⏶11
PRING: 重新思考蛋白质-蛋白质相互作用预测，从对到图
发表
由 
Zhiyuan Liu 提交
Zhiyuan Liu 提交作者: 
Xinzhe Zheng, Hao Du, Fanding Xu, 
Jinzhe Li, Zhiyuan Liu, Wenkang Wang, Tao Chen, Wanli Ouyang, Stan Z. Li, Yan Lu, Nanqing Dong, Yang Zhang
Xinzhe Zheng, Hao Du, Fanding Xu, Jinzhe Li, Zhiyuan Liu, Wenkang Wang, Tao Chen, Wanli Ouyang, Stan Z. Li, Yan Lu, Nanqing Dong, Yang Zhang摘要
基于深度学习的计算方法在预测蛋白质-蛋白质相互作用（PPI）方面取得了可喜的成果。然而，现有基准主要侧重于孤立的成对评估，忽视了模型重建具有生物学意义的PPI网络的能力，而这对于生物学研究至关重要。为了弥补这一空白，我们引入了PRING，这是首个从图级别视角评估蛋白质-蛋白质相互作用预测的综合基准。PRING整理了一个高质量、多物种的PPI网络数据集，包含21,484种蛋白质和186,818个相互作用，并设计了完善的策略来解决数据冗余和泄漏问题。在此黄金标准数据集的基础上，我们建立了两种互补的评估范式：（1）拓扑导向任务，评估物种内和跨物种的PPI网络构建；以及（2）功能导向任务，包括蛋白质复合体通路预测、GO模块分析和必需蛋白质鉴定。这些评估不仅反映了模型理解网络拓扑结构的能力，而且有助于蛋白质功能注释、生物模块检测乃至疾病机制分析。对序列相似性、朴素序列、蛋白质语言模型和结构等四类代表性模型进行了大量实验，结果表明，当前的PPI模型在恢复PPI网络的结构和功能特性方面存在潜在局限性，凸显了其在支持实际生物应用方面的不足。我们相信PRING为社区开发更有效的PPI预测模型提供了一个可靠的平台。PRING的数据集和源代码可在https://github.com/SophieSarceau/PRING获取。
基于深度学习的计算方法在预测蛋白质-蛋白质相互作用（PPIs）方面取得了可喜的成果。然而，现有基准主要侧重于孤立的成对评估，忽视了模型重建具有生物学意义的PPI网络的能力，而这对于生物学研究至关重要。为了弥补这一空白，我们引入了PRING，这是首个从图层面评估蛋白质-蛋白质相互作用预测的综合基准。PRING整理了一个高质量、多物种的PPI网络数据集，包含21,484种蛋白质和186,818个相互作用，并采用精心设计的策略来解决数据冗余和泄露问题。在此黄金标准数据集的基础上，我们建立了两种互补的评估范式：（1）拓扑导向任务，评估物种内和跨物种PPI网络的构建；（2）功能导向任务，包括蛋白质复合体通路预测、GO模块分析和必需蛋白质验证。这些评估不仅反映了模型理解网络拓扑的能力，还促进了蛋白质功能注释、生物模块检测乃至疾病机制分析。对四类代表性模型——包括基于序列相似性、朴素序列、蛋白质语言模型和结构的方法——进行的大量实验表明，当前的PPI模型在恢复PPI网络的结构和功能特性方面存在潜在局限性，凸显了在支持真实世界生物学应用方面的差距。我们相信PRING为社区开发更有效的PPI预测模型提供了一个可靠的平台。PRING的数据集和源代码可在此网址获取。