#今日论文推荐# 用语言模型学习表示蛋白质的功能特性

#今日论文推荐# 用语言模型学习表示蛋白质的功能特性

以数据为中心的方法已被用于开发用于阐明蛋白质未表征特性的预测方法；然而，研究表明，这些方法应进一步改进，以有效解决生物医学和生物技术中的关键问题，这可以通过更好地代表手头的数据来实现。新的数据表示方法主要从在自然语言处理方面取得突破性改进的语言模型中汲取灵感。最近，这些方法已应用于蛋白质科学领域，并在提取复杂的序列-结构-功能关系方面显示出非常有希望的结果。

在这项研究中，土耳其中东科技大学（Middle East Technical University）的研究人员，首先对每种方法进行分类/解释，然后对它们的预测性能进行基准测试，对蛋白质表示学习进行了详细调查：（1）蛋白质之间的语义相似性，（2）基于本体的蛋白质功能，（3）药物靶蛋白家族和（4）突变后蛋白质-蛋白质结合亲和力的变化。

这项研究的结论将有助于研究人员将基于机器/深度学习的表示技术应用于蛋白质数据以进行各种预测任务，并激发新方法的发展。

蛋白质科学是一门广泛的学科，它通过实验室实验（即蛋白质组学）和计算方法（例如分子建模、机器学习、数据科学）分析单个蛋白质以及生物体的整个蛋白质组，最终创建准确且可重复使用的方法用于生物医学和生物技术。蛋白质信息学可以定义为蛋白质科学的计算和以数据为中心的分支，通过它对蛋白质的定量方面进行建模。

蛋白质的功能表征对于开发新的有效的生物医学策略和生物技术产品至关重要。截至 2021 年 5 月，UniProt 蛋白质序列和注释知识库中约有 2.15 亿条蛋白质条目；然而，其中只有 56 万份（约 0.26%）由专家手动审查和注释，这表明当前的排序（数据生产）和注释（标签）能力之间存在很大差距。

这种差距主要是由于从湿实验室实验及其手动管理中获得结果的成本较高，同时具有时间密集性。为了补充基于实验和管理的注释，使用计算机方法势在必行。在这种情况下，许多研究小组一直致力于开发新的计算方法来预测蛋白质的酶活性、生物物理特性、蛋白质和配体相互作用、三维结构以及最终的功能。

蛋白质功能预测（PFP）可以定义为自动或半自动地将功能定义分配给蛋白质。生物分子功能的主要术语被编入基因本体论（GO）系统；这是一个概念的分层网络，用于注释基因和蛋白质的分子功能，以及它们的亚细胞定位和它们所涉及的生物过程。

PFP 最全面的基准项目是功能注释的关键评估（CAFA）挑战；在该项目中，参与者预测一组目标蛋白的基于 GO 的功能关联，这些目标蛋白的功能后来通过手动调节确定，用于评估参与预测因子的性能；迄今为止的 CAFA 挑战表明，PFP 仍然是一个开放的问题。

以前的研究已经表明，复杂的计算问题，其中特征是高维的并且具有复杂/非线性关系，适合基于深度学习的技术。这些技术可以有效地从嘈杂的高维输入数据中学习与任务相关的表示。因此，深度学习已成功应用于计算机视觉、自然语言处理和生命科学等各个领域。

生物分子的特征（例如，基因、蛋白质、RNA 等）应被提取并编码为定量/数值向量（即表示），以用于基于机器/深度学习的预测建模。给定生物分子的原始和高维输入特征，表示模型将该特征向量计算为该生物分子的简洁和正交表示。经过优化训练的监督预测系统可以有效地学习数据集中样本的特征，并使用这些表示作为输入来执行预测任务（例如，序列上的 DNA 结合区域、生化特性、亚细胞定位等）。

蛋白质表示方法可以分为两大类；（1）经典表示（即模型驱动的方法），使用预定义的属性规则生成，例如基因/蛋白质之间的进化关系或氨基酸的物理化学性质，以及（2）数据驱动的表示，使用统计和机器学习算法（例如人工神经网络）构建，这些算法针对预定义任务进行训练，例如预测序列上的下一个氨基酸。

之后，训练模型的输出——即表示特征向量——可以用于其他与蛋白质信息学相关的任务，例如功能预测。从这个意义上说，表示学习模型利用了知识从一个任务到另一个任务的转移。这个过程的广义形式被称为迁移学习，据报道它在时间和成本方面是一种高效的数据分析方法。因此，蛋白质表示学习模型最大限度地减少了对数据标记的需求。

蛋白质表示学习是一个年轻但高度活跃的研究领域，主要受到自然语言处理 (NLP) 方法的启发。因此，蛋白质表示学习方法在文献中经常被称为蛋白质语言模型。之前的研究表明，各种蛋白质表示学习方法，尤其是那些结合了深度学习的方法，已经成功地提取了蛋白质的相关固有特征。

尽管有研究评估学习的蛋白质表示模型，但需要进行全面的调查和基准测试，以便在学习蛋白质的多个方面（包括基于本体的功能定义、语义关系、家族和相互作用）的背景下系统地评估这些方法。

在新的研究中，中东科技大学的研究人员对自 2015 年以来提出的可用蛋白质表示学习方法进行了全面调查，并通过详细的基准分析测量了这些方法捕获蛋白质功能特性的潜力。

涵盖了经典和基于人工学习的方法，并深入了解了它们各自代表蛋白质的方法。研究人员根据它们的技术特征和应用对这些方法进行分类。

论文题目：Learning functional properties of proteins with language models
详细解读：https://www.aminer.cn/research_report/62fd03d67cb68b460f058514https://www.aminer.cn/research_report/62fd03d67cb68b460f058514
AMiner链接：https://www.aminer.cn/?f=cs