[论文解读] LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides

Gabriele Maroni, Filip Stojceski+4 more|arXiv (Cornell University)|May 31, 2024

RNA Interference and Gene DeliveryBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

LightCPPgen 提出了一种可解释的机器学习流程，结合基于 LightGBM 的预测模型与遗传算法，实现对细胞穿透肽（CPPs）的理性、高效且可解释的从头设计。通过利用20个可解释特征，并同时优化穿透能力和与亲本序列的相似性，该框架通过优先筛选高潜力候选序列，显著减少了湿实验筛选的工作量。

ABSTRACT

Cell-penetrating peptides (CPPs) are powerful vectors for the intracellular delivery of a diverse array of therapeutic molecules. Despite their potential, the rational design of CPPs remains a challenging task that often requires extensive experimental efforts and iterations. In this study, we introduce an innovative approach for the de novo design of CPPs, leveraging the strengths of machine learning (ML) and optimization algorithms. Our strategy, named LightCPPgen, integrates a LightGBM-based predictive model with a genetic algorithm (GA), enabling the systematic generation and optimization of CPP sequences. At the core of our methodology is the development of an accurate, efficient, and interpretable predictive model, which utilizes 20 explainable features to shed light on the critical factors influencing CPP translocation capacity. The CPP predictive model works synergistically with an optimization algorithm, which is tuned to enhance computational efficiency while maintaining optimization performance. The GA solutions specifically target the candidate sequences' penetrability score, while trying to maximize similarity with the original non-penetrating peptide in order to retain its original biological and physicochemical properties. By prioritizing the synthesis of only the most promising CPP candidates, LightCPPgen can drastically reduce the time and cost associated with wet lab experiments. In summary, our research makes a substantial contribution to the field of CPP design, offering a robust framework that combines ML and optimization techniques to facilitate the rational design of penetrating peptides, by enhancing the explainability and interpretability of the design process.

研究动机与目标

• 解决在最小化实验迭代的前提下，实现对细胞穿透肽（CPPs）的理性、高效且可解释的从头设计的挑战。
• 开发一种预测模型，识别影响 CPP 跨膜能力的关键物理化学与结构特征。
• 将机器学习与优化算法相结合，生成高性能 CPP 序列，同时保留原始肽段的生物学与物理化学特性。
• 通过仅优先筛选最具潜力的候选序列进行合成，减少湿实验验证的时间与成本。
• 通过特征重要性分析与模型可解释性，提升 CPP 设计过程的透明度。

提出的方法

• 基于从肽序列中提取的20个可解释特征，训练一个基于 LightGBM 的预测模型，以预测跨膜能力。
• 将该模型集成到遗传算法（GA）框架中，以在最大化与原始非穿透性肽序列相似性的同时，优化高穿透性评分。
• 优化过程平衡两个目标：最大化预测的穿透性，同时保留亲本序列的关键物理化学与生物学特性。
• 通过特征重要性分析解释模型预测结果，并识别决定 CPP 功能的关键因素。
• 该流程在计算机中生成候选序列，仅聚焦于预测性能优异的序列，从而最小化实验筛选量。
• 该框架计算效率高，可在不进行穷举枚举的情况下，快速探索序列空间。

实验结果

研究问题

• RQ1 哪20个可解释特征对细胞穿透肽的跨膜能力影响最大？
• RQ2 结合机器学习与优化算法的混合流程能否有效生成具有高预测性能的新 CPP 序列？
• RQ3 在提升穿透性的同时，设计过程在多大程度上能够保留原始肽段的物理化学与生物学特性？
• RQ4 将模型可解释性整合到设计过程中，如何提升 CPP 设计的合理性和透明度？
• RQ5 通过仅优先筛选最具潜力的候选序列，该流程能否显著减少所需湿实验的次数？

主要发现

• LightGBM 模型仅使用20个可解释特征，即实现了对 CPP 跨膜能力的高预测准确性。
• 特征重要性分析表明，电荷分布、疏水性以及二级结构倾向性是决定 CPP 效率的关键因素。
• 遗传算法成功生成了新型肽序列，其预测穿透性评分显著高于原始非穿透性肽。
• 优化后的序列在关键物理化学特性上与亲本序列保持高度相似，确保了稳定性和生物学相容性。
• 该流程通过仅聚焦于计算预测性能最优的候选序列，显著减少了需进行实验验证的序列数量。
• 将可解释性整合到设计过程中，使研究人员能够理解并验证序列选择背后的逻辑，从而增强信任度与可重复性。