语言模型编码多尺度特征融合与转换预测蛋白质-肽结合位点

　　本文提出LMFFT模型，创新性地利用单一蛋白质语言模型（PLM）进行多尺度特征提取（残基、二肽及片段级），结合RoFormer和Transformer实现特征融合，并采用多尺度卷积神经网络（CNN）捕获局部与全局特征交互，在三个基准数据集上实现最先进的PPBS预测性能，为揭示蛋白质序列-功能关系提供了高效解决方案。

　　

亮点

• (1)
  我们创新性地提出基于二肽嵌入的片段表征方法，整合了残基级、二肽级和片段级的多尺度特征融合。这种融合策略旨在有效克服单一使用蛋白质语言模型（PLM）编码的残基级表征的局限性。
• (2)
  为充分编码PLM特征，我们进一步设计使用卷积神经网络（CNN）的多尺度特征转换层，包括多尺度卷积残差模块和基于卷积的个性化线性转换模块。该层促进了局部与全局特征间的交互，最终产生更有效的特征表征。
• (3)
  我们首次将RoFormer应用于蛋白质-肽结合位点（PPBS）预测，并通过从单一PLM提取多尺度特征开发了一种新颖的基于序列的端到端预测器，有效避免了传统方法中通常耗时而昂贵的特征工程。
• (4)
  我们的模型LMFFT在三个PPBS数据集上设立了新的最先进（SOTA）基准，超越了以往的序列方法，并展现出与某些基于结构的基线方法相比的竞争优势。

基准数据集

为评估模型有效性，我们主要在两个广泛应用的数据集上开展实验，包含总计1241和1279个蛋白质，分别命名为数据集1和数据集2。这两个数据集的蛋白质序列最初由Taherzadeh等人从蛋白质-配体数据库BioLip中收集。此外，我们引入另一个基准数据集3，包含总共2920个蛋白质，由Huang等人收集。

与现有基线的性能比较

为全面评估所提出的LMFFT模型的预测性能，我们进行了与11种现有先进方法的比较分析，涉及PPBS预测。这些基线包括PeptiMap、SPRINT-Str、SPRINT-Seq、PepBind、PepNN-Seq、PepNN-Struct、Visual、PepBCL、SPPPred、PepCNN和PepCA。值得注意的是，这11种方法中，三种预测器（PeptiMap、SPRINT-Str和PepNN-Struct）基于结构，而其余八种基于序列。

结论与未来方向

本工作中，我们开发了LMFFT模型，一种端到端的识别蛋白质-肽结合位点的方法，仅依赖于具有多尺度特征融合与转换的语言模型。这实现了最先进的性能，同时有效避免了传统方法中常见的耗时且昂贵的陷阱，这些方法需要复杂的特征工程。我们的模型充分利用了蛋白质语言模型，结合了二肽特征编码和...