TriCCA-PPI：基于链式交叉注意力机制的多模态融合，用于多类别蛋白质-蛋白质相互作用预测

《BMC Bioinformatics》：TriCCA?PPI: chained cross?attention based multimodal fusion for multi?category protein?protein interaction prediction

　　

摘要

背景

蛋白质-蛋白质相互作用（PPI）类别的准确分类对于阐明细胞内信号通路和疾病机制至关重要。可靠的计算预测方法可以大幅降低高通量湿实验室筛选的成本。然而，现有的多模态PPI预测器泛化能力较差，主要有两个原因。首先，大多数多类别PPI预测器仅整合了三种关键特征模态中的一种或两种：进化序列特征、三维（3D）结构特征和基因本体论（GO）功能注释。这种不完整的模态覆盖使它们无法构建全面的蛋白质表征。其次，即使覆盖了所有三种模态的模型通常也依赖浅层融合策略，无法捕捉正交生物信号之间的深层互补关系。这种局限性导致在低同源性蛋白质和罕见PPI类别上性能下降。

结果

为了解决这些局限性，我们提出了三模态链式交叉注意力蛋白质-蛋白质相互作用（TriCCA-PPI）框架，该框架包含两个关键贡献。首先，一个完全解耦的特征提取管道独立生成ESM-2序列、ESM-IF1结构和GO-anc2vec功能嵌入。这种模块化架构支持每个模态特征提取器的独立替换和升级，并补偿单模态或双模态输入固有的不完整生物学表征。其次，一个链式成对交叉注意力模块执行三轮渐进式模态对齐，以捕捉分层的跨模态互补关系。我们进一步采用具有跳跃知识聚合的全局-局部双通道图同构网络（GIN）来增强图拓扑表征。应用非对称损失（ASL）来缓解类别不平衡。在SHS27K和SHS148K数据集上的评估，涵盖随机、BFS和DFS分割方式，显示TriCCA-PPI优于最先进的方法，并且在低同源性蛋白质和罕见PPI类别上观察到显著提升。消融实验验证了每个模态的贡献以及链式交叉注意力优于浅层融合的优势。

结论

TriCCA-PPI解决了现有多模态PPI预测器的两个关键局限性。其解耦、可替换的特征提取管道将多维生物线索整合为全面的蛋白质表征，而链式交叉注意力实现了深层渐进融合，利用跨模态互补关系。该方法提高了低同源性蛋白质和罕见PPI类别的泛化能力，其模块化设计为大规模多类别PPI预测提供了一个实用、可解释和可扩展的多模态融合框架。