首页 >> 学术资讯 >>前沿文章 >>生信医药 >> 《JCIM》:新疆大学团队创新推出ME-PFP,集成多源特征融合框架驱动蛋白质功能预测新突破!
详细内容

《JCIM》:新疆大学团队创新推出ME-PFP,集成多源特征融合框架驱动蛋白质功能预测新突破!

本文对《ME-PFP: An Ensemble Learning Approach Fusing Multi-Source Features for Protein Function Prediction》研究进行系统性梳理。该工作由新疆大学团队主导,提出了一种创新集成学习框架ME-PFP,通过融合序列、结构域和蛋白质相互作用(PPI)多源特征,实现了蛋白质功能预测的精准化与高效化。

1770556142144446.png

一、智能架构革新:多模态特征提取器驱动蛋白质功能预测新范式
ME-PFP的核心突破在于设计了面向异构数据模态的专用特征提取器架构。针对蛋白质序列的连续性特征,开发双路径耦合特征提取器(DCE),通过ESM2预训练语言模型捕获序列上下文语义;针对结构域信息,构建双域协同重建提取器(DRCE),实现宏-微观尺度特征协同捕捉;针对PPI网络离散矩阵数据,设计多维凝聚提取器(MCE),利用PCA降维与深度可分离卷积处理稀疏交互。这种模块化设计克服了传统方法对数据模态差异的忽视,实现了异构生物特征的精准提取。

1770556166394773.png

二、协同融合机制:动态加权策略实现异源数据智能整合
研究提出以多层感知机(MLP)为核心的协同感知智能融合网络,通过动态权重分配实现多源特征互补。融合策略初始为各模态赋予平等权重,训练中根据特征相关性动态调整,最终形成最优加权方案。消融实验显示,完整模型在人类数据集BP、MF、CC任务上Fmax分别达0.562、0.691、0.625,较单模态模型提升超2%,证实融合策略的有效性。特别地,PPI特征在细胞组件(CC)预测中贡献显著(Fmax 0.625),而结构域特征在分子功能(MF)任务中表现突出(Fmax 0.691),体现模态特异性优势。

1770556191858255.png

三、实验验证体系:跨物种基准测试证实框架卓越性能
在人类和酵母基准数据集上,ME-PFP在三个GO本体(BP/MF/CC)全面领先基线模型。人类数据集MF任务Fmax达0.691(较ESM提升1.3%),酵母数据集CC任务Fmax达0.565(较MSF-PFP提升1.8%)。5折交叉验证显示集成模型F1分数稳定高于单模态模型,如人类BP任务集成模型F1 0.562,显著优于序列模型(0.409)和PPI模型(0.462)。PCA降维分析进一步揭示特征融合使蛋白质表示在嵌入空间更紧凑,支持模型泛化能力。

1770556214450604.png

总结与展望
ME-PFP通过多模态特征提取与智能融合,实现了蛋白质功能预测的精度突破。其模块化架构、动态融合策略及跨物种验证体系,为计算生物学提供了可扩展的多源数据整合范式。未来结合轻量级预训练模型与实时注释流程,可进一步推动蛋白质功能预测在药物靶点发现中的应用。



原文链接:https://doi.org/10.1021/acs.jcim.5c02513
暂无评论


seo seo