[论文解读] Combination of digital signal processing and assembled predictive models facilitates the rational design of proteins

David Medina-Ortiz, Sebastián Contreras+5 more|arXiv (Cornell University)|Oct 7, 2020

Machine Learning in Bioinformatics参考文献 57被引用 5

一句话总结

该论文提出了一种新颖的方法，结合数字信号处理（通过快速傅里叶变换）与集成机器学习模型，以提升蛋白质工程预测性能。通过使用AAIndex中优化的理化性质分组对氨基酸序列进行聚类和编码，该方法将序列转化为频域表示，从而通过集成建模实现更优的预测表现——在多种蛋白质设计任务中，其性能优于单一编码模型及先前方法。

ABSTRACT

Predicting the effect of mutations in proteins is one of the most critical challenges in protein engineering; by knowing the effect a substitution of one (or several) residues in the protein's sequence has on its overall properties, could design a variant with a desirable function. New strategies and methodologies to create predictive models are continually being developed. However, those that claim to be general often do not reach adequate performance, and those that aim to a particular task improve their predictive performance at the cost of the method's generality. Moreover, these approaches typically require a particular decision to encode the amino acidic sequence, without an explicit methodological agreement in such endeavor. To address these issues, in this work, we applied clustering, embedding, and dimensionality reduction techniques to the AAIndex database to select meaningful combinations of physicochemical properties for the encoding stage. We then used the chosen set of properties to obtain several encodings of the same sequence, to subsequently apply the Fast Fourier Transform (FFT) on them. We perform an exploratory stage of Machine-Learning models in the frequency space, using different algorithms and hyperparameters. Finally, we select the best performing predictive models in each set of properties and create an assembled model. We extensively tested the proposed methodology on different datasets and demonstrated that the generated assembled model achieved notably better performance metrics than those models based on a single encoding and, in most cases, better than those previously reported. The proposed method is available as a Python library for non-commercial use under the GNU General Public License (GPLv3) license.

研究动机与目标

• 为解决蛋白质工程中预测氨基酸突变功能影响的挑战。
• 克服单一编码方法在性能与通用性之间权衡不足，或序列编码策略缺乏共识的问题。
• 开发一种可泛化的、数据驱动的方法，从AAIndex数据库中选择有意义的理化性质分组用于序列编码。
• 利用数字信号处理（特别是FFT）对编码序列进行处理，以提取适用于机器学习的判别性频域特征。
• 通过基于不同性质编码训练的多个模型的加权投票或平均，提升预测准确性。

提出的方法

• 对AAIndex数据库应用聚类、嵌入和降维（PCA），以识别理化性质的同质分组。
• 通过语义搜索和PCA空间中的线性分离（PCA1/PCA2平面），筛选出八个独特且语义一致的性质分组。
• 使用每组的第一主成分（解释方差超过85%）表示该组，从而为每个序列生成简化且有意义的编码。
• 对编码序列应用快速傅里叶变换（FFT），将其转换为频域表示，作为模型输入。
• 在频域空间中开展探索性机器学习阶段，测试各类算法和超参数组合在每种编码类型下的表现。
• 将每种编码组中表现最佳的模型通过加权平均或投票方式集成，形成最终的集成模型，以增强泛化能力和预测性能。

实验结果

研究问题

• RQ1 能否从AAIndex数据库中自动提取出有意义且非冗余的理化性质分组，以改善蛋白质预测的序列编码？
• RQ2 通过FFT将序列编码转换为频域是否能提升机器学习模型在蛋白质工程任务中的性能？
• RQ3 基于不同性质编码训练的模型集成是否能实现优于单个模型的预测性能？
• RQ4 与现有最先进工具相比，该方法在多种蛋白质预测任务中的准确率、精确率和泛化能力表现如何？
• RQ5 通过加权投票或平均方式进行模型集成在多大程度上能带来预测性能的协同提升？

主要发现

• 在分类抗菌肽（AMPs）与非AMPs的任务中，该方法达到了98.93%的准确率和97.28%的精确率，优于单一编码模型。
• 集成模型的表现显著优于任何单一编码训练的模型，表明模型组合具有协同效应。
• 编码序列的频域表示（傅里叶谱）在视觉和定量上均清晰区分了AMPs与非AMPs，支持高精度分类。
• 该方法在多个蛋白质工程数据集上实现了最先进性能，结果持续优于经典方法，并在特定情况下匹配或超越高度专业化的工具。
• 使用PCA降维后的、基于特定性质分组的编码实现了稳健的特征提取，其中第一主成分在每组中均解释了超过85%的方差。
• 最终集成模型在多样化预测任务中表现出良好的泛化能力，证明了该方法在真实蛋白质工程应用中的可泛化性与鲁棒性。