🧬 生物学

ProteoKnight: Image-Based Encoding for Phage Virion Protein Classification and Uncertainty Estimation

本文介绍了 ProteoKnight，这是一种基于图像的编码方法，它通过改进 DNA-Walk 算法以实现对噬菌体病毒蛋白的准确二分类，并引入了蒙特卡洛丢弃法（Monte Carlo Dropout）来量化预测不确定性，在实现具有竞争力的准确率的同时，揭示了蛋白质类别和序列长度如何影响置信水平。

原作者： Md. Ishrak Khan, Abir Ahammed Bhuiyan, Samiha Afaf Neha, Md. Khalilur Rahman, Jannatun Noor

发布于 2026-11-05

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Md. Ishrak Khan, Abir Ahammed Bhuiyan, Samiha Afaf Neha, Md. Khalilur Rahman, Jannatun Noor

原始论文采用 CC BY 4.0 许可（https://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

在生物学的微观世界中，被称为噬菌体的病毒是地球上数量最丰富的生命形式，尽管它们只感染细菌。这些微小的入侵者由包裹在蛋白质外壳中的遗传物质核心组成。科学家们将这些结构性的构建模块称为噬菌体病毒蛋白（phage virion proteins）。识别哪些蛋白质作为外壳而哪些不是，是研究人员的一项关键任务。了解这些蛋白质的结构有助于开发治疗细菌感染的新疗法、理解细菌如何进化，甚至管理食品安全。然而，随着现代技术允许科学家同时读取数百万种这类病毒的遗传密码，数据的巨大容量已经超过了人工分类的能力。识别这些蛋白质的传统方法速度缓慢、成本高昂，并且在面对遗传序列高度多变时往往显得力不从心。为了跟上步伐，研究人员正转向计算机，学习如何自动识别这些模式，将遗传密码不仅视为字母列表，更是一种可以被可视化和分析的模式。

来自孟加拉国布拉克大学（BRAC University）和联合国际大学（United International University）的一个研究小组开发了一种新方法，以帮助计算机理解这些病毒蛋白。他们创建了一个名为 ProteoKnight 的工具，该工具能将构成蛋白质的氨基酸线性序列转化为视觉图像。研究人员不再向计算机输入长串文本，而是将每种氨基酸转化为一个特定的彩色点，并根据一套规则将其排列在网格上。这个过程被称为“骑士编码”（Knight Encoding），其灵感来源于一种用于 DNA 序列的旧方法。在这个新系统中，计算机从图像中心开始向外移动，为序列中的每个氨基酸放置一个彩色点。移动的方向取决于氨基酸的类型，而距离是固定的。如果路径触及图像边缘，它会重置到中心并继续前进。结果是，每种蛋白质都会生成一张独特的、色彩斑斓的地图，其中点的排列揭示了分子的底层结构。

研究人员通过将这些蛋白质图谱输入被称为卷积神经网络（CNN）的强大计算机程序来测试这种视觉方法。这些程序本身就是识别照片中模式的专家，研究小组对它们进行了改造，使其能够识别这些蛋白质图谱中的模式。他们利用一个包含超过 35,000 个噬菌体蛋白示例和近 47,000 个非噬菌体蛋白示例的海量数据集对系统进行了训练。当被要求仅仅判断一种蛋白质是否为噬菌体病毒蛋白时，该系统的表现非常出色，正确识别蛋白质的准确率约为 89%。这一水平与现有的最佳方法相当，但它是通过一个更简单、更高效、且需要更少计算能力的计算机模型实现的。研究还表明，虽然该系统在进行这种二元选择时表现出色，但在被要求将蛋白质分为八个不同的特定类别（例如区分病毒的尾部和头部）时，其确定性较低。

除了获得正确答案之外，研究人员还对计算机对其答案的把握程度感兴趣。在许多实际应用中，给出一个低置信度的正确答案与给出一个错误的答案一样具有风险。为了衡量这一点，团队使用了一种技术，即让同一个蛋白质图像多次通过计算机，每次都使用略微不同的内部设置。通过观察计算机在这些运行过程中的答案波动情况，他们可以计算出一个不确定性得分。他们发现，当处理较短的蛋白质序列以及识别非噬菌体蛋白时，计算机通常表现得更加自信。相反，在分析较长的序列或真实的噬菌体蛋白时，它表现出了更多的犹豫和变异性。这表明，虽然该系统是一个强大的工具，但在处理某些特定类型的数据时，它需要额外的谨慎。研究人员指出，视觉编码方法有时会导致在较长序列中出现点重叠，这可能会干扰计算机并导致这种较低的置信度。

ProteoKnight 团队的工作为研究病毒蛋白提供了一个全新的视角。通过将文本转化为图像，他们为在生物学中使用视觉识别工具打开了一扇新的大门。他们的研究结果表明，这种方法是快速筛选海量遗传数据以寻找对病毒生命至关重要的结构蛋白的一种非常有效的方式。虽然该系统在区分每一种蛋白质结构方面尚未达到完美，但它为未来的改进提供了坚实的基础。这种不仅能对这些蛋白质进行分类，还能衡量分类置信度的能力，为科学家提供了一种判断数据可靠性的新方法。随着噬菌体疗法和细菌研究领域的不断发展，像这样的工具对于将海量的遗传信息转化为关于微观世界的实践知识将至关重要。

“ProteoKnight：基于图像编码的噬菌体病毒蛋白分类与不确定性估计”技术摘要

问题陈述
准确预测噬菌体病毒蛋白（PVPs）对于基因组研究、药物合成和疾病诊断至关重要，然而由于序列保守性低以及传统实验方法成本高昂，噬菌体蛋白的注释一直是一个瓶颈。虽然机器学习提供了计算替代方案，但现有方法面临两个主要局限性：

编码效率低下： 传统方法通常依赖一维特征提取（如 k-mer 频率）或基于图像的表示形式（如频率混沌游戏表示法，FCGR）。作者指出，虽然基于 FCGR 的编码非常有效，但由于其紧凑的变换特性，往往会丢失序列中固有的空间信息。
缺乏不确定性量化： 深度学习模型往往会产生过度自信的预测，尤其是在面对未见数据时。在对安全性要求极高的生物应用领域，目前缺乏关于 PVP 分类中预测不确定性的研究，这使得研究人员缺乏衡量模型针对特定序列类型可靠性的指标。

方法论
本研究引入了 ProteoKnight，这是一个包含新型编码策略、深度学习分类流水线以及不确定性估计模块的框架。

Knight 编码（Knight Encoding）： 其核心创新是一种借鉴自 DNA-Walk 算法的图像化编码技术。与依赖 k-mer 频率的 FCGR 不同，Knight 编码将蛋白质序列视为二维随机游走。
- 机制： 每种氨基酸被分配一个唯一的颜色和一个特定的角度，基于一个二十面体（Icosagon），其顶点间隔为 18°。
- 过程： 从 $M \times M$ 图像的中心开始，算法为每个氨基酸绘制一个彩色点。下一个点的位置是相对于前一个点通过极坐标（ $x = r \cos \theta$ , $y = r \sin \theta$ ）计算得出的，并使用固定的半径步长。如果某个点超出了图像边界，该游走将重置到中心。这种方式保留了氨基酸的顺序性和空间关系。
分类模型： 编码后的图像被输入到预训练的卷积神经网络（CNN）中。本研究评估了多种架构，包括 GoogLeNet、EfficientNetV2 和 MobileNetV3，利用迁移学习在编码数据集上对这些模型进行微调。
不确定性估计： 为了量化预测置信度，作者采用了 蒙特卡洛丢弃法（Monte Carlo Dropout, MCD）。在推理过程中，保持丢弃层处于激活状态（丢弃率为 20%），模型会对每个输入进行多次随机前向传播（ $T$ $T$ 次）。
- 指标： 预测不确定性通过 softmax 概率的方差和 $T$ 个样本之间的熵来衡量。高方差或高熵意味着低置信度（认识不确定性/epistemic uncertainty）。
- 分析： 研究按类别（PVP 与非 PVP）和长度（短序列与长序列）对序列进行分类，以分析这些因素如何影响模型置信度。

关键结果

二分类性能： 所提出的方法在二分类（PVP 与非 PVP）任务中取得了具有竞争力的结果。
- GoLeNet： 实现了约 88.6% 的准确率，其中 PVPs 的 F1 分数为 89.87%，非 PVPs 的 F1 分数为 89.0%。
- EfficientNetV2： 实现了略高的 91.2% 准确率。
- 这些结果与 PhaVIP（使用 FCGR 和视觉 Transformer）等最先进的方法相当，但使用了参数更高效的 CNN。
多分类性能： 多分类表现欠佳，准确率在 72% 到 78% 之间波动。作者将其归因于编码方法，即氨基酸点可能会在图像中的相同位置发生收敛或重叠，这种空间歧义在复杂的多分类场景中比在二分类场景中更具破坏性。
不确定性发现：
- 模型在预测 PVP 序列时表现出较低的置信度（较高的方差），相比之下，非 PVP 序列的置信度较高。
- 序列长度： 与短序列相比，较长的序列通常显示出更高的预测方差（较低的置信度）。
- 熵分析： 非 PVP 和短序列的熵值较低，这证实了方差的发现。研究识别出了高方差样本（表明低置信度），这表明这些特定序列在进行注释前需要进一步的人工评估。

意义与主张
本文声称 ProteoKnight 提供了一种新型的、基于图像的序列编码替代方案，成功缓解了与 FCGR 相关的空间信息丢失问题。通过将 DNA-Walk 算法适配于蛋白质，研究证明了二维图像表示能够有效地捕捉实现高准确率二分类所需的特征，并能使用标准的 CNN 实现。

此外，该研究开创了在 PVP 分类中应用不确定性量化的先河。它确立了预测置信度在不同蛋白质类型之间并非均匀分布：具体而言，PVP 和长序列与较高的不确定性相关联。这一洞察为研究人员提供了验证标准，强调了尽管模型可能达到高准确率，但某些序列类型（如长 PVP）可能会产生低置信度的预测，从而需要额外的审查。作者总结道，尽管多分类性能需要通过解决点重叠问题来进行改进，但 Knight 编码与不确定性分析的结合，为计算生物学中的噬菌体蛋白注释提供了一个稳健且高效的工具。

类似论文