KEMP-PIP：基于特征融合的前炎性肽预测方法
定量方法
2026-02-25 v1 机器学习
摘要
前炎性肽（PIPs）在免疫信号传递和炎症反应中发挥着关键作用，但由于实验检测成本高昂且耗时，故难以识别。为此，我们提出了KEMP-PIP——一种集成深度蛋白嵌入与手工特征描述子以实现稳健前炎性肽预测的混合机器学习框架。该方法将来自预训练ESM蛋白语言模型的上下文嵌入，与多尺度k-配子频率、理化描述子及modlAMP序列特征相结合。通过特征剪枝和带类权重的逻辑回归处理高维度和类别不平衡问题，采用集成平均与优化决策阈值以增强灵敏度与特异性之间的平衡。通过系统化的消融研究，我们展示，集成互补特征集合始终可提高预测性能。在标准基准数据集上，KEMP-PIP实现了MCC为0.505、准确率为0.752和AUC为0.762，超越ProIn-fuse、MultiFeatVotPIP和StackPIP。相对于StackPIP，这些结果分别实现了MCC提升9.5%、准确率和AUC提升4.8%。KEMP-PIP网页服务器已开放访问于https://nilsparrow1920-kemp-pip.hf.space/，完整实现代码于https://github.com/S18-Niloy/KEMP-PIP提供。
引用
@article{arxiv.2602.20198,
title = {KEMP-PIP: A Feature-Fusion Based Approach for Pro-inflammatory Peptide Prediction},
author = {Soumik Deb Niloy and Md. Fahmid-Ul-Alam Juboraj and Swakkhar Shatabda},
journal= {arXiv preprint arXiv:2602.20198},
year = {2026}
}
备注
11 pages, 4 figures, 6 tables; includes web server and GitHub implementation