植物泛素化位点预测新突破：基于多编码器与集成深度学习框架的PKE-Ubsite模型

针对传统泛素化位点(Ubsites)鉴定方法耗时费力的问题，来自国内的研究团队开发了集成深度学习框架PKE-Ubsite。该模型创新性融合pKcode特征编码与BiLSTM/CNN/RF多分类器，在独立测试中取得AUC 0.9103的优异性能，为植物蛋白质翻译后修饰(PTM)研究提供高效计算工具。

　　

泛素化(ubiquitylation)作为关键蛋白质翻译后修饰(PTM)，通过调控蛋白质结构功能参与多种疾病进程。传统实验鉴定方法面临成本高、周期长的瓶颈，而现有计算模型多局限于传统机器学习。

研究团队提出创新特征编码方案pKcode，仅需7种氨基酸(AA)理化特征即可精准捕获泛素化位点周围的生化环境与序列定位。进一步整合PSDAAP、AAC和PWAA构建pKPAP复合编码体系，形成多维特征表征。

核心模型PKE-Ubsite采用集成学习策略，并行部署三套双向长短期记忆网络(BiLSTM)、卷积神经网络(CNN)和随机森林(RF)分类器，通过投票机制实现协同预测。测试表明，该模型准确率达0.8368，F1-score 0.8430，AUC曲线下面积达0.9103，性能显著超越现有方法。

该框架为植物泛素化机制研究提供高效计算工具，有望加速相关疾病靶点发现与药物开发进程。