基于理化与结构特征跨模态融合的致敏蛋白分类

《Computational Biology and Chemistry》:Allergenic protein classification with cross-modal fusion of physicochemical and structural features

【字体: 大 中 小 】 时间:2026年09月19日 来源:Computational Biology and Chemistry 3.4

编辑推荐:

   提出了一种新颖的Bi-LSTM与GAT混合方法用于过敏原蛋白质分类,采用双分支并行提取架构,有效融合蛋白质结构特征与理化特征。 设计了一种双向跨模态注意力机制,以实现多模态特征之间的深度动态交互,提升结构信息与理化信息的互补性。 引入了一种自监督节点特征重建任务,以增强模型对

  

提出了一种新颖的Bi-LSTM与GAT混合方法用于过敏原蛋白质分类,采用双分支并行提取架构,有效融合蛋白质结构特征与理化特征。
设计了一种双向跨模态注意力机制,以实现多模态特征之间的深度动态交互,提升结构信息与理化信息的互补性。
引入了一种自监督节点特征重建任务,以增强模型对低相似度和罕见构象过敏原蛋白的泛化能力。
所提方法在过敏原数据集上取得了最先进性能,准确率和F1分数均达到0.9980,在所有评价指标上均超越了14种主流基线方法。
通过消融实验系统验证了所提框架中所有核心模块的有效性与协同作用。

引言

蛋白质是生命活动的核心载体。然而,在其多样的功能特性中,致敏蛋白的致敏性对人类健康产生了深远影响(Radivojac等,2013)。从大量蛋白质序列中准确识别致敏蛋白,直接关系到过敏机制分析的有效性、临床诊断以及靶向免疫治疗的实施,已成为蛋白质生物信息学领域亟需突破的关键研究重点(Chang等,2016)。

然而,致敏蛋白的鉴定在实践中仍然是一项艰巨的任务。天然致敏蛋白表现出较大的序列分歧,许多罕见的过敏原变异体缺乏充足的经实验验证的高质量标签。此外,蛋白质致敏性源于序列理化性质与三维空间构象的联合作用,仅从序列信息出发难以捕获如此复杂的免疫原性特征。面对这些固有的现实障碍,研究人员探索了多种蛋白质分类路径,以寻求可行的解决方案。

随着信息技术的发展,各种蛋白质分类方法不断涌现。然而,致敏蛋白的准确鉴定从根本上依赖于高效的蛋白质分类技术。传统的蛋白质分类方法,如序列比对、模糊逻辑建模和定量构效关系(QSAR)分析,在满足致敏蛋白精确鉴定需求方面仍存在明显局限性。Baylon等(2022)开发的肽段序列比对工具,基于已知序列相似性实现了初步过敏原筛查。该工具支持涉及非天然氨基酸的多序列比对,对于高度同源的过敏原表现出稳定的性能。然而,它无法识别低相似度的致敏蛋白,例如序列变异但功能保守的致敏蛋白,因此无法适应复杂致敏蛋白的多样性。Fernandes等(2012)基于模糊逻辑构建的生物活性预测模型,可以在部分蛋白质特征与生物活性之间建立直接映射,并已应用于小规模蛋白质活性评估。然而,该模型需要大量的试错调试,其固定的逻辑框架阻碍了对致敏蛋白动态构象特征的捕获,而这些构象会随外部环境而变化。由于构象变化直接影响致敏蛋白的免疫原性,此类模型的泛化能力受到限制。QSAR(Pripp等,2005)关注化合物结构与生物活性之间的相关性,能够在相对单一的 dataset 中对特定蛋白质类别的活性进行预测。然而,致敏蛋白的免疫原性涉及多维关联,例如结构适应性、免疫应答激活等。依赖单一特征建模的QSAR无法覆盖这些复杂交互,导致跨类别预测性能极差(Shi等,2025;Jaana等,2019)。显然,传统方法在特征表示的全面性和模型的动态适应性方面均存在不足,无法有效应对与致敏蛋白鉴定相关的序列多样性和构象复杂性。

传统蛋白质分类方法的这些固有局限,直接导致了致敏蛋白鉴定领域技术框架的重大技术缺陷。由联合国粮食及农业组织(FAO)和世界卫生组织(WHO)提出的基于序列相似度和短肽匹配的评价标准,为初步过敏原筛查提供了统一的判断标准,并已被广泛应用于早期过敏原风险评估。然而,其假阳性率极高。基于该标准预测的200种潜在致敏蛋白中,仅有一种被确认为真正的致敏蛋白(B M和M B,2003)。后续开发的工具,如AllerHunter和AllerTOP v.2,引入了机器学习算法,与纯粹的序列比对策略相比,大幅提高了预测效率,但仍然依赖序列相似度或浅层特征,难以处理低同源性新型致敏蛋白。此外,这些工具受限于小规模数据集,无法满足大规模基因组级别预测的需求(Cheng等,2009;Ivan等,2014)。这也表明,仅对传统方法进行简单改进不足以突破技术瓶颈,亟需探索具有更强特征挖掘能力的机器学习方法来应对致敏蛋白鉴定的核心挑战。

为克服传统方法在致敏蛋白准确鉴定方面的瓶颈——即无法识别低相似度蛋白质以及难以捕获动态构象,机器学习技术已成为新的突破方向。然而,它也面临着与致敏蛋白致敏特性相关的适应挑战。机器学习以无监督学习和有监督学习为核心。在无监督学习方面,自然向量方法(Zhang等,2019)、蛋白质图谱(Yu等,2011)和K-string词典(Yu等,2013)等方法提供了有效的无监督分析框架,能够自动挖掘隐藏在氨基酸序列中的潜在分布模式。然而,致敏蛋白的关键致敏区域通常是低相似度的短片段。依赖特征聚类先验假设的自然向量方法倾向于将此类片段误分为噪声,导致真正致敏蛋白的漏检(Mengcen等,2022)。蛋白质图谱和K-string词典的语义编码受限于序列语义与免疫原性之间的映射偏差,难以准确捕获致敏蛋白序列中功能保守片段的动态变化(Daniel和Rahul,2013)。在有监督学习方面,Chang和Lin(2007)开发的SVM学习库通过自定义核函数突破了单一特征建模的局限,在许多常规蛋白质识别任务上实现了稳定的分类性能。其核函数对低相似度致敏蛋白表现出适应性不足,容易误判关键模式并陷入反复调试的循环(Jyoti等,2023)。Cai等(2003)提出的SVM-Prot算法整合了七种理化性质构建特征向量,基于手工特征实现了轻量级蛋白质功能预测。然而,静态特征无法覆盖构象与免疫细胞相互作用的动态过程,预测结果因此偏离实际的免疫激活情况(Yuchen等,2023)。Lou等(2014)的随机森林算法通过特征排序筛选关键特征,有效减少了冗余特征带来的干扰,但其依赖于历史数据的分布。当处理新变异体或罕见构象时,特征向量由于训练集偏差而趋于失效(Carolin等,2007)。

深度学习与生物信息学的融合推进了蛋白质预测技术的发展。自编码器、卷积神经网络(CNN)和循环神经网络(RNN)等方法通过其自动特征挖掘能力为蛋白质分析提供了新的技术途径,但在致敏蛋白鉴定中仍存在关键技术瓶颈。Pan等(2016)构建了一个名为IPMiner的堆叠自编码器。该框架利用k-mer频率编码有效提取序列信息,并在多种蛋白质识别任务上实现了可靠的分类性能。虽然该模型通过k-mer频率编码实现了准确的蛋白质分类,但它缺乏针对致敏蛋白构象致敏性的定制模块,因此无法捕获表位的空间特征。Wang等(2018)提出的深度CNN可以增强特征提取的鲁棒性,有效抑制局部序列片段内的噪声干扰。然而,CNN的局部特征提取特性使其难以捕获致敏蛋白中致敏表位的长程空间相关性,导致依赖多残基协同的致敏特征表示不足。尽管PDBP-Fusion(Guobin等,2021)是为DNA结合蛋白设计的特征融合策略,但验证了多模态融合思想在蛋白质预测任务中的有效性。DNA结合蛋白的结合机制与致敏蛋白的免疫原性机制存在显著差异,使其无法直接迁移应用于致敏蛋白鉴定。尽管这些方法推进了深度学习在生物信息学中的应用,致敏蛋白鉴定的关键瓶颈仍未解决。大多数方法依赖单模态特征,无法整合包括氨基酸序列、三维结构和理化性质在内的多维信息,导致对致敏蛋白构象-免疫细胞相互作用动态过程建模不足。更关键的是,此类模型对低相似度和罕见构象致敏蛋白的泛化能力有限,预测性能与实用需求之间仍存在显著差距。因此,亟需构建具备多特征融合和动态适应能力的深度学习框架。

在致敏蛋白鉴定领域,尽管一些研究人员已探索了多特征融合的思想,但其与致敏蛋白鉴定的关联性仍然有限。Zhang等(2023)提出的CNN-LSTM模型结合了CNN局部特征提取和LSTM长距离序列建模的优势,在酶功能分类中取得了可喜的性能,该模型是为CAZyme多标签分类设计的。CAZyme的功能分类依赖于酶活性位点,这与致敏蛋白的免疫原性分类机制截然不同,无法满足致敏蛋白鉴定的要求。尽管ProAll-D研究团队(Kumar等,2022)为致敏蛋白鉴定设计了理化与序列特征的融合模型,验证了多特征集成对过敏原预测的有效性,但未能对残基的空间结构相关性进行建模,导致模型存在明显局限性。近期研究进一步推动了基于深度学习的致敏性预测。AllergenAI(Liu等,2025)采用基于序列的CNN在多个过敏原数据库上训练,并探索了特征重要性分析和三维结构信息;AllerTrans(Sarlakifar等,2025)结合ESM-2和ProtT5蛋白质语言模型嵌入,利用深度神经网络和集成策略进行预测。这些研究展示了深度序列表示的有效性,但残基层级的空间关系建模、理化-结构特征交互以及双向跨模态融合仍有待深入探索。尽管这些研究确认了多特征融合的价值,致敏蛋白鉴定仍面临三个核心挑战:第一,大多数现有研究缺乏对蛋白质残基间空间结构相关性的深入建模,主要局限于序列或理化性质的单一维度特征挖掘,难以捕获致敏蛋白与免疫细胞相互作用所特有的空间结构特征。第二,跨模态特征交互仍停留在浅层加权或拼接的层面,未能实现结构特征与理化特征之间的双向动态引导,因此无法充分利用多模态信息的互补特性。第三,此类模型对低同源性和罕见构象致敏蛋白的泛化能力不足,缺乏促进判别性特征学习的自监督机制,导致在处理未知变异体样本时性能下降。

这些局限性构成了本文亟待解决的关键研究缺口。现有模型中鲜有能够同时利用序列特征、理化描述符和残基空间结构信息的模型。此外,浅层特征融合策略无法实现双向动态跨模态交互。另外,大多数模型对具有罕见构象的低同源性致敏蛋白缺乏令人满意的泛化能力。针对这些挑战,本研究构建了一个基于Bi-LSTM和GAT的双分支融合模型。

本文的主要贡献总结如下:

1. 构建了一种集成GAT和Bi-LSTM的双分支并行特征提取架构。GAT模块用于解决传统方法在挖掘结构特征方面的局限性,而Bi-LSTM模块用于捕获理化特征的上下文依赖关系。该架构实现了空间结构与理化特征的双维度表示,为后续的跨模态特征融合和致敏蛋白分类提供了有效的特征支撑。

2. 此外,采用了一种双向跨模态注意力机制以实现深度特征融合,克服了现有方法仅依赖浅层拼接或单向加权进行特征集成的局限性。

具体而言,双向注意力交互机制能够实现结构特征与理化特征之间的相互引导,充分利用多模态特征的互补优势,从而提高结构-功能相关性建模的准确性。第三,为进一步提升模型的泛化能力,引入了一种用于节点特征重建的自监督辅助任务,通过对特征重建过程施加正则化约束来增强判别性特征表征。该设计提高了模型对低相似度和罕见构象样本的识别鲁棒性,降低了对训练数据分布的依赖。

**所提模型整体框架**

所提模型的整体框架如图1所示。该框架主要由三个核心模块组成,即特征提取、特征融合和分类预测,并集成了自监督辅助任务以提升模型性能。其设计遵循双分支特征提取、双向动态特征融合以及双损失联合优化的原则。在特征提取模块中,采用了双分支并行架构。具体而言,

**数据集**

为了评估所提模型的性能,本研究采用了一个过敏原蛋白数据集。该数据集由正样本和负样本组成。正样本从UniProt(Consortium, 2024)和NCBI(Sayers等人, 2024)数据库中检索和筛选获取,筛选标准为序列被明确标注为过敏原且经过实验验证。负样本从UniProt数据库中获取,共获得571,444条经过验证的蛋白序列。

**结论**

针对过敏原蛋白分类任务中存在空间结构建模不足、深度特征融合不充分以及模型泛化能力弱等问题,本研究提出了一种基于Bi-LSTM和GAT跨模态融合的过敏原蛋白分类方法。该方法通过Bi-LSTM模块捕捉理化特征的序列相关模式,利用GAT模块从蛋白序列图中挖掘残基间的空间相关特征。

**CRediT作者贡献声明**

佟嘉:撰写——初稿。姬瑞瑞:监督指导。刘贵明:监督指导。王国立:监督指导。张文卓:撰写——审阅与编辑。张新宇:监督指导。林东辉:监督指导。

**利益冲突声明**

作者声明不存在可能影响本论文所述工作的已知竞争性经济利益或个人关系。

**致谢**

本研究得到北京市农林科学院创新能力与协同创新中心专项计划的资助(项目编号:KJCX20230221, KJCX20240301, KJCX20251102, KJCX20240408)。

佟嘉 | 姬瑞瑞 | 刘贵明 | 王国立 | 张文卓 | 张新宇 | 林东辉
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号