用时间卷积网络预测关键蛋白质的深度学习框架

卢鹏丽¹，杨培实¹，廖永刚²

(1. 兰州理工大学 计算机与通信学院, 兰州 730050；2. 中国移动通信集团甘肃有限公司, 兰州 730070)

摘要: 关键蛋白质是细胞不可缺少的组成部分，并且在遗传病诊断和药物开发中发挥着极其重要的作用。因此，关键蛋白质的预测受到了研究人员的广泛关注。许多中心性方法和机器学习算法已经被提出来预测关键蛋白质。然而，中心性方法学习到的拓扑特征不够全面，导致准确率较低。此外，机器学习算法需要足够的先验知识来选择特征，解决不平衡分类问题的能力有待进一步加强。这两个因素极大地影响了预测关键蛋白质的性能。在本文中，我们提出了一种基于时间卷积网络的深度学习框架，通过整合基因表达数据和蛋白质相互作用（PPI）网络来预测关键蛋白质。我们利用网络嵌入的方法自动学习PPI网络中蛋白质更丰富的特征。对于基因表达数据，我们将其视为序列数据，并使用时间卷积网络提取序列特征。最后将两类特征融合在一起，放入多层神经网络中，完成最终的分类任务。通过与7种中心性方法、6种机器学习算法和2种深度学习模型进行比较，评估了我们方法的性能。实验结果表明，我们的方法比预测关键蛋白质的比较方法更有效。

关键词：时间卷积网络，node2vec，蛋白质相互作用网络，关键蛋白质，基因表达数据

扫描二维码全文浏览  

Cite this article:   Lu, P., Yang, P. & Liao, Y. Deep Learning Framework for Predicting Essential Proteins with Temporal Convolutional Networks. J. Shanghai Jiaotong Univ. (Sci.) 30, 510–520 (2025). https://doi.org/10.1007/s12204-023-2632-9