TIPred-MVFF：多视图特征融合策略助力酪氨酸酶抑制肽精准预测

在皮肤色素沉着相关研究中，酪氨酸酶抑制肽（TIPs）的预测面临挑战。研究人员开展 TIPs 预测研究，提出 TIPred-MVFF 方法。结果显示该方法预测准确性高，能助力发现新型 TIPs，为相关领域研究提供有力工具。

　　在我们的身体里，有一种神奇的色素 —— 黑色素，它决定着头发、眼睛和皮肤的颜色。黑色素的产生离不开酪氨酸酶的催化作用。不过，当黑色素生成过多时，就可能引发各种皮肤问题，比如黄褐斑、雀斑和老年斑等。为了控制皮肤色素沉着，酪氨酸酶抑制肽（TIPs）成为了研究的热点。TIPs 能够调节酪氨酸酶的活性，在化妆品、皮肤病学和制药等领域有着巨大的应用潜力。

然而，目前 TIPs 的研究面临着一些困境。虽然已经有一些基于机器学习的模型被用于预测 TIPs，但它们的预测性能并不理想。主要原因在于可用的 TIPs 数量较少，而且存在学习不平衡的问题。此外，现有的实验技术在高通量筛选 TIPs 时，既耗时又昂贵。因此，开发一种能够快速、准确地识别 TIPs 的计算方法迫在眉睫。

为了解决这些问题，来自 Mahidol University 等研究机构的研究人员展开了深入研究。他们提出了一种创新的计算方法 ——TIPred-MVFF，旨在仅利用序列信息就能精准预测 TIPs。这项研究成果发表在《Scientific Reports》上，为 TIPs 的研究带来了新的突破。

研究人员在研究过程中用到了几个关键的技术方法：首先是数据集构建，他们从多个来源收集 TIPs 和非 TIPs，经过筛选构建出高质量数据集，并划分训练集和独立测试集；其次是特征编码和学习，运用序列 - 基于特征描述符和混合 - 基于特征编码方案提取特征，并结合多种机器学习算法进行分析；再者是采用重采样方法解决数据不平衡问题；最后通过多视图特征融合策略，融合不同特征构建预测模型，并使用 10 折交叉验证和独立测试评估模型性能。

研究结果

1. 氨基酸偏好分析：通过对 TIPs 进行氨基酸组成分析，发现 Cys、Tyr、Arg、Phe 和 Gly 是 TIPs 中最重要的五种氨基酸。这些氨基酸在 TIPs 中的含量显著高于非 TIPs，其差异具有统计学意义（p < 0.05）。这一结果与以往研究中发现的 TIPs 中常见的氨基酸组成相吻合，表明这些氨基酸在 TIPs 抑制酪氨酸酶的过程中可能起着关键作用。
2. 重采样方法的效果：研究人员评估了四种不同重采样方法对不平衡数据集的影响。结果显示，在 10 折交叉验证测试中，使用合成少数过采样技术（SMOTE）和上采样方法训练的支持向量机（SVM）分类器，平均马修斯相关系数（MCC）分别达到 0.547 和 0.530；在独立测试中，上采样和无重采样方法的平均 MCC 值分别为 0.586 和 0.582。综合来看，上采样方法对缓解类别不平衡问题最为有效，因此研究人员在后续模型构建中采用了该方法。
3. 不同特征表示的性能：研究人员对比了基于序列的特征和基于混合的特征在 TIP 预测中的性能。在基于序列的特征中，氨基酸组成（AAC）、两亲性伪氨基酸组成（APAAC）等表现较为突出；而在基于混合的特征中，概率特征（PF）、类别特征（CF）及其组合特征（CPF）的平均交叉验证 MCC 值分别为 0.797、0.901 和 0.861，明显优于基于序列的特征。这表明基于混合的特征，尤其是 PF，在 TIP 预测中具有更高的有效性。
4. TIPred-MVFF 的优化：研究人员利用多视图特征融合（MVFF）策略，将 PF 与不同的基于序列的特征融合，构建了多个多视图特征（MVF）。经过两步特征选择方法优化后，发现 MVF2_FS 表现最佳。在交叉验证中，其 BACC、MCC 和 AUC 分别达到 0.983、0.954 和 0.998；在独立测试中，相应的值为 0.921、0.847 和 0.968。这表明 MVF2_FS 能够充分利用基于序列和基于混合的特征优势，有效提升 TIP 预测性能。
5. TIPred-MVFF 的性能评估：将 TIPred-MVFF 与传统机器学习分类器和现有方法进行比较，结果显示 TIPred-MVFF 在准确率（ACC）、平衡准确率（BACC）、特异性（Sp）、MCC 和 AUC 等指标上均表现出色。在独立测试中，TIPred-MVFF 的 ACC 为 0.937，MCC 为 0.847，AUC 为 0.968，明显优于其他方法。这充分证明了 TIPred-MVFF 在精准识别 TIPs 方面的有效性和稳健性。
6. 模型解释：研究人员使用 Shapley 加性解释（SHAP）方法分析了 TIPred-MVFF 模型中不同特征的重要性及其与预测输出的相互作用。结果发现，一些与非极性或疏水性氨基酸位置、溶剂可及性、极性、二级结构等相关的特征对 TIP 活性有重要影响。这为深入理解 TIPs 与酪氨酸酶的相互作用机制提供了理论依据，有助于设计更有效的基于肽的抑制剂。

研究结论与讨论

本研究成功开发了基于 MVFF 策略的 TIPred-MVFF 计算方法，显著提高了 TIPs 的预测准确性。通过构建高质量数据集、采用新的特征表示方法和多视图特征融合策略，TIPred-MVFF 在与其他方法的比较中展现出明显优势。这一成果对于快速、经济地发现具有强酪氨酸酶抑制活性的新型肽具有重要意义，有望为治疗色素沉着相关疾病提供新的思路和方法。

不过，研究也存在一些可改进之处。未来研究人员计划收集更多 TIPs 数据，构建更全面的基准数据集；利用多源预训练的蛋白质语言模型生成序列嵌入；结合其他先进的机器学习和深度学习框架，如深度堆叠策略和迭代特征表示；应用数据增强技术解决不平衡训练数据集问题；开发用户友好的网络服务器，方便 TIPred-MVFF 的广泛应用。这些改进措施将进一步提升 TIPs 预测的准确性和实用性，推动相关领域的发展。