ScienceAI原创

2024/08/22 14:39

蛋白质功能预测新SOTA，上海理工、牛津等基于统计的AI方法，登Nature子刊

编辑 | KX

蛋白质与其他分子相结合，促进几乎所有的基础生物活动。因此，了解蛋白质功能对于理解健康、疾病、进化和分子水平上的生物体功能至关重要。

然而，超过 2 亿种蛋白质仍未得到表征，计算方法在很大程度上依赖于蛋白质的结构信息来预测不同质量的注释。

近日，来自牛津大学、苏黎世联邦理工学院、上海理工大学和北京师范大学组成的研究团队，设计了一种基于统计的图网络方法，称为 PhiGnet，从而促进蛋白质的功能注释和功能位点的识别。

PhiGnet 不仅在性能上优于其它方法，而且即使在没有结构信息的情况下也缩小了序列-功能差距。研究结果表明，将深度学习应用于进化数据可以突出残基级别的功能位点，为解释和研究生物医学中蛋白质的现有特性和新功能提供宝贵支持。

相关研究以「Accurate prediction of protein function using statistics-informed graph networks」为题，于 8 月 4 日发布在《Nature Communications》上。

论文链接：https://www.nature.com/articles/s41467-024-50955-0

了解蛋白质功能对于理解许多关键生物活动的复杂机制至关重要，对医学、生物技术和药物开发领域具有深远的影响。

迄今为止，UniProt 数据库（6/2023）中已有超过 3.56 亿种蛋白质被测序，其中绝大多数（~80%）没有已知的功能注释。

深度学习方法在预测蛋白质 3D 结构方面取得了显著的准确性，超越了从头算方法和同源性建模等经典方法的能力。然而，准确地将功能注释分配给蛋白质仍然具有挑战性，尤其是与实验测定相比。

为了应对这些挑战，研究人员假设可以利用共同进化残基中所包含的信息来注释残基级别的功能。

牛津大学团队提出利用基于统计的图网络仅从蛋白质序列预测其功能。该方法固有地表征了进化特征，可以对执行特定功能的残基的重要性进行定量评估。

该方法利用从进化数据中获得的知识来驱动两个堆叠图卷积网络。借助所获得的知识和设计的网络架构，可以准确地为蛋白质分配功能注释，并且重要的是，可以量化每个残基相对于特定功能的重要性。

用于蛋白质功能注释的 PhiGnet

PhiGnet 方法使用基于统计的图网络来注释蛋白质功能并根据其序列识别跨物种的功能位点。

图示：PhiGnet 注释蛋白质功能。（来源：论文）

为了从进化耦合（EVC，两个共变位点的成对残基之间的关系）和残基群落（RC，残基之间的层次相互作用）中吸收知识，研究人员设计了双通道架构的方法，采用堆叠图卷积网络 (GCN)。该方法专门用于为蛋白质分配功能注释，包括酶委员会 (EC) 编号和基因本体 (GO) 术语（生物过程、BP、细胞成分、CC 和分子功能、MF）。

当提供蛋白质序列时，研究使用预先训练的 ESM-1b 模型得出其嵌入。随后，将嵌入作为图节点以及 EVC 和 RC（图边）输入到双堆叠 GCN 的六个图卷积层中。这些层与两个完全连接 (FC) 层块协同工作，精心处理来自两个 GCN 的信息，最终生成一个概率张量，用于评估为蛋白质分配功能注释的可行性。

此外，使用梯度加权类激活图 (Grad-CAM) 方法得出的激活分数（activation score）用于评估每个残基在特定功能中的重要性。该分数使 PhiGnet 能够在单个残基水平上精确定位功能位点。

例如，通过计算含有丝氨酸-天冬氨酸重复序列的蛋白质 D (SdrD) 的 RC，表明功能位点的残基通过自然进化而得以保留，并且 PhiGnet 能够捕获此类信息，从而改进在残基水平上预测蛋白质功能的方法，即使在没有结构数据的情况下也是如此。

注释蛋白质功能位点

计算预测是否与实验确定的功能注释一样准确？为了解决这个问题，研究使用激活分数对每种氨基酸对蛋白质功能的贡献进行了定量检查。评估了 PhiGnet 的预测性能，并评估了九种蛋白质中残基的重要性（它们对蛋白质功能的贡献）。

图示：PhiGnet 在残基水平上注释蛋白质功能。（来源：论文）

通过计算九种蛋白质中每个残基的激活分数，并将它们与通过实验或半手动注释确定的残基进行比较。PhiGnet 在预测残基水平的重要位点方面表现出了良好的准确性（平均 ⩾ 75%），与实际的配体/离子/DNA 结合位点非常一致。PhiGnet 准确地识别出具有高激活分数的蛋白质的功能重要残基。

优于其他最先进的方法

为了评估 PhiGnet 的预测性能，应用该方法来推断两个基准测试集中蛋白质的功能注释（EC 编号和 GO 术语）。将 PhiGnet 与最先进的方法进行比较，包括基于比对的方法、基于深度学习的方法。比较使用了两个基本指标，包括以蛋白质为中心的 Fmax 得分和精确召回曲线下面积 (AUPR)。

图示：不同方法在不同本体和 EC 编号中的 GO 术语之间的比较。（来源：论文）

PhiGnet 展示了在两个测试集中为蛋白质分配功能注释的预测能力。它分别对 GO 术语和 EC 编号实现了 0.70 和 0.89 的平均 AUPR，以及 0.80 和 0.88 的 Fmax 分数。

总体而言，PhiGnet 在基准数据集上的表现明显优于所有监督和无监督方法。

此外，还证明了 PhiGnet 的泛化稳健性，可以测试与训练集中的蛋白质具有不同序列同一性阈值的蛋白质。在不同的最大序列同一性水平（30%、40%、50%、70% 和 95%）下，随着序列同一性的增加，PhiGnet 表现出更好的预测性能。

由进化特征驱动

进化数据在 PhiGnet 中起着重要作用，可用于预测蛋白质功能注释和识别功能位点。首先，进行了消融实验，以测试 EVC/RC 对 PhiGnet 的贡献。实验表明，PhiGnet 可以准确分配蛋白质功能注释。此外，使用 EVC 或 RC 的 PhiGnet 证明了学习一般序列功能关系的强大能力，通常比其他方法更好或一样好。

其次，进一步研究了 PhiGnet 从残基群落中已识别的功能相关残基中表征有意义特征的能力。计算了残基的激活分数以强调它们对蛋白质功能的贡献。值得注意的是，预测的残基与通过实验测定确定的功能位点的残基一致，比 RC 中的残基识别得更好。

图示：PhiGnet 学习进化特征以识别蛋白质功能位点。（来源：论文）

研究表明，进化信息，特别是 RC 中包含的信息，足以指定蛋白质的功能并定量表征功能位点的残基。此外，与 EVC 中较低阶水平的信息相比，RC 包含更高阶水平的进化知识。同时，RC 中包含的信息对于增强 PhiGnet 在残留水平上识别功能相关位点的能力起着重要作用。

成功之处与局限

总之，PhiGnet 的更好性能可以归因于它利用了蛋白质序列的进化数据和数据的高阶模式，从而可以更深入、更准确地理解蛋白质功能。

PhiGnet 的主要成功之处在于利用统计信息图卷积神经网络，来促进对来自海量序列数据集的进化数据的分层学习。这种方法大大超越了现有的监督和无监督方法，可用于指导未来的生物和临床实验。

PhiGnet 方法的局限性包括序列多样性较低的蛋白质家族中出现的偏差/噪音。将（共同）进化信息纳入 PhiGnet 可能会影响残基群落的准确识别，特别是如果信息来自高度保守的蛋白质家族。虽然将物理提取的知识整合到 PhiGnet 中与其他方法相比取得了显著的改进，但在解释 PhiGnet 中的学习机制方面仍然存在重大挑战。

进化数据和机器学习之间的协同作用将为准确确定和设计蛋白质的生物物理特性铺平道路。

理论AI生物学蛋白质

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

基准技术

一种简单的模型或启发法，用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

来源：Google ML Glossary

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在维空间内，有个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。称为该张量的秩或阶（与矩阵的秩和阶均无关系）。在数学里，张量是一种几何实体，或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达，记作标量的数组，但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中，表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了，它们都是二阶张量，对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

来源：维基百科

数据库技术

数据库，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据运行新增、截取、更新、删除等操作。所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

来源：维基百科

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中，我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。数据通常包含噪音，错误，例外或不确定性，或者不完整。错误和噪音可能会混淆数据挖掘过程，从而导致错误模式的衍生。去除噪音是数据挖掘（data mining）或知识发现（Knowledge Discovery in Database，KDD）的一个重要步骤。

来源：Han J.; Kamber M.; Pei J. (2011). Data mining: concepts and techniques. Morgan Kaufman.

堆叠技术

堆叠泛化是一种用于最小化一个或多个泛化器的泛化误差率的方法。它通过推导泛化器相对于所提供的学习集的偏差来发挥其作用。这个推导的过程包括：在第二层中将第一层的原始泛化器对部分学习集的猜测进行泛化，以及尝试对学习集的剩余部分进行猜测，并且输出正确的结果。当与多个泛化器一起使用时，堆叠泛化可以被看作是一个交叉验证的复杂版本，利用比交叉验证更为复杂的策略来组合各个泛化器。当与单个泛化器一起使用时，堆叠泛化是一种用于估计（然后纠正）泛化器的错误的方法，该泛化器已经在特定学习集上进行了训练并被询问了特定问题。

来源：Wolpert, D. H. (1992). Stacked generalization. Neural networks, 5(2), 241-259

图网技术

ImageNet 是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库。

来源：ImageNet 官网

法大大机构

深圳法大大网络科技有限公司（www.fadada.com）是国内领先的第三方电子合同平台，主要为金融、房地产、汽车、人力资源服务、教育、保险、第三方支付、旅游、医疗、物流、供应链、B2B、B2C线上交易平台等行业以及政府机构提供电子合同、电子文件签署及存证服务，同时整合提供司法鉴定和律师服务等增值服务。

https://www.fadada.com

图卷积神经网络技术

图卷积神经网络（Graph Convolutional Network）是一种能对图数据进行深度学习的方法。GCN的三个主要特征：它是卷积神经网络在 graph domain 上的自然推广；它能同时对节点特征信息与结构信息进行端对端学习；适用于任意拓扑结构的节点与图；

来源：机器之心

本体技术

在计算机科学和信息科学中，本体包括表示、正式命名和定义概念，数据，实体之间的类别，属性和关系，并在一个，多个或所有域实例中。

来源：wiki

图网络技术

2018年6月，由 DeepMind、谷歌大脑、MIT 和爱丁堡大学等公司和机构的 27 位科学家共同提交了论文《Relational inductive biases, deep learning, and graph networks》，该研究提出了一个基于关系归纳偏置的 AI 概念：图网络（Graph Networks）。研究人员称，该方法推广并扩展了各种神经网络方法，并为操作结构化知识和生成结构化行为提供了新的思路。

来源：机器之心

图卷积网络技术

假设有一张图，要做分类，传统方法需要手动提取一些特征，比如纹理啊，颜色啊，或者一些更高级的特征。然后再把这些特征放到像随机森林等分类器，给到一个输出标签，告诉它是哪个类别。而深度学习是输入一张图，经过神经网络，直接输出一个标签。特征提取和分类一步到位，避免了手工提取特征或者人工规则，从原始数据中自动化地去提取特征，是一种端到端（end-to-end）的学习。相较于传统的方法，深度学习能够学习到更高效的特征与模式。

来源：图卷积网络

量化技术

深度学习中的量化是指，用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

来源：Medium