BAN-SDBPred：基于双线性注意力网络与自适应采样的单链与双链DNA结合蛋白预测方法改进

《ACS Omega》：BAN-SDBPred: Improving Single-Stranded and Double-Stranded DNA-Binding Protein Prediction Using an Attention Network with Bilinear Convolution and Adaptive Sampling Strategy

　　

DNA结合蛋白在众多生物学机制中发挥关键作用，可分为单链结合（SSB）与双链结合（DSB）两类。深入识别SSB与DSB是生物信息学热点并涉及药物发现过程。传统实验方法因成本高、耗时长难以界定DBP类型，尽管计算预测取得进展，整体性能提升仍存挑战。研究人员提出BAN-SDBPred（Bilinear Attention Network for Single and Double Stranded DNA-Binding Protein Prediction），利用基于蛋白质语言模型的Evolutionary Scale Modeling 2（ESM2）、ProtT5以及基于方向梯度直方图（HOG）的残基成对能量含量矩阵（RECM-HOG）从序列alone提取进化特征，并采用基于自适应邻域的采样（ANBS）算法解决不平衡问题。相较于其他深度学习模型，双线性注意力网络（BAN）从序列中学习局部与全局富集特征。广泛实验表明，BAN-SDBPred在训练与独立测试数据的Acc、F1、MCC等所有性能指标上均优于现有预测器，判别SSB与DSB的Acc提升2%、Precision提升4.5%、F1提升21%、MCC提升9%、AUC提升20%。该研究有助于大规模预测新型SSB与DSB及其他结合问题。数据与模型见Zenodo: 10.5281/zenodo.18718092。

研究背景方面，DNA结合蛋白（DBP）介导蛋白质与DNA相互作用，参与基因表达调控、DNA修复、复制与重组等细胞过程，其单链结合（SSB）与双链结合（DSB）功能分类对精准医学与药物发现至关重要。传统X射线晶体学、核磁共振（NMR）、冷冻电镜（cryo-EM）等实验手段成本高昂且通量低，既有计算方法多依赖手工序列描述符或单一视图进化嵌入，难以同时捕捉全局依赖与局部结合基序，且在极端类不平衡下鲁棒性不足。为此，研究人员在《ACS Omega》发表BAN-SDBPred框架，旨在仅从氨基酸序列出发，通过多模态融合与不平衡学习显著提升SSB/DSB判别性能。

关键技术方法上，研究人员采用UniProt1065（训练，873 DSB/183 SSB，CD-HIT 0.7去冗余）与PDB401独立测试集（124 DSB/41 SSB，序列相似度<30%）。特征端并行使用ESM2（3B，36层，2560维均值池化投影）与ProtT5作全局进化嵌入，以及RECM-HOG（由残基能量接触矩阵经3×3网格9-bin方向直方图编码为81维）作局部描述符；训练期对少数类SSB施以自适应邻域采样（ANBS，max_ratio=1.0，iter_max=50，随机种子42）并结合focal loss；融合模块为双线性注意力网络（BAN），通过共享投影矩阵U、V与可学习向量q计算跨模态交互得分并双线性池化，后经全连接层二分类。

研究结果部分，基准数据集小节指明训练集UniProt1065与独立测试集PDB401的构成及CD-HIT去冗余、PISCES筛选（分辨率>3 ?）流程，确立4.77:1与3.02:1的不平衡比。模型架构概述小节说明双编码器（ESM2+RECM-HOG）→BAN融合→ANBS平衡→全连接分类的主干。特征编码小节中，RECM-HOG变换通过将序列转为L×20能量矩阵、计算梯度幅值与朝向、以3×3单元9-bin直方图固化为81维向量，保留局部残基相互作用；ESM2预训练特征则经掩码语言建模习得长程进化依赖，均值池化后再经MLPBlock投至高阶表示。ANBS算法小节给出欧氏距离定义与边界多数类剪枝、边界近邻合成少数类的迭代逻辑，UMAP可视化证实重采样后类间混合改善且不破坏流形。双线性注意力网络小节形式化H_s∈R^d_s×N与H_i∈R^d_i×M的投影交互I_j,m=q^Tσ(U^Th_j^s)⊙σ(V^Th_mⁱ)，双线性池化得d维联合表征。评估与流程小节采用5折分层交叉验证，指标含Acc、Precision、F1、MCC、AUC、AP等，DSB为正类。

讨论与结论翻译总结：研究人员指出，BAN-SDBPred通过ESM2全局嵌入与RECM-HOG局部描述符的互补融合，借助双线性注意力显式放大保守残基与结构基序的跨模态交互，配合ANBS解决极端不平衡，在独立测试集上相较四类已有SSB预测器（Wang等SVM/RF、SDBP-Pred、Sharma等HMM-SVM、CNN-Pred）全面占优，Acc、Precision、F1、MCC、AUC分别相对提升2%、4.5%、21%、9%、20%。消融实验确认性能增益来自多模态融合与采样策略协同，SHAP分析保留生物可解释性。该工作为仅依赖序列的DBP功能分型提供可泛化协议，对大规模新型SSB/DSB注释及更广的结合蛋白预测具有方法学推进意义。