基于同源蛋白构建多层 PPI 网络并整合多 PageRank 算法识别关键蛋白：解锁细胞奥秘的新钥匙

为解决现有关键蛋白识别方法的局限，研究人员提出 MLPR 模型，实验证明其性能优异，助力相关研究。

　　在微观的细胞世界里，蛋白质就像一个个忙碌的 “小工匠”，各自承担着重要的任务。其中，有一些蛋白质被称为关键蛋白（Essential proteins），它们对于细胞的存活和正常运作至关重要，一旦缺失，细胞的功能就会受到严重影响，甚至 “罢工”。对关键蛋白的预测和研究，不仅能帮助我们深入了解细胞生存和生长调控的基本机制，还能为疾病机制的探索和药物研发提供关键线索。

然而，目前在这一领域的研究却遇到了不少难题。现有的关键蛋白识别方法大多局限于单个物种的蛋白质 - 蛋白质相互作用（PPI，Protein - Protein Interaction）网络，没有充分利用不同物种之间蛋白质的同源关系。要知道，同源蛋白往往在多个物种间高度保守，它们就像细胞世界里的 “通用零件”，在不同物种中发挥着相似的重要功能。如果能利用好这些同源关系，将有助于更准确地识别关键蛋白。此外，一些构建多层 PPI 网络的方法，仅仅基于两个物种间的同源关系构建层间连接，却没有考虑到这些连接的生物学意义，也没有将同源关系扩展到更多物种，导致对层间连接重要性的评估不够准确。

为了解开这些谜团，来自吉林大学的研究人员展开了一项重要研究。他们提出了一种名为 MLPR（Multilayer PPI Networks based on Homologous Proteins and Multiple PageRank）的全新模型，旨在通过构建基于同源蛋白的多层 PPI 网络，并整合多个 PageRank 算法来更精准地识别关键蛋白。该研究成果发表在《BMC Bioinformatics》上。

研究人员在这项研究中用到了多个关键技术方法。首先，他们整合了酵母、果蝇和人类三个物种的多种生物数据，包括同源蛋白、基因表达、亚细胞定位和蛋白质复合物等信息，以此初始化蛋白质的分数。接着，构建多层 PPI 网络的层内和层间转移矩阵，在构建过程中综合考虑多种因素来确定矩阵权重。最后，基于多层 PPI 网络开发了多 PageRank 模型，并引入三个关键参数优化模型，还提出了两步优化策略调整参数。

下面来看看具体的研究结果：

• 统计指标和 Jackknife 曲线评估：研究人员使用敏感性（SN，Sensitivity）、特异性（SP，Specificity）、阳性预测值（PPV，Positive Predictive Value）、阴性预测值（NPV，Negative Predictive Value）、F 值（F - measure）和准确率（ACC，Accuracy）这六个统计指标，以及 Jackknife 曲线来评估 MLPR 模型的性能。结果显示，该模型在这些指标上表现优异，表明其在识别关键蛋白方面具有较高的准确性12。
• 消融实验：为了验证基于三个物种同源关系构建多层 PPI 网络的有效性，以及多 PageRank 模型在识别关键蛋白方面的优势，研究人员设计了一系列消融实验。实验结果表明，MLPR 算法在各项指标上均优于其他消融方法，证明了整合三个物种同源关系能有效提升算法的整体性能，突出了多 PageRank 模型的优势34。
• 与其他方法的性能比较：研究人员还将 MLPR 方法与传统方法（如 SIGEP、TS - PIN、RWEP、RWO、SESN）以及深度学习模型（DeepEP、MBIEP）进行了全面比较。结果显示，MLPR 在所有统计指标上均优于这些方法，在处理不平衡数据集时表现出更强的稳健性和综合性，有效避免了其他方法存在的偏差56。

研究结论和讨论部分指出，MLPR 模型利用同源蛋白关系、多生物数据和基于多层 PPI 网络的多 PageRank 模型，显著提高了关键蛋白识别的性能。它打破了传统方法的局限，为关键蛋白的研究开辟了新的道路。这一成果不仅有助于深入理解细胞生存和生长调控机制，还能为疾病机制研究和药物研发提供更准确的靶点信息，具有重要的理论和实践意义。未来，研究人员计划设计新模型自动学习多物种同源关系特征，并开发处理多类型生物数据的算法，进一步提升关键蛋白识别的性能，为生命科学和健康医学领域的发展贡献更多力量。