综述：机器学习算法预测宿主-病原体相互作用的范围审查

这篇综述系统评价了机器学习(ML)在宿主-病原体相互作用(HPI)预测中的应用进展，重点分析了树模型(RF/GB)和深度学习(CNN/RNN)的优劣，指出蛋白互作(PPI)预测中序列特征的主导地位，同时强调数据集标准化和模型可解释性仍是当前主要挑战。

　　

背景
疾病由病原微生物引发并持续威胁全球健康，病原体通过复杂的分子机制劫持宿主系统。理解宿主-病原体相互作用(HPI)，尤其是蛋白质-蛋白质相互作用(PPI)，对开发治疗策略至关重要。实验方法虽必要但耗时昂贵，而人工智能(AI)和机器学习(ML)的进步为高效预测HPI提供了新工具。

方法
这篇范围审查系统分析了2019-2024年间46项研究，最终纳入30篇文献。研究按宿主类型(人类/动物/植物)和病原体类型(病毒/细菌/真菌)分类，机器学习算法分为经典算法(LR/KNN/NB)、树模型(DT/RF/GB/XGB)、向量机(SVM)和神经网络(ANN/CNN)。数据来自HPIDB、BioGRID等生物数据库，评估指标包括准确率(ACC)和马修斯相关系数(MCC)。

研究亮点
• 树模型表现突出：随机森林(RF)在人类-病毒互作预测中准确率达87%，梯度提升(GB)在植物-真菌互作中达85%
• 深度学习潜力与局限：CNN模型Deep-HPI-pred虽实现93%准确率，但依赖海量标注数据
• 特征工程趋势：82%研究采用序列特征，而结构特征仅占38%，其中SARS-CoV-2刺突蛋白与ACE2受体互作成为典型案例

关键发现
人类病原体互作预测准确率最高(平均91%)，动物和植物相关研究仅占32%。值得注意的是：

1. 蛋白互作网络特征显著提升模型性能，如使用PsePSSM编码的PPISP-XGBoost模型
2. 跨物种预测中，模型对H1N1和埃博拉病毒的泛化能力较弱
3. 新兴的ECA-PHV模型结合双向门控循环单元(BiGRU)和1D-CNN，在人类-病毒PPI预测中达到98%准确率

挑战与展望
当前面临三大瓶颈：

• 数据异质性：不同实验室的PPI检测标准差异导致20-35%的假阳性
• 特征选择：仅23%研究整合了理化特征(如等电点)和基序(motif)信息
• 模型黑箱问题：除RF外，多数深度学习模型缺乏可解释性

未来应重点开发融合多组学数据的混合模型，同时建立标准化评估框架。正如新冠病毒(SARS-CoV-2)研究中发现的N501Y突变体增强RBD结合案例所示，动态更新训练数据对应对病原体进化至关重要。

应用价值
已部署的5个Web应用(如Deep-HPI-pred)和3个GitHub项目显示，这些预测工具正加速药物靶点发现。在肝炎C病毒研究中，SVM模型通过PCA降维后准确率达88%，显著缩短了候选药物筛选周期。

结论
机器学习已证明其在HPI预测中的变革性价值，但下一阶段需要生物学家与AI研究者的深度协作，特别是在构建跨物种通用模型和实时预测系统方面。随着单细胞测序和冷冻电镜技术的发展，整合结构生物学特征的下一代预测模型有望突破现有精度瓶颈。