SGPPI: 使用GCN在严格条件下对蛋白质相互作用的结构感知预测【Briefings in Bioinformatics, 2023】

背景简述：

深度学习模型的出现极大地促进了蛋白质互作（PPI）的预测。由于蛋白结构有限，因此多数预测方法依赖于蛋白质序列信息（氨基酸理化性质、进化相似性）和蛋白质互作网络信息，而AlphaFold2的出现极大地增加了原子水平上的蛋白质结构数目，因此深度学习整合蛋白质结构特征有助于提升蛋白质互作预测。

研究目的：

On the other hand, it is therefore interesting to explore how the GCN representation of residue networks could better describe the inter- actions between specific protein pairs and predict specific PPIs.

研究思路：

就本文而言，作者开发了一个名为SGPPI的蛋白质互作预测方法。SGPPI利用Siamese network architecture分别对Protein A和Protein B进行特征提取，之后用2层GCN对这两个蛋白分别进行卷积处理得到两组特征矩阵，最后将这两组特征矩阵输入到全连接的前馈神经网络（fully connected feedforward neural network）中并用SoftMax进行处理得到互作预测打分 y_out 。

材料和方法：

数据集构建：

对数据集进行处理的原因：

In other words, a classical PPI prediction model, which was trained on a dataset with many frequently presented similar proteins, is prone to detect interactions as the consequence of over-representation of proteins that are more likely to be involved in PPIs (e.g. hubs in the PPI network) rather than predicting specific PPIs.

对数据集的处理方法：

To limit the influence of sequence similarity of proteins, the sequence redundancy of interacting proteins was removed by setting the sequence identity threshold to 40%.

数据集的处理结果：

三个来源的数据集（Profppikernel dataset、HuRI 和 Pan’s dataset），结果如下：

名称	物种	PPI数目
Profppikernel dataset	human and yeast	842 human PPIs and 746 yeast PPIs
HuRI human dataset	human	1706 PPIs
Pan’s dataset	human	1160 PPIs

正负样本构建：

10-fold cross-validation，上述三个数据集各自分为10组，每组进行随机抽样，使得正样本数目：负样本数目 = 1:10，从而确保每组中的样本在序列上是不相似的。

构建SGPPI框架：

SGPPI used a Siamese network architecture to represent and predict the interacting proteins, where each protein was characterized separately.
整体上是一个Siamese network architecture，可以分为Data Preparation和Model Training两部分。

Data Preparation：

数据准备部分主要是对蛋白的特征进行提取，原始输入是两个蛋白（Protein A和B）的序列和结构，特征提取过程可分为以下几步：（顺序是根据Python源码确定的）

1. 分别获取Protein A和B的氨基酸残基特征（利用feature_extract.py得到.features）：

1.1 进化信息（.pssm）：
利用 NCBI在线版本的 PSI-Basic Local Alignment Search Tool 比对 NR90 database，迭代三次，e-value设为0.0001，获得.pssm序列进化信息文件（pssm，position-specific scoring matrices）。

1.2 二级结构信息（dssp.txt）：
利用DSSP识别二级结构，输出结果有8种状态，然后用 One-hot 对这8种二级结构状态进行编码，得到dssp.txt文件。

1.3 蛋白质结构的局部和全局几何特征（.cv .cvlocal .atomAxs .axs）：
用JET2识别蛋白质互作界面，将界面区域分为3部分：seed、extension和outer layer。seed区域是通过计算蛋白质序列中氨基酸的保守性来确定的；之后在seed的基础上，根据残基的进化信息、界面特性以及圆方差（circular variances）对seed区域进行拓展，得到extension区。
根据JET2的结果，首先用0和1表示氨基酸残基是否在互作界面的区域上，并且用JET2计算的结果来反应原子（.atomAxs）和残基（.axs）水平上的可及性。之后用圆方差来衡量3D空间中某一固定点和周围邻居点集合之间的向量分布，得到全局圆方差.cv和局部圆方差.cvlocal，用来分别描述整个蛋白界面的几何特征和局部残基的几何特征。
同时保留JET2识别的潜在互作界面（.clusters）。

1. 关于JET2全局和局部特征获取参数（PMC4686965）：

2. 关于圆方差（Circular Variance）的理解：
我觉得是用来描述圆或球上点的分布情况，如果分布越集中，那么圆方差就越小，如果分布越分散，圆方差就越大。

1.4 将上述所有氨基酸特征保存在.features文件中。

2. 分别构建Protein A和B的邻接矩阵（利用adjmatrix_extract.py得到.adj）：

根据蛋白质结构中氨基酸残基的 C_alpha 之间的距离 < 10 埃来生成这些残基的邻接矩阵（.adj）（矩阵的行列一样，都是序列中的氨基酸，数值0或1表示某两个氨基酸之间在空间上的距离是否小于10埃），之后再将邻接矩阵转化为网络图谱。

3. 生成带有节点特征的无向图（利用SaveToDict.py得到sample_adj.pkl和sample_fea.pkl）：

根据邻接矩阵转化的无向图，将上述得到的氨基酸残基特征整合到无向图中，以字典的形式分别存储（sample_adj.pkl sample_fea.pkl）。
得到两个蛋白（Protein A 和 B）各自的 “Undirected graph with node features”（绿色 和 橙色），作为后续模型的输入。

Model Training：

带有节点特征的无向图 --> 2层GCN --> 节点特征取均值（FeatureAverage）–> Protein A和B的特征作 Hadamard product --> SoftMax获取y_out --> 计算precision、recall等。（train_model.py）

其他：

1. 文中提到的一些现有方法：

方法	原理
Profppikernel	基于进化图谱
PIPR	deep residual recurrent CNN
SigProd	3-mers + SVM
PIPE2	正样本中序列的子序列在蛋白对中出现次数越多，就认为互作（感觉类似于基于motif-domain互作来预测PPI）

2. 其他的编码方式：

AAC（amino acid composition ）：

一条序列中每种氨基酸出现的频率。

CKSAAP（Compositon of k-spaced Amino Acid Pairs）：

一条序列中，两个氨基酸组合在所有组合中出现的次数。k表示间隔，因为20种氨基酸可以产生 20x20 种组合，所以会产生一个长度为400的向量。具体参考 http://www.nohup.cc/article/110/ 和 https://bmcstructbiol.biomedcentral.com/articles/10.1186/1472-6807-7-25#Sec7。

3. 文中所用RF和SVM的参数设置：

方法	参数
RF + CKSAAP	n_estimators and max_depth : 300 and 12
RF + AAC	n_estimators and max_depth : 100 and 9
SVM	kernel function : rbf, the optimized C and gamma : 0.1 and 16