《Scientific Reports》：Deep learning framework with interpretable feature selection for accurate SUMOylation site prediction
编辑推荐：
本文报道了研究人员为提升SUMO化位点预测的准确性，开发了名为Hybrid-Sumo的深度学习模型。该模型整合了蛋白质结构（Half-Sphere Exposure, HSE）与序列（PSSM-DWT和BERT）特征，并采用SHAP算法进行可解释性特征选择，以深度神经网络（DNN）进行分类。经广泛验证，Hybrid-Sumo在基准及独立测试集上均展现出超越现有模型的优异性能（准确率高达99.74%），为研究蛋白质功能与翻译后修饰提供了强有力的计算工具。
在生命的微观世界里，蛋白质是执行几乎所有细胞功能的核心“分子机器”。为了精确调控这些机器的活性、定位与相互作用，细胞进化出了一套精密的“化学修饰”系统，其中一种关键方式被称为翻译后修饰（Post-translational modification, PTM）。SUMO化（SUMOylation），作为一种重要的PTM，通过将一种名为SUMO（Small Ubiquitin-like Modifier）的小蛋白连接到靶蛋白的特定赖氨酸（Lysine, K）位点上，宛如给蛋白质贴上一个功能标签，从而深刻影响其稳定性、亚细胞定位、转录活性以及参与多种疾病（如癌症、神经退行性疾病）的进程。因此，精准鉴定蛋白质上的SUMO化位点，对于理解生命活动的分子机制和疾病治疗靶点开发至关重要。
然而，传统的实验鉴定方法（如质谱分析、免疫共沉淀）往往耗时费力且成本高昂。于是，开发高效、准确的计算预测模型成为了生命科学与生物信息学领域的热点。尽管已有一些预测工具，但它们通常在特征提取的全面性（尤其是整合蛋白质结构信息方面）和模型的可解释性上存在局限。这意味着我们不仅需要更高的预测精度，还想知道模型是基于哪些“线索”（特征）做出判断的。为了解决上述问题，一组研究人员在《Scientific Reports》上发表了一项研究，他们开发了一个名为“Hybrid-Sumo”的新型深度学习框架，旨在通过融合多维度特征和引入可解释性分析，实现对SUMO化位点的更精准、更可靠的预测。
为构建并验证Hybrid-Sumo模型，研究人员采用了多种关键的计算生物学与机器学习技术。首先，从公共数据库（如GPS-SUMO）中获取了经过实验验证的SUMO化与非SUMO化位点的基准数据集，并准备了用于独立测试的平衡与非平衡数据集，以全面评估模型性能。在特征工程方面，他们整合了三类高级特征提取技术来全面描述每个潜在的SUMO化位点：1）Half-Sphere Exposure (HSE)，用于刻画赖氨酸残基在蛋白质三维结构中的局部空间暴露程度；2）Position-Specific Scoring Matrix with Discrete Wavelet Transform (PSSM-DWT)，结合了进化保守性信息（PSSM）和信号处理技术（DWT）来分析序列模式；3）Bidirectional Encoder Representations from Transformers (BERT)，一种先进的自然语言处理模型，用于从蛋白质序列中学习深层次的上下文语义特征。随后，他们引入了SHapley Additive exPlanations (SHAP) 算法对融合后的高维特征进行优化选择，以增强模型的可解释性并提升效率。最后，采用深度神经网络 (Deep Neural Network, DNN) 作为分类器，对经过SHAP筛选后的最优特征集进行训练和预测，并严格采用10折交叉验证来评估模型的稳定性和泛化能力。
结果
模型性能评估
通过广泛的10折交叉验证，Hybrid-Sumo模型在基准数据集上取得了令人瞩目的99.74% 的预测准确率。为了进一步检验其泛化能力，研究团队在两个独立的测试集上进行了评估：在平衡的独立数据集上，准确率达到96.15%；在更接近真实生物场景（正负样本比例不均）的非平衡独立数据集上，准确率也达到了95.83%。这些性能指标均显著优于当时已有的其他SUMO化位点预测模型。具体而言，与现有最佳模型相比，Hybrid-Sumo将训练准确率提升了1.45%，在平衡与非平衡独立测试集上的准确率分别提升了1.90% 和0.25%。
特征重要性分析
利用SHAP算法进行的特征重要性分析揭示了哪些特征对模型的预测决策贡献最大。结果显示，来自BERT模型提取的深层序列特征以及HSE所代表的蛋白质结构暴露度特征在区分SUMO化与非SUMO化位点时扮演了最关键的角色。这一分析不仅证实了整合结构信息的必要性，也使得Hybrid-Sumo的预测过程变得可解释，研究人员能够理解模型做出特定预测所依据的生物学或物理化学“理由”。
模型优势与比较
研究通过详细的对比实验证实了Hybrid-Sumo的优越性。其高性能主要归功于多维度特征的融合策略（序列、进化、结构）以及基于SHAP的可解释性特征选择。后者有效地从高维特征空间中筛选出最具判别力的信息，避免了冗余和噪声干扰，从而使得后续的DNN分类器能够更高效、更准确地进行学习。
结论与讨论
本研究成功开发并验证了Hybrid-Sumo，一个融合了蛋白质结构（HSE）与序列（PSSM-DWT, BERT）多维特征，并采用SHAP算法进行可解释性特征选择的深度学习模型，用于精准预测SUMO化位点。该模型在多个数据集上均展现了卓越且稳健的预测性能，其准确率超越了现有方法。
这项研究的重要意义在于多个方面：首先，在方法论上，Hybrid-Sumo创新性地将蛋白质三维结构局部环境特征（HSE）与先进的序列表示学习（BERT）相结合，为PTM位点预测提供了更全面的特征视角。其次，引入SHAP算法进行特征选择，不仅提升了模型性能，还赋予了模型宝贵的可解释性，这是向“透明化”人工智能迈出的重要一步，有助于生物学家理解预测背后的生物学逻辑。最后，在应用层面，Hybrid-Sumo作为一个强大而可靠的计算工具，能够极大地加速SUMO化相关的研究进程。研究人员可以利用它快速、低成本地筛选潜在SUMO化位点，进而指导后续的实验验证，深化对蛋白质SUMO化修饰在细胞信号传导、疾病发生发展（如癌症、神经性疾病）中作用机制的理解，并为基于PTM的药物靶点发现提供新的线索。总之，这项工作为翻译后修饰的生物信息学研究提供了一个高性能且可解释的新范式。
