《International Journal of Molecular Sciences》：ATPPred: Prediction of Plant ATP-Binding Proteins Using ESM2 and 1D Convolution
编辑推荐：
植物ATP结合蛋白在植物的多种生理过程中发挥着核心作用，包括生长发育、能量代谢、信号转导和环境适应。从植物蛋白质序列中准确识别ATP结合蛋白，对于深入理解植物生理及其在农业生物技术中的应用至关重要。本研究提出ATPPred，一种基于蛋白质大语言模型进化尺度建模
植物ATP结合蛋白在植物的多种生理过程中发挥着核心作用，包括生长发育、能量代谢、信号转导和环境适应。从植物蛋白质序列中准确识别ATP结合蛋白，对于深入理解植物生理及其在农业生物技术中的应用至关重要。本研究提出ATPPred，一种基于蛋白质大语言模型进化尺度建模2（ESM2）和一维卷积神经网络（1D CNN）的工具，用于高精度预测植物ATP结合蛋白。该工具利用ESM2提取植物ATP结合蛋白的全局特征，再通过一维卷积神经网络进一步提取特征信息。全面的性能指标证明了ATPPred具备有竞争力的预测能力。对蛋白质序列相似性阈值影响的系统评估显示，在0.4至0.9的阈值范围内，ATPPred的平均曲线下面积（AUC）介于0.9191±0.0161至0.9669±0.0030之间，突显了其稳健性。跨数据集基准测试进一步验证了该框架的有效性，显示出优于现有方法的性能。总之，ATPPred为基于序列的植物ATP结合蛋白预测提供了一种可行的计算方法，并可作为候选ATP结合蛋白初步筛选和优先级排序的有用辅助工具。
研究背景与科学问题
三磷酸腺苷（ATP）作为细胞能量代谢的核心分子，在植物生长发育、营养吸收、信号转导、逆境响应及次生代谢调控等多种生理过程中发挥关键作用。这些生物学功能主要通过磷酸基团转移反应和特异性蛋白质靶标相互作用来实现。近期研究表明，植物免疫受体P2K1的S-酰化修饰可抑制免疫应答，从而调节植物对环境刺激的防御机制；甲羟戊酸激酶（MVK）通过与P2K1受体相互作用并使其磷酸化，直接影响植物细胞的关键代谢通路。此外，新型ATP结合盒（ABC）转运蛋白参与植物铝解毒过程，而另一ABC转运蛋白ABCB19作为油菜素内酯膜转运蛋白，在植物非生物胁迫响应中扮演重要角色。这些发现共同强调了ATP结合蛋白在植物代谢调控和适应性响应中的重要贡献。因此，开发植物ATP结合蛋白预测方法对于阐明植物能量网络具有重要的理论意义，并在靶向药物设计和农业生物技术创新方面具有实际应用价值。
尽管已有研究致力于开发高性能、可靠的ATP结合蛋白预测模型，但现有方法仍面临若干技术瓶颈：第一，当前模型的性能仍有提升空间；第二，尚未有研究探索大语言模型在植物ATP结合蛋白预测模型中的应用；第三，蛋白质序列相似性对模型预测构成显著挑战，而现有研究未系统评估相似性阈值变化对植物ATP结合蛋白预测模型性能的影响。
研究方法概述
研究人员提出ATPPred，一种结合进化尺度建模2（ESM2）蛋白质大语言模型和一维卷积神经网络（1D CNN）的高精度预测工具。数据来源于UniProt数据库，限定植物物种、保留蛋白质水平证据和已审核条目，经CD-HIT工具以0.9阈值去冗余后获得1391个阳性样本和从6056个阴性样本中随机选取的1391个阴性样本，按8:2比例划分训练集和测试集。方法上采用esm2_t6_8M_UR50D模型的前四层Transformer模块进行特征提取，随后通过两层1D CNN（第一层8个大小为3的卷积核，第二层2个大小为3的卷积核）进一步抽象特征，最后连接全连接层进行分类预测。模型以批次大小为1、学习率0.003、丢弃率0.1、50轮训练，使用ReLU激活函数和SGD优化器。
研究结果
2.1 ATPPred模型验证
通过五折交叉验证，ATPPred在测试集上展现出强泛化性能，准确率（ACC）达0.9190±0.0058，召回率（Rec）为0.8738±0.0185，精确率（Pre）为0.9615±0.0241，曲线下面积（AUC）为0.9669±0.0030，马修斯相关系数（MCC）为0.8421±0.0129，F1分数为0.9152±0.0053，特异度（SP）为0.9641±0.0246，精确率-召回率曲线下面积（AUPRC）为0.9744±0.0014。十折交叉验证进一步确认了模型稳定性。
2.2 不同负采样策略对模型性能的影响
在保持阳性样本不变的前提下，分别采用基于氨基酸序列长度分布匹配和物种分布匹配的两种随机负采样策略。在长度匹配策略下，模型ACC为0.8804±0.0167，AUC为0.9483±0.0080，MCC为0.7620±0.0341；在物种匹配策略下，ACC为0.8931±0.0134，AUC为0.9545±0.0121，MCC为0.7885±0.0267，表明ATPPred有效避免了负采样偏差导致的过拟合或性能剧烈波动。
2.3 消融实验验证
研究人员设置三种变体模型：去除1D CNN模块的ESM+MLP、冻结ESM2特征提取器的ATPPred（Frozen ESM）、替换ESM2为ProtBERT的ATPPred（ProtBERT）。完整ATPPred在所有核心评价指标上均优于各变体模型，证实了微调ESM2结合1D CNN架构的科学性和有效性。
2.4 蛋白质序列相似性阈值对模型的影响
研究人员构建了从0.4到0.9共六个不同相似性阈值的数据集。在所有评估阈值下，模型平均ACC介于0.8467至0.9190之间，平均AUC保持在0.9191至0.9669区间，证明ATPPred能够在不同相似性条件下可靠提取关键序列特征。
2.5 跨数据集基准测试
在Hou等人构建的Base-Data数据集上进行十折交叉验证，ATPPred平均ACC为0.9640±0.0143，Rec为0.9637±0.0179，Pre为0.9635±0.0250，AUC为0.9776±0.0135，MCC为0.9277±0.0292，F1为0.9634±0.0166，SP为0.9654±0.0191，AUPRC为0.9756±0.0228，展示了该框架在不同数据集上的有效性和稳健性。
2.6 与最先进模型的比较
在与Base-Data基准模型的对比中，ATPPred在所有核心评价指标上均表现更优：ACC提升7.66%，Rec提高4.88%，AUC上升2.14%，MCC改善17.21%，SP增强10.74%。
讨论与结论
讨论部分指出，ATPPred通过严格的五折交叉验证展现了强大的泛化能力和稳健性，在多轮负采样和不同采样策略下均保持高核心指标和小标准差，有效避免了负采样偏差。消融实验和比较实验证实了完整ATPPred架构的优势，序列相似性阈值评估证明了模型在动态特征空间约束下的强适应性和鲁棒性。跨数据集基准测试进一步验证了其优越性能。
研究结论：本研究提出了ATPPred，一种结合ESM2蛋白质语言模型和一维卷积神经网络的新型工具，用于预测植物ATP结合蛋白。ATPPred在多项关键评价指标上表现出优异性能，尤其在ACC、AUC和MCC方面优于仅使用ESM的模型。进一步实验表明，ATPPred架构在不同数据集上具有良好的适用性，并在不同序列相似性阈值下表现稳健。与现有模型的比较结果凸显了ATPPred在所有关键评价指标上的优势。未来，ATPPred将作为一种计算方法，用于候选植物ATP结合蛋白序列的初步识别和优先级排序，为后续功能分析和实验验证提供参考。
