🧬 biology

Better Protein Function Prediction by Modeling Survivorship Bias

本文介绍了 Evo-PU，这是一种正例 - 无标签学习框架，它通过进化突变过程显式地对生存者偏差进行建模，从而在预测多种病毒数据集中的蛋白质功能方面显著优于现有方法。

原作者： Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

发布于 2026-05-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

以下是用通俗语言和创意类比对论文《通过建模幸存者偏差改进蛋白质功能预测》的解释。

核心问题：“幸存者”陷阱

想象一下，你正试图学习如何烤出完美的蛋糕。你走进一家面包店，看着橱窗里展示的所有蛋糕。它们看起来都很美味，而且都卖得很好。你可能会得出结论：“好吧，所有的蛋糕都是好的。”

但这里有个陷阱：面包店会把所有烤焦、塌陷或味道糟糕的蛋糕在它们进入展示柜之前就扔掉。你从未见过那些失败品。如果你只试图从展示柜里的蛋糕中学习，你就无法理解为什么有些食谱会失败。你只看到了“幸存者”。

这正是科学家在研究蛋白质（生命的构建模块）时面临的问题。

自然的筛选：在自然界中，不起作用的蛋白质会被进化淘汰。只有那些有助于生物体生存和繁殖的蛋白质才会被遗传下来。
数据缺口：当科学家查看蛋白质数据库时，他们主要看到的是“赢家”（功能性蛋白质）。他们很少看到“输家”（非功能性蛋白质），因为这些蛋白质在自然界中从未被观察到。

这就造成了幸存者偏差。如果你只用“赢家”来训练计算机预测蛋白质功能，它就会感到困惑。它不知道一个稍微不同的蛋白质版本可能会彻底失败。

旧方案（及其不足之处）

科学家们曾试图解决这个问题，但他们忽略了一个关键细节：蛋白质是如何到达那里的？

标准的“正 - 未标记”（PU）学习：这就像说：“我们有一份好蛋糕的清单，还有一份神秘盒子的清单。让我们猜猜哪些神秘盒子里是坏蛋糕。”问题在于，这些方法假设每个神秘盒子都有同等的机会成为好蛋糕。它们没有考虑到蛋糕是如何制作的。
蛋白质语言模型（PLMs）：这就像是一个阅读了数百万本食谱的 AI，用来猜测什么样的食谱是好的。它们非常擅长发现一般模式，但有时会错过蛋白质执行特定任务（如特定的钥匙插入特定的锁）所需的特定、微小的细节。
单类分类：这就像一个只认识“好客人”长什么样、并把其他所有人都拒之门外的保镖。它太死板了，无法理解为什么某人没有被邀请的细微差别。

新方案：Evo-PU

作者创造了一种名为Evo-PU的新工具。可以把 Evo-PU 想象成一名侦探，它不仅看货架上的蛋糕，还会查看厨房和食谱书，以了解蛋糕是如何到达那里的。

核心理念：
Evo-PU 理解蛋白质是由更小的部分核苷酸（就像单词中的字母）构建而成的。

类比：想象你有一个非常常见的单词，比如"CAT"（猫）。
- 如果你改变一个字母变成"BAT"（蝙蝠），这非常可能已经有人写下过这个词了，因为从"CAT"变到"BAT"很容易。如果你没有在字典里看到"BAT"，那很可能是因为"BAT"没有意义（它是非功能性的）。
- 然而，如果你试图把"CAT"变成"XYZZY"（一个随机的、复杂的字符串），几乎不可能有人只是偶然写下过它。如果你没有见过"XYZZY"，那不是因为它是个坏词；只是因为它太难偶然出现了，所以还没有人尝试过。

Evo-PU 的工作原理：

追踪“路径”：Evo-PU 查看“祖先”（我们已经知道的常见蛋白质），并计算出将它们突变成新版本有多容易。
调整概率：
- 如果一个新蛋白质与常见蛋白质仅一步之遥，而我们尚未见过它，Evo-PU 会认为：“这很可能是一个失败品。如果它有效，我们早就发现它了。”
- 如果一个新蛋白质与任何常见蛋白质都相距甚远，而我们尚未见过它，Evo-PU 会认为：“我们没见到它仅仅是因为它很罕见，而不是因为它坏了。”
结果：通过模拟这种“突变路径”，Evo-PU 能够区分一个蛋白质缺失是因为它不好，还是因为它罕见。

结果：它奏效了吗？

该团队在流感病毒、呼吸道合胞病毒（RSV）和SARS-CoV-2等病毒上测试了 Evo-PU。他们要求它预测：

病毒的哪些部分有助于其粘附到人类细胞上？
哪些部分有助于其躲避我们的免疫系统？
未来可能会出现哪些新的病毒变种？

结论：

在监测良好的病毒中：对于我们有大量数据的病毒（如流感），Evo-PU 是明确的赢家。它击败了所有其他方法（标准 PU 学习、单类分类器和语言模型）。它成功预测了哪些突变会有效，哪些会失败。
在多样化数据集中：当他们在包含许多不同生物体的庞大混合数据集（ProteinGym）上测试它时，Evo-PU 没有获胜。作者解释说，这是因为他们的方法依赖于确切知道病毒感染宿主的次数（流行率）。在混合数据集中，这些数据杂乱无章或缺失，因此这位“侦探”失去了一些线索。

总结

这篇论文认为，要预测蛋白质是否有效，你不能只看“幸存者”的名单。你必须理解它到达那里所经历的进化旅程。

旧方法：“我看到了一个蛋白质。它好吗？我会根据它的外观来猜测。”
Evo-PU 方法：“我看到了一个蛋白质。我知道它距离一个常见蛋白质仅一次突变。既然我还没有见过这个特定的突变，它很可能是一个失败品。但如果它是一个奇怪的、复杂的突变，我会给它一个机会，因为它很难被发现。”

通过考虑蛋白质在自然界中出现的可能性，Evo-PU 能够更清晰地描绘出哪些蛋白质真正具有功能，哪些是进化的死胡同。

技术摘要：通过建模幸存者偏差提升蛋白质功能预测

问题陈述

源自自然的蛋白质序列数据因进化和实验选择过程而固有地存在偏差。这种幸存者偏差导致功能序列在数据集中被系统性过代表，而非功能突变则被自然选择或实验方案（例如生物淘选）过滤掉。因此，蛋白质功能预测通常面临**正 - 未标记（PU）**学习场景：观测到的序列已知具有功能（正样本），而未观测到的序列则未标记——它们可能具有功能但未被观测到，也可能确实无功能。

现有的 PU 学习方法通常假设所有序列具有恒定的类别先验（即未标记序列真正为正样本的概率）。这一假设在生物学上是不现实的，因为序列被观测到的概率取决于其进化可及性。与那些需要多个同时突变才能产生的序列相比，距离流行变异仅一步突变的序列更有可能产生并被观测到。标准方法未能考虑这种变异性，从而限制了其预测性能。此外，虽然蛋白质语言模型（PLMs）能够捕捉进化约束，但它们通常从观测分布中推断统计模式，而未明确建模决定哪些变异缺失的突变路径和监测过程。

方法论：Evo-PU

作者提出了Evo-PU，这是一个 PU 学习框架，通过进化 informed、序列依赖的类别先验显式建模幸存者偏差。核心见解是：功能核苷酸序列若更接近自然界中流行的序列，则更有可能被观测到，因为它们可以通过可行的突变路径产生。

1. 概率数据生成过程

Evo-PU 通过三个阶段形式化了观测过程：

出现（ $E$ ）： 核苷酸序列 $y$ 通过突变从祖先序列产生。
功能性（ $A$ ）： 该序列编码功能性蛋白质。
观测（ $O$ ）： 该序列以概率 $p_o$ 被监测过程检测到。

观测到氨基酸序列 $x$ 的似然推导如下：
$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$
其中：

$p_a(x; \theta)$ 是估计功能概率的分类器。
方括号内的项代表序列依赖的类别先验，捕捉功能序列 $x$ 被观测到的概率。
$p_e(y; \alpha)$ 是核苷酸序列 $y$ 通过突变从观测到的祖先中产生的概率。

2. 核苷酸出现模型

为了估计 $p_e(y; \alpha)$ ，模型假设观测到的核苷酸序列（ $D_Y$ ）作为祖先。未观测序列 $y$ 的出现概率基于以下因素计算：

突变距离： 从祖先 $y'$ 突变到 $y$ 的概率，区分转换（更常见）和颠换（较少见）。
流行度： 祖先 $y'$ 在观测数据中的频率，记为 $c(y')$ 。
缩放： 超参数 $\alpha$ 缩放有效出现率，以考虑生殖失败等因素。

出现概率近似为：
$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$

3. 高效似然近似

由于未观测序列空间的指数级大小，长序列的似然精确计算是不可行的。Evo-PU 采用了一种高效近似：

它将未观测序列集合（ $\hat{D}'_X$ ）限制为那些由观测数据经单核苷酸突变生成且具有高出现概率（ $p_e > \epsilon$ ）的序列。
它将任何氨基酸序列的编码核苷酸集合 $Y(x)$ 限制为观测到的核苷酸与可能出现的核苷酸的交集。
这使得可以使用标准基于梯度的方法对对数似然函数进行可行优化。

4. 实现细节

分类器： 该框架与分类器架构无关，但在实验中利用了逻辑回归（LR）和 Wide & Deep（WD）神经网络。
表示： 序列使用氨基酸的物理化学性质（CHEM）进行编码，以实现连续优化。
训练： 模型通过最大化带有 $L_2$ 正则化的近似对数似然，联合估计分类器参数 $\theta$ 、监测效率 $p_o$ 和出现缩放因子 $\alpha$ 。

主要贡献

新颖框架： 引入 Evo-PU，这是首个结合核苷酸突变科学理解、通过序列依赖类别先验建模幸存者偏差的 PU 学习框架。
生物学基础： 与假设恒定类别先验的标准 PU 方法不同，Evo-PU 显式建模了突变可及性和流行度如何共同决定观测概率。
可扩展近似： 开发了一种高效近似方法，专注于生物学上合理的、核苷酸衍生的变体，使大规模序列空间的似然计算变得可行。
全面评估： 在单生物病毒数据集（流感病毒、呼吸道合胞病毒、SARS-CoV-2）和多生物基准（ProteinGym）上进行了严格测试。

实验结果

作者在三个单生物任务（预测流感病毒、呼吸道合胞病毒和 SARS-CoV-2 中的功能基序）和两个多生物 ProteinGym 基准上评估了 Evo-PU。

单生物任务： Evo-PU consistently 优于标准 PU 学习方法（Protein-PU, 2Step）、单类分类（OCC）方法（OC-SVM, iForest）以及蛋白质语言模型（PLMs，如 EVE, ESM-1v, kNN-ESM2）。
- 在预测流感病毒融合和结合基序、呼吸道合胞病毒 HRC 基序以及未来 SARS-CoV-2 变异出现方面取得了显著改进。
- 在 SARS-CoV-2 出现任务中，Evo-PU 在预测功能概率与观测变异频率之间实现了最高的斯皮尔曼相关系数（ $\rho$ ）。
多生物任务（ProteinGym）： 在异构数据集（PSAE 和 A0）上，基于 PLM 的方法表现最强。作者将 Evo-PU 在此类场景下性能下降归因于其专为监测良好的单生物数据设计，以及假设所有序列具有相等的流行度，这限制了其建模异构监测率的能力。

意义与主张

该论文声称，Evo-PU 提供了一种原则性方法来建模蛋白质数据库中的幸存者偏差，推进了对生物化学和生物学的科学理解。通过将核苷酸水平的突变和自然选择显式嵌入观测模型，该方法为氨基酸序列提供了具有生物学基础的似然。

作者指出，这项工作具有潜在的积极影响：

药物发现： 加速治疗靶点的识别和有效生物制剂的设计。
生物材料： 指导具有所需特性的蛋白质工程。
基础研究： 提供一个框架，以便在存在选择偏差的情况下更好地理解蛋白质序列与功能之间的关系。

该论文适度承认了局限性，指出当前模型未考虑插入或缺失，并且将框架扩展以处理异构可观测性和缺乏流行度信息的数据集仍是未来的工作方向。它还强调了负责任使用的必要性，以防止设计危险的蛋白质序列。