《Journal of Chemical Information and Modeling》：Struct2GO-Enhanced: Multimodal Graph Attention Improves Protein Function Prediction
编辑推荐：
本文系统介绍了Struct2GO-Enhanced模型在蛋白质功能预测领域的突破性进展。通过创新性地引入图卷积块注意力模块（Graph-CBAM）、完善的多模态特征融合策略以及双头自注意力池化机制，显著提升了基于AlphaFold2结构的基因本体（GO）注释预测性能，特别是在生物过程（BP）和细胞组分（CC）分支表现出卓越的改进（Fmax提升2.9%，AUPR提升3.9%），为结构生物信息学提供了更完整的解决方案。
引言
蛋白质功能预测是计算生物学领域的核心挑战，对理解生物机制和指导药物发现具有重要意义。近年来AlphaFold2在蛋白质结构预测领域的突破性进展，为结构信息建模方法奠定了基础，显著提高了功能推断的准确性。Struct2GO作为首个系统整合AlphaFold2预测蛋白质结构与图神经网络（GNN）及自注意力池化的模型，在传统基于序列和蛋白质相互作用（PPI）的方法上实现了性能超越。然而，现有模型仍存在多模态特征融合不完整、注意力机制对结构-功能关系捕捉有限等关键局限性。
材料与方法
数据预处理
研究采用与前期工作相同的人类蛋白质数据集，包含23,391个AlphaFold2预测的蛋白质结构，从EMBL-EBI数据库获取。基因本体（GO）注释来源于官方GO数据库，筛选出20,395个具有实验证据支持的高质量注释。通过GO层次结构的传递闭包规则进行标签传播，最终得到三个GO分支的过滤标签集：生物过程（BP）650个标签，分子功能（MF）315个标签，细胞组分（CC）281个标签。
蛋白质结构表示
接触图构建遵循Struct2GO和StructSeq2GO的方法，将AlphaFold2预测的三维结构转换为二维接触图。当氨基酸Cα原子间的欧几里得距离小于10?时定义接触边，这种基于图的表示保留了蛋白质的空间邻接关系。
增强的多模态节点特征
本研究的关键改进在于实现了完整的多模态特征融合策略。Node2vec结构嵌入通过偏置随机游走生成30维结构嵌入，转移概率由超参数p和q调节。氨基酸化学特征采用26维one-hot编码，其中20维对应标准氨基酸，6维编码非标准或模糊残基。通过拼接Node2vec嵌入和one-hot编码形成56维节点特征，同时保留蛋白质拓扑结构和氨基酸化学特性。
序列特征提取
采用预训练的SeqVec模型提取1024维序列嵌入，该模型结合CharCNN模块捕捉局部氨基酸特征和BiLSTM语言模型学习上下文信息。选择SeqVec是为了与Struct2GO保持架构一致性，确保与前期结构-序列模型的公平比较。
Struct2GO-Enhanced架构
模型整体工作流程包含七个层次，从结构预处理到多模态融合、基于注意力的增强和GO分类。核心创新包括Graph-CBAM注意力机制和双头自注意力池化策略。
Graph-CBAM注意力机制
图通道注意力对节点特征矩阵X∈RN×56通过图级池化操作生成通道注意力权重。通过图级平均池化和最大池化操作，识别最重要的特征通道。图空间注意力则计算每个节点特征维度的统计量，生成节点级空间注意力权重，突出关键氨基酸残基的重要性。通道注意力和空间注意力顺序应用，实现蛋白质结构特征的双重增强。
双头自注意力池化
为解决原始SAGPool注意力机制的不稳定性，设计双头自注意力池化策略。通过两个独立的图卷积层产生注意力分数，取平均值后根据池化比例k选择重要节点。这种池化机制通过平均两个独立图卷积层的注意力分数，实现更稳定的节点重要性评估，提高了图池化的鲁棒性。
结果
实验设置
人类蛋白质数据集按8:1:1比例划分为训练集、验证集和测试集。使用AUC、AUPR和Fmax三个广泛采用的指标评估性能，与主流基线方法进行比较。
性能比较
在BPO分支，Struct2GO-Enhanced将Fmax从0.481提升至0.495，AUC从0.873提升至0.885。CCO分支的Fmax从0.658提升至0.659，AUC从0.942提升至0.947，AUPR从0.763显著提升至0.793。MFO分支虽然AUC保持竞争力，但Fmax从0.701降至0.660，这可能反映了MFO分支功能定义更明确、标签分布相对平衡的特性。与DeepFRI和GAT-GO等同样利用结构信息的方法相比，本模型在BPO和CCO分支表现出明显优势。
消融研究
消融实验证实了各组件的重要性。排除结构特征导致所有分支性能大幅下降，BPO分支Fmax从0.495降至0.330，CCO分支从0.659降至0.464。移除one-hot特征同样损害性能，BPO分支Fmax降至0.334，CCO分支降至0.510。消除Graph-CBAM模块也引起显著性能退化，BPO分支Fmax降至0.339，CCO分支降至0.533。这些结果验证了完整多模态特征融合和注意力机制的有效性。
讨论
Graph-CBAM注意力机制代表了注意力机制从计算机视觉到生物信息学中GNN的首次成功适配。该机制通过双阶段细化提供比单阶段节点注意力更丰富的表示能力，通过将学习到的重要性分数与特定残基联系起来提高可解释性。双头自注意力池化模块与标准多头GAT池化和分层池化方案有本质区别，在图形汇总阶段产生两个独立的节点重要性分数，通过平均降低对随机变化的敏感性。
多模态特征融合的完整实现整合了Node2vec衍生的结构嵌入和氨基酸one-hot编码，遵循信息互补原则：Node2vec捕捉全局拓扑模式，one-hot编码保留固有的残基级化学特性。实验分析揭示了GO类别的分支特异性改进，BP分支表现出最大的性能增益，这与生物过程通常涉及多蛋白质合作和复杂空间组织的事实一致。CC分支也显示出稳定的改进，AUPR从0.763增加到0.793，这主要归因于空间注意力机制更精确地捕捉亚细胞定位信号。
研究局限性包括计算成本相对原始模型增加约40-50%，训练时间延长，内存使用增加约30%，这反映了基于注意力的架构中常见的权衡。模型性能强烈依赖于AlphaFold2预测的质量，对于内在无序蛋白质或膜蛋白可能可靠性较低。实验主要集中于人类蛋白质，模型的跨物种泛化能力仍有待验证。
未来研究方向包括开发针对GO分支的专门架构，整合分子动力学模拟的动态结构信息，通过将注意力权重与功能位点数据库链接来增强生物可解释性，以及通过模型压缩、分布式计算和实时预测系统进行工程优化。
结论
本研究通过三项创新克服了原始框架的关键局限性：Graph-CBAM首次将卷积块注意力适配到GNN中实现细粒度结构特征识别；完整的多模态特征融合整合Node2vec嵌入和one-hot编码，捕捉拓扑和化学信息；双头自注意力池化机制实现更鲁棒的节点重要性评估。在人类蛋白质数据集上的实验证明了跨GO分支的一致性改进，在BP和CC分支表现显著增益，消融研究确认了结构特征、Graph-CBAM和one-hot编码的关键贡献。该模型对PPI网络中缺失的蛋白质特别有效，突出了其实际价值，为分支特异性优化和先进注意力机制的未来发展指明了方向。
