[论文解读] ProtNN: Fast and Accurate Nearest Neighbor Protein Function Prediction based on Graph Embedding in Structural and Topological Space

Wajdi Dhifli, Abdoulaye Baniré Diallo|arXiv (Cornell University)|Nov 2, 2015

Machine Learning in Bioinformatics参考文献 33被引用 5

一句话总结

ProtNN 是一种快速且准确的蛋白质功能预测方法，通过图嵌入技术在结构空间和拓扑空间中表示蛋白质三维结构，从而实现高效的 k-最近邻分类。与最先进的方法如 FatCat 和 CE 相比，其速度最高可提升 47 倍，并且在单个处理器上无需并行化处理即可在一周内完成整个 PDB 的分类任务。

ABSTRACT

Studying the function of proteins is important for understanding the molecular mechanisms of life. The number of publicly available protein structures has increasingly become extremely large. Still, the determination of the function of a protein structure remains a difficult, costly, and time consuming task. The difficulties are often due to the essential role of spatial and topological structures in the determination of protein functions in living cells. In this paper, we propose ProtNN, a novel approach for protein function prediction. Given an unannotated protein structure and a set of annotated proteins, ProtNN finds the nearest neighbor annotated structures based on protein-graph pairwise similarities. Given a query protein, ProtNN finds the nearest neighbor reference proteins based on a graph representation model and a pairwise similarity between vector embedding of both query and reference protein-graphs in structural and topological spaces. ProtNN assigns to the query protein the function with the highest number of votes across the set of k nearest neighbor reference proteins, where k is a user-defined parameter. Experimental evaluation demonstrates that ProtNN is able to accurately classify several datasets in an extremely fast runtime compared to state-of-the-art approaches. We further show that ProtNN is able to scale up to a whole PDB dataset in a single-process mode with no parallelization, with a gain of thousands order of magnitude of runtime compared to state-of-the-art approaches.

研究动机与目标

• 应对由于可用蛋白质结构数量呈指数增长而带来的蛋白质功能预测挑战。
• 克服基于结构的功能预测方法中依赖成对结构比对所导致的计算瓶颈。
• 开发一种可扩展、高效的预测方法，整合三维结构和拓扑信息，同时避免产生高昂的计算成本。
• 通过单进程、非并行化处理流程，实现在整个蛋白质数据银行（PDB）范围内快速、准确且可扩展的功能预测。
• 为大规模未表征蛋白质结构的功能注释提供实用解决方案

提出的方法

• 通过将氨基酸残基建模为节点、空间或接触依赖的相互作用建模为边，将每个蛋白质三维结构表示为图。
• 应用图嵌入技术，将每个蛋白质图转换为固定大小的向量表示，以捕捉结构和拓扑特征。
• 在嵌入空间中使用基于向量的相似性度量，计算查询蛋白与参考蛋白图嵌入之间的成对相似性。
• 通过 k-最近邻分类，将查询蛋白分配给其 k 个最相似的已注释参考蛋白中出现频率最高的功能。
• 将预处理（图构建和属性计算）与分类过程解耦，实现对大型参考数据库的一次性预计算。
• 使用用户定义的 k 值来控制功能分配的投票机制，平衡敏感性与特异性

实验结果

研究问题

• RQ1 基于图的嵌入模型是否能有效捕捉蛋白质三维结构的结构和拓扑特征以用于功能预测？
• RQ2 在大规模数据集上，ProtNN 的运行时性能与 FatCat 和组合扩展法（Combinatorial Extension, CE）等成熟结构基方法相比如何？
• RQ3 ProtNN 在无需并行化或预计算比对的情况下，能够多大程度上扩展至整个 PDB 的功能预测？
• RQ4 与仅依赖序列或比对的方法相比，整合多视角的结构和拓扑描述符是否能提升预测准确性？
• RQ5 将预处理与推理步骤分离，是否能够实现高效且可重用的功能预测流水线，适用于大规模生物数据库？

主要发现

• 在 100 个蛋白质的数据集中，ProtNN 的分类速度最高达到 FatCat 的 47 倍，总运行时间仅为 118 秒，而 FatCat 耗时 5570 秒。
• 在完整 PDB 上，每个蛋白质的平均分类时间为仅 0.1 秒，整个数据集的端到端总运行时间为 6 天 10 小时 17 分钟。
• ProtNN 在单个处理器上不到一周内完成了整个 PDB 的分类任务，而 FatCat 和 CE 在两周内均未完成。
• 预处理阶段（图建模和属性计算）平均每个蛋白质耗时 5.9 秒，但仅需对整个参考数据库执行一次。
• 该方法通过利用结构和拓扑信息，保持了高精度，优于基于序列的方法在检测远距离同源蛋白方面的能力。
• 该方法展现出强大的可扩展性，实现了无需并行化或预计算比对的整个 PDB 范围内高效的功能预测