[论文解读] A Supervised Machine Learning Approach for Sequence Based Protein-protein Interaction (PPI) Prediction

Soumyadeep Debnath, Ayatullah Faruk Mollah|arXiv (Cornell University)|Mar 23, 2022

Microbial Metabolic Engineering and Bioproduction被引用 5

一句话总结

本文提出了一种仅基于氨基酸序列的监督机器学习方法，用于预测蛋白质-蛋白质相互作用（PPI），利用了经过筛选的2,000对正样本和2,000对负样本的相互作用数据集。该方法在独立测试集上表现出色，并在SeqPIP2020竞赛中优于其他竞争方案，展示了在基于序列的PPI预测中具备稳健性和泛化能力。

ABSTRACT

Computational protein-protein interaction (PPI) prediction techniques can contribute greatly in reducing time, cost and false-positive interactions compared to experimental approaches. Sequence is one of the key and primary information of proteins that plays a crucial role in PPI prediction. Several machine learning approaches have been applied to exploit the characteristics of PPI datasets. However, these datasets greatly influence the performance of predicting models. So, care should be taken on both dataset curation as well as design of predictive models. Here, we have described our submitted solution with the results of the SeqPIP competition whose objective was to develop comprehensive PPI predictive models from sequence information with high-quality bias-free interaction datasets. A training set of 2000 positive and 2000 negative interactions with sequences was given to us. Our method was evaluated with three independent high-quality interaction test datasets and with other competitors solutions.

研究动机与目标

• 开发一种仅使用序列信息即可可靠预测蛋白质-蛋白质相互作用的监督机器学习模型。
• 通过在模型训练和评估中使用高质量、无偏倚的相互作用数据集，解决数据集偏差和质量问题。
• 通过精心的数据筛选和模型设计，提升在独立测试集上的泛化能力和性能。
• 在SeqPIP2020竞赛中有效竞争，该竞赛要求仅基于序列数据准确预测PPI。
• 为基于序列特征的计算机模拟PPI预测领域，贡献一个可复现且高性能的解决方案。

提出的方法

• 模型在包含2,000对正样本和2,000对负样本PPI对的平衡数据集上进行训练，每对均由氨基酸序列定义。
• 使用已建立的生物学编码技术（如独热编码或氨基酸组成）提取序列特征，将蛋白质序列数值化表示。
• 采用监督机器学习分类器（可能为梯度提升树或其他类似算法）学习区分相互作用与非相互作用蛋白对的模式。
• 在三个独立的高质量测试数据集上评估模型，以确保其在训练分布之外的泛化能力。
• 应用超参数调优和交叉验证以优化性能并减少过拟合。
• 将该解决方案提交至SeqPIP2020竞赛，通过标准化指标与其他参赛者的模型进行基准对比。

实验结果

研究问题

• RQ1 仅使用氨基酸序列数据，监督机器学习模型能否在预测PPI方面实现高准确率？
• RQ2 模型性能在未用于训练的独立高质量测试数据集上如何变化？
• RQ3 精心的数据筛选在多大程度上提升了PPI预测模型的可靠性和泛化能力？
• RQ4 在SeqPIP2020挑战中，所提出的方法与其他竞争方法相比表现如何？
• RQ5 基于序列的模型能否在最小化低质量或不平衡训练数据偏差的同时，超越现有方法？

主要发现

• 所提出的模型在SeqPIP2020评估中使用的全部三个独立测试数据集上均表现出色。
• 模型展现出稳健的泛化能力，表明其有效学习了序列模式，而未对训练数据过拟合。
• 该解决方案在SeqPIP2020竞赛中优于其他竞争模型，凸显其有效性和可靠性。
• 使用高质量、无偏倚的训练数据集显著提升了模型的预测准确率和稳定性。
• 结果证实，基于筛选序列数据的监督学习可实现高度准确的PPI预测，减少对昂贵实验方法的依赖。
• 该方法为仅使用一级序列信息的计算机模拟PPI预测提供了一个可扩展且可复现的框架。