基于深度双流BiLSTM的蛋白质-蛋白质相互作用预测模型研究

《Journal of Biological Engineering》：Human protein-protein interaction prediction using twin-stream bidirectional long short-term memory model

　　

摘要

研究目的

蛋白质组学研究对于调控细胞过程和理解复杂的生物系统至关重要。通过揭示蛋白质表达和相互作用网络的变化，它为癌症、心血管疾病、神经系统疾病和传染病等细胞通路提供了深入洞察。准确识别蛋白质-蛋白质相互作用（PPI）对于阐明人类疾病的分子机制和推进药物研发至关重要。然而，实验方法在PPI检测方面通常费力费时，且可扩展性有限。

材料与方法

为解决上述挑战，本研究提出了一种新型深度双流学习方法TS-BiLSTM-PPI（用于PPI的双流双向长短期记忆网络），采用共享的蛋白质序列嵌入权重。在研究实验中，我们使用了Pan的PPI基准数据库，该数据库包含73,132条人类蛋白质序列。我们还应用了基于氨基酸序列的数据分析来检查蛋白质分布和等电点。我们还构建了传统的机器学习（ML）方法，以便与所提出的深度双流架构进行公平比较。

结果

所提出的TS-BiLSTM-PPI优于最先进的传统方法，达到了99.3%的正确PPI率（AUC得分）。消融研究和外部PiNUI数据验证结果证实了TS-BiLSTM-PPI模型在PPI预测方面的泛化能力。

讨论

利用所提出的双流模型进行实时PPI推理，根据蛋白质序列对评估带有置信度评分的相互作用输出。

结论

本研究为现实世界蛋白质组学场景提供了一种具有实际PPI应用价值的方法。