面向不同生物体的蛋白-蛋白相互作用预测的分层多标签对比学习
机器学习
2025-08-05 v3 生物大分子
摘要
近期的人工智能在科学领域的进展凸显了对比学习在异构生物学数据模态之间起到的作用。基于此范式，我们提出了 HIPPO (HIerarchical Protein-Protein interaction prediction across Organisms)，即一种用于蛋白-蛋白相互作用 (PPI) 预测的分层对比框架，通过多层次生物学表征匹配实现蛋白序列及其分层属性的对齐。该方法融合了分层对比损失函数，模拟蛋白功能类别之间结构关系。该框架通过数据驱动的惩罚机制自适应地纳入域和家族知识，确保学习得到的嵌入空间与蛋白功能层次结构的内在一致性。基准数据集上的实验表明，HIPPO 实现了最先进的性能，超越了现有方法，在低数据 regime 中表现出良好的鲁棒性。值得注意的是，该模型对其他物种实现强大的零样迁移，使其即使在实验数据有限的较不著名或稀有生物体中，也能可靠地进行 PPI 预测和功能推断。进一步的分析揭示，分层特征融合对于捕捉保守的相互作用决定因子（如结合 Motif 和功能注释）至关重要。该工作推进了跨物种 PPI 预测，提供了一个在稀疏或不平衡多物种数据情景下的统一框架。
引用
@article{arxiv.2507.02724,
title = {Hierarchical Multi-Label Contrastive Learning for Protein-Protein Interaction Prediction Across Organisms},
author = {Shiyi Liu and Buwen Liang and Yuetong Fang and Zixuan Jiang and Renjing Xu},
journal= {arXiv preprint arXiv:2507.02724},
year = {2025}
}