《Computational Biology and Chemistry》:BFPSM: A Biological Language Model-Based Framework for Pathogenic Synonymous Mutation Prediction
编辑推荐:
•仅依赖序列的框架预测致病同义突变。•异构生物语言模型融合预测致病同义突变。•多视角DMCNN-BiLSTM与TextCNN提取互补嵌入表示。引言同义突变是一类特殊的遗传变异,它不改变编码蛋白质的氨基酸序列。然而,越来越多的证据表明,这些突变可通过多种机制影响表型,包括改变R
- •
仅依赖序列的框架预测致病同义突变。
- •
异构生物语言模型融合预测致病同义突变。
- •
多视角DMCNN-BiLSTM与TextCNN提取互补嵌入表示。
引言
同义突变是一类特殊的遗传变异,它不改变编码蛋白质的氨基酸序列。然而,越来越多的证据表明,这些突变可通过多种机制影响表型,包括改变RNA剪接(Mueller等,2015年)、mRNA稳定性(Mao等,2014年)以及蛋白质折叠(Walsh等,2020年),因而可能参与疾病的发生。鉴于其潜在的临床意义,准确识别致病性同义突变对于理解疾病机制和推动精准医学具有重要意义。在临床实践中,这些预测有助于提高诊断准确性并为治疗策略提供参考。
现有的致病性同义突变预测方法可大致分为通用方法和专用方法两大类。通用方法并非专门针对同义突变设计,而专用方法则是明确针对该任务开发的。典型的通用方法包括CADD(Schubach等,2024年)、DANN(Quang等,2015年)、FATHMM-MKL(Shihab等,2015年)、PhD-SNP^g(Capriotti和Fariselli,2023年)、FATHMM-XF(Rogers等,2018年)以及PredictSNP2(Bendl等,2016年)。CADD整合多种功能注释信息,并采用逻辑回归模型进行全基因组变异致病性预测;DANN则在此基础上引入深度神经网络进行扩展。FATHMM-MKL利用多核学习结合支持向量机整合功能基因组学注释,FATHMM-XF进一步通过引入额外特征来改进该策略。PhD-SNP^g结合序列上下文和进化保守性信息,采用梯度提升决策树模型;而PredictSNP2则采用元学习策略,融合多个模型的预测结果。然而,由于这些方法并非针对同义突变进行优化,它们在该特定场景下的性能仍然有限。针对致病性同义突变预测的专用方法包括TraP(Gelfman等,2017年)、EnDSM(Cheng等,2021年)、PrDSM(Cheng等,2020年)、usDSM(Tang等,2021年)、seDSM(Wang等,2023年)、frDSM(Wang等,2022年)、FDPSM(Jin等,2025年)以及DRP-PSM(Cai等,2025年)。这些方法采用了多种策略。例如,TraP整合序列和功能注释特征,而EnDSM在集成学习框架下融合多模态特征。frDSM采用XGBoost结合特征选择,PrDSM则通过整合多个工具的输出生成共识预测。usDSM和seDSM分别采用欠采样和集成技术处理类别不平衡问题。FDPSM依赖基于LightGBM的特征工程,而DRP-PSM则整合了多层次生物学信息,包括DNA、RNA和蛋白质水平的特征。
尽管这些方法具有任务特异性设计,但仍存在若干局限性。首先,目前大多数预测器主要依赖传统机器学习模型,其性能高度依赖于人工构建的特征。此类特征构建效率低下,且往往无法捕捉生物序列中的长距离依赖关系(Testagrose和Boucher,2025年)。其次,人工量化生物学特征较为复杂,可能导致信息缺失或不完整,从而限制了特征的完备性(Wang等,2022年;Jin等,2025年;Cai等,2025年)。当某个突变包含大量缺失特征值时,这些方法可能无法生成可靠的预测结果。
传统特征工程方法通常依赖人工构建的注释和保守性评分,这些信息可能不完整,或偏向于已被充分表征的基因组区域。相比之下,先进的深度学习架构正日益具备直接从原始生物序列中自动学习层次化表示的能力,从而能够更灵活、更全面地建模复杂模式。近期研究已证明此类架构在多种生物学和医学数据分析任务中的有效性(Gao等,2025年;Cheng等,2025年)。值得注意的是,生物语言模型提供了一种有前景的解决方案,它能够通过端到端的表示学习直接从生物序列中提取信息。这些模型生成的嵌入表示能够同时捕捉局部模式和长距离依赖关系,为跨生物学层次提供丰富的上下文信息和可迁移的表示(Qian等,2025年;Liu等,2026年)。近期研究已证明其在突变致病性预测方面的有效性。例如,GPTrans(Wang等,2024年)利用ESM-1v(Meier等,2021年)、ESM-1b(Rives等,2021年)、ESM-2(Lin等,2022年)和ProtTrans(Elnaggar等,2021年)等多个蛋白质语言模型,从野生型和突变序列中提取嵌入表示并进行拼接,用于致病性预测。IndeLLM(Gracia等,2026年)将ESM-2嵌入表示与孪生网络相结合,建模野生型和突变序列之间的差异,从而实现插入-缺失突变的致病性预测。StartPred(Liu等,2025年)基于多序列比对从GPN-MSA(Benegas等,2025年)中提取嵌入表示,并将其与突变相关特征整合,用于预测起始位点丢失变异的致病性。这些研究突显了生物语言模型在捕捉复杂序列模式和提升预测性能方面的潜力。
为克服上述局限性并充分利用生物语言模型进行致病性同义突变预测,我们提出了一种名为BFPSM的新型框架,该框架整合了多层次特征建模。具体而言,首先从三个DNA语言模型——GPN-MSA、HyenaDNA(Nguyen等,2024年)和Caduceus(Schiff等,2024年)——以及一个RNA语言模型SpliceBERT(Chen等,2024年)中提取嵌入特征。随后,这些嵌入表示被输入深度特征提取模块,包括DMCNN-BiLSTM(动态多尺度卷积神经网络-双向长短期记忆网络)和TextCNN(文本卷积神经网络),以进行进一步的特征提取。最后,所提取的特征被拼接后通过多层感知器(MLP)进行特征降维和最终预测。
章节摘要
数据集
本研究使用的数据集来源于SynMall(Ye等,2026年)和HGMD(Stenson等,2020年)。训练集包含2,362个平衡样本,其中致病性和良性变异的数量相等。独立测试集包含238个平衡样本,可实现对模型性能的无偏评估。
嵌入特征提取
BFPSM中使用的嵌入特征从三个DNA语言模型——GPN-MSA、HyenaDNA和Caduceus——以及一个RNA语言模型SpliceBERT中提取。
训练集上五折交叉验证的性能
在五折交叉验证中,BFPSM的平均指标为:ACC 0.786、AUC 0.866、AUPR 0.897、F1-score 0.778和MCC 0.575,且标准差极低(如ACC ±0.011、AUC ±0.017、AUPR ±0.012),表明模型性能稳健且稳定(见表1)。各折结果显示出召回率和特异性之间呈一致的反向趋势,最高召回率(0.818)和最高特异性(0.864)分别出现在不同的折中,但F1-score(0.764-0.806)和AUPR值
讨论
在本研究中,我们提出了BFPSM,一种基于生物语言模型的致病性同义突变预测框架。通过整合多种生物语言模型的嵌入特征,并结合深度特征提取与特征融合策略,BFPSM实现了对致病性同义突变的有效预测。实验结果表明,BFPSM在测试集上展现出与现有方法相比具有竞争力的性能,突显了
结论
BFPSM通过多视角特征提取架构整合异构生物语言模型,在致病性同义突变预测方面取得了优异的性能。其仅依赖序列的设计为临床变异预测提供了有价值的参考。虽然本研究优先采用平衡基准数据集以进行严格的方法比较,但未来工作将扩展到大规模、自然不平衡的临床数据库中进行评估,以进一步验证其在实际场景中的适用性。
资助
本研究得到了中国国家自然科学基金[项目编号62402006、62532017和U22A2038]的资助。
作者贡献声明(CRediT)
王崇龙:撰写——审阅与编辑、验证。叶辰:验证、数据整理。杨思远:撰写——初稿、可视化、方法学。陈海:撰写——初稿、调查研究、数据整理、概念构思。程娜:撰写——审阅与编辑、撰写——初稿、项目管理、经费获取、概念构思。夏俊峰:撰写——审阅与编辑、项目管理、经费获取、概念构思。
利益冲突声明
作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。
陈海 | 杨思远 | 叶辰 | 王崇龙 | 夏俊峰 | 程娜