Nat Commun丨蛋白-蛋白相互作用的层次图学习

大家好，今天分享的文献是2023年2月发表在Nature Communications上的“Hierarchical graph learning for protein-protein interaction”。

作者介绍：

本文通讯作者是香港科技大学化学系的黄勇教授（左）和大数据分析系的助理教授李佳（右），黄勇教授的主要研究方向包括对应选择性反应 、药物化学、有机化学；李佳教授的主要研究方向包括图学习、数据挖掘和面向科学的人工智能。

研究背景：

蛋白-蛋白相互作用（protein-protein interaction, PPI）在细胞信号传导、基因表达调控、蛋白质复合物形成等过程中发挥重要作用。然而，由于PPI的生物实验成本较高，近年来基于深度学习的PPI预测框架被广泛研究，如卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network, RNN）和图神经网络（Graph Neural  Network, GNN）等。然而，这些网络框架建模单个蛋白质结构或者整个蛋白质作用网络，没有同时考虑底部蛋白质空间结构信息和顶部蛋白质相互作用信息。本文成功地融合了蛋白质的结构特征和整个蛋白质网络的链路特征，提出名为HIGH-PPI的模型，其性能超过现阶段最佳模型。

图1. HIGH-PPI总体框架图

模型设计：

HIGH-PPI由顶视图（Top view）和底视图（Bottom view）组成，分别被用于学习蛋白质网络链路特征和蛋白质内部结构特征（图1）。作者提取了Protein Data Bank数据库中的蛋白质结构信息，并把蛋白质残基中的Cα原子作为节点，若两个Cα原子的距离小于10 Å，则此节点对间就存在边。此外，作者将氨基酸的7种物化性质作为特征，得出单个蛋白质图的特征矩阵。该特征矩阵和邻接矩阵被传入HIGH-PPI模型中的底视图进行学习。底视图存在两层图卷积网络块（Graph Convolutional Network Block，GCN Block），经训练后会得到单个蛋白质表示，该表示作为单个蛋白在顶视图层级的节点特征。

此外，作者提取了STRING数据库中SHS27k蛋白-蛋白作用类型信息。在顶视图中，单个蛋白质代表单个节点，蛋白-蛋白相互作用类型代表节点之间的边，从而构成顶视图层级网络。该网络进入三个图同构网络块（Graph Isomorphism Network Block，GIN Block）学习特征并得出蛋白-蛋白相互作用类型。

图2. HIGH-PPI具体网络结构图

结果与讨论：

（1）HIGH-PPI 展现出最佳的性能、鲁棒性和泛化性

图3. HIGH-PPI 模型性能、鲁棒性、泛化性比较图：（a）精准召回曲线（b）数据扰动后的性能曲线（c）对未知蛋白质上的性能曲线

为了测试模型的性能、鲁棒性和泛化性，作者进行实验验证。首先从SHS27k中构建包含约1600种蛋白质、6600个PPI的数据集并随机选择 20% PPI 进行测试，并将HIGH-PPI 与GNN-PPI、PIPR、Drug VQA和RF-PPI进行比较，发现在精准召回曲线（precision-recall curves）图中HIGH-PPI优于其他方法（图3a）。

为了测试鲁棒性，作者在原始数据集上生成9个存在数据扰动的数据集，扰动值由0.1递增至0.9，发现HIGH-PPI模型在假阳性率、假阴性率、错误发现率都更低、鲁棒性更好（表1）。

表1. 鲁棒性实验数据集数据扰动后模型性能表

为了测试模型的泛化性，作者寻找训练集和测试集外的蛋白质进行测试，并采用不同方法搜索未知蛋白，这些方法分别为深度优先搜索（Depth First Search，DFS）、广度优先搜索（Breath First Search，BFS）和随机搜索。此外作者调整未知蛋白在测试集中的比例，最终形成了BFS-0.3、BFS-0.4、DFS-0.3、DFS-0.4、R-0.65五个数据集。图3c中虚线部分是PIPR、Drug VQA和RF-PPI的性能最高值，发现HIGH-PPI泛化性能远大于这些方法，并全面超过基线方法GNN-PPI。

（2）底视图提升HIGH-PPI的性能                                  

为了验证底视图对HIGH-PPI性能提升的贡献，作者进行实验验证。首先对比了随机森林（random forest, RF）、RNN、CNN、Graph模型在（1）仅添加蛋白质序列信息和（2）同时添加蛋白质序列信息和3D结构信息条件下的性能，发现加入蛋白质3D结构信息使得所有模型性能得到显著提升（图4a）。为了检测模型的蛋白质结构接受容忍度，使用PDB中天然蛋白质结构和Alpha Fold计算的蛋白质结构进行评估。作者使用Alpha Fold生成6个存在误差的蛋白质3D结构测试集，并在HIGH-PPI模型上进行评估，发现即使RMSD误差达到8 Å时，HIGH-PPI也可维持较高性能（图4b）。作者通过移除特征并测试模型性能变化的方法从预选的12个特征中提取出7个对模型性能有最大贡献的特征，并将其对每一个PPI作用类型的重要程度可视化（图4c）。

图4. 底视图的实验图：（a）添加3D结构信息模型性能前后对比；（b）由Alpha Fold生成数据集测试模型性能；（c）特征重要性可视化

（3）顶视图提升HIGH-PPI的性能

为验证顶视图对HIGH-PPI性能提升的贡献，作者提取了模型训练阶段的度恢复（degree recovery）和社区恢复（community recovery）数据，并采用平均绝对误差和归一化互信息来表示度和社区的误差，发现MAE和NMI与HIGH-PPI模型性能存在相关性（图5a）。此外作者对比了HIGH-PPI和其它方法（图5b），发现HIGH-PPI展现出最高的性能。

图5. 顶视图实验图：（a）度恢复和社区恢复相关图（b）不同链路预测方法性能对比图

总结：

作者提出了一种分层级的蛋白-蛋白作用模型，即HIGH-PPI。该模型融合了蛋白质内部3D结构特征和外部网络链路特征，模型性能超过现阶段的其它模型。通过HIGH-PPI寻找蛋白质结合位点为湿实验提供指导，加快药物发现和蛋白质设计的速度。此外，分层思想可用于蛋白质以外的深度学习网络设计。

文献信息：

Gao, Z., Jiang, C., Zhang, J. et al. Hierarchical graph learning for protein–protein interaction. Nat Commun 14, 1093 (2023).  https://doi.org/10.1038/s41467-023-36736-1