可解释！蛋白质亚细胞定位预测

动机蛋白质亚细胞定位计算预测是解析细胞机制、研发疾病疗法的关键手段。现有模型普遍存在可解释性缺失问题仅能预测定位位置无法阐释分子机制同时解析蛋白质行为依赖高成本、耗时长的维结构实验。蛋白质语言模型多标签膜蛋白类型预测DeepLoc 2.1waseem.abbasgcuf.edu.pk#蛋白质亚细胞定位 #图编码 #蛋白质语言模型 #理化特征 #可解释人工智能 #安芬森法则 #特征门控融合 #SHAP可解释分析 #绿色生物AI #多标签预测材料与方法12类生化相互作用规则表1 BioGraphX生化约束规则汇总混合相互作用检测表2 混合相互作用类型及生物学意义157维多尺度特征提取大类表3 BioGraph全部特征分类统计图1 BioGraphX框架详细示意(a) 输入任意氨基酸序列(b) 按生化规则构建残节点互作图边代表12类理化相互作用(c) 提取拓扑、混合、靶向、理化、冲突5大类特征输出157维特征向量。BioGraphX-Net整体架构概述图2 BioGraphX-Net计算流水线示意模型分为2大特征支路自适应门控融合多标签分类4层架构ESM支路输入蛋白序列注意力池化提取残基嵌入瓶颈压缩至1024维特征向量BioGraphX支路序列经生化约束图编码生成157维多尺度理化特征3层非线性网络映射至1024维隐向量门控融合模块拼接两路特征双层控制器生成蛋白专属权重逐特征自适应调控进化/理化信息贡献多层感知器分类融合向量输入分类网络输出10类亚细胞定位预测概率。结果本文提出BioGraphX编码框架依托生化规则直接从氨基酸序列构建蛋白质互作图生成基于约束的结构替代特征。在此基础上搭建BioGraphX-Net混合模型融合ESM-2进化尺度语言模型嵌入与本文自研特征并通过门控机制实现特征自适应融合。门控分析表明ESM-2嵌入贡献度较高但BioGraphX特征可作为高精度筛选模块SHAP可解释分析揭示模型具备严谨生物物理逻辑序列信号为全局排除过滤器细胞器专属理化特征组合实现精准区室区分冲突特征Frustration可解决复杂区室的定位歧义反映进化约束规避序列模拟造成的错定位。在蛋白质溶解度独立数据集交叉验证证明本文图编码可捕获真实维理化信号。此外BioGraphX大幅降低参数量至1346万实现生物信息绿色AI。综上BioGraphX兼顾预测精度与生命分子机制可解释性。特征消融实验XGBoost基准表4 特征消融实验指标与主流SOTA模型横向对比表5 各模型全局多标签性能对比独立HPA数据集泛化测试表6 HPA人类蛋白图谱测试集性能本文模型杰卡德0.54、微F1 0.59在跨物种、低序列相似样本上泛化能力优于绝大多数基线门控统计整体ESM贡献50.5%BioGraphX理化特征39.2%线粒体蛋白理化特征占比约40%高尔基体高度依赖进化序列信号。门控分布63.1%蛋白2路均衡贡献32.6%偏向ESM仅4.3%强依赖理化图特征。图3(A) 全局门控权重分布直方图(B) 各细胞器对BioGraphX特征依赖程度柱状图A 展示大部分蛋白进化与理化特征均衡融合B 质体、线粒体、过氧化物酶体理化特征贡献最高高尔基体、溶酶体依赖序列保守信号。蛋白质溶解度交叉验证验证结构替代假说表7 BioGraphX特征vs fGNNSolAlphaFold3三维模型仅用157维序列图特征、无深度学习溶解度预测AUC0.8428接近基于完整3维原子结构的fGNNSol0.898最重要特征为3元环拓扑计数Triangle_Count直接证明序列图可替代3维结构表征折叠堆积特征。SHAP可解释分析结果图4 十大细胞器前5关键特征条形图SHAP符号数值代表特征正负贡献多数靶向信号为排除型过滤器负贡献仅对应细胞器呈正向作用如膜信号对其余9类区均为负权重仅细胞膜预测为正。图5 六类双向切换特征柱状图Hydro_Corr_L6六残基疏水周期特征对胞外蛋白强正向对膜、溶酶体负向可区分进化相似分选信号解决定位混淆。图6 五大特征类别雷达图各细胞器特征贡献占比膜/细胞质以靶向信号为主内质网、高尔基体、细胞核拓扑与冲突特征大幅提升区分度过氧化物酶体均衡利用全部5类特征。数据DeepLoc、HPA、eSol数据集均为公开数据集完整BioGraphX代码、模型权重、推理脚本开源https://github.com/Abubakar-Saeed/BioGraphX详细总结思维导图5大类特征合计157维整体指标多标签任务参考Bioinform Adv. 2026 Jun 23;6(1):vbag181. doi: 10.1093/bioadv/vbag181.BioGraphX: bridging the sequence-structure gap via physicochemical graph encoding for interpretable subcellular localization prediction注AI辅助创作如有不当欢迎指出。内容仅供参考不构成任何建议。