同感受野尺度上的信息。
•我们设计了一种由元学习器引导的感受野选择策略，可为不同蛋白质样本选择合适的跳跃级结构上下文。
•我们结合多跳图表示学习、多头注意力机制以及对比学习正则化方法，提升了蛋白质级功能表示的学习效果。
•我们设计了双分支架构，其中任务分支负责执行多标签特征预测，而元学习分支则负责学习特定样本的感受野大小。

ARF-GNN概述
图1展示了ARF-GNN的结构，它主要由四个模块组成：输入数据生成模块、自适应感受野GCNs模块、多头Transformer模块以及对比学习模块。我们通过输入数据生成模块构建输入数据，最后再通过监督学习和对比学习进行联合优化。

图表示
给定一个蛋白质样本，其对应的图可表示为G=(V,E)，其中V代表节点集合，E代表边集合。

数据集
在本研究中，我们使用了与HEAL方法相匹配的标准蛋白质功能预测基准数据集（Gu等人，2023年），该数据集可通过开源仓库https://github.com/ZhonghuiGu/HEAL获取。整个数据集分为PDBset和AFset两个核心子集，分别用于蛋白质结构数据的实验分析及人工智能预测。其中，PDBset源自蛋白质数据银行（PDB），包含36,629个高分辨率的蛋白质结构数据。

讨论
在本研究中，我们提出了ARF-GNN这种自适应感受野图神经网络，旨在解决现有基于GNN的蛋白质功能预测方法面临的两个核心问题：固定感受野无法适应多种蛋白质结构的拓扑异质性，以及深度图卷积层堆叠导致的过度平滑问题。我们的模型通过分层多跳邻域聚合动态建模蛋白质结构上下文，并引入了相应机制来解决这些问题。

CRediT作者贡献声明
Hui Zhiqiang：写作——审阅与编辑，写作——初稿撰写，可视化，验证，方法论，形式分析，数据整理，概念构建。Lu Weizhong：资源获取，研究调查，资金筹措，概念构建。Xia Yiyi：资源获取，项目管理，数据整理。Lu Yiming：监督，研究调查，概念构建。Xu Yixin：验证，数据整理。Shen Yueju：验证，数据整理。Chen Jing：验证，监督，形式分析。Wu Hongjie：资金支持

本文得到了以下项目的资助：国家自然科学基金（62372318、62472301、62502334、62506255、62176175）；江苏省大数据智能工程实验室开放课题基金（SDGC2157）；苏州区块链数据隐私保护创新应用实验室；江苏省创新团队计划项目XYDXX086；苏州市水务科技项目2023008号。

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

Hui Zhiqiang | Lu Weizhong | Xia Yiyi | Lu Yiming | Xu Yixin | Shen Yueju | Chen Jing | Wu Hongjie | Hao Yongjing