最近要做蛋白活性口袋预测，在算法和程序选择上犯了难，最后找到一篇很好的 Paper，里面基本上解答了我的疑惑，并且给出了很好的预测方法：Comparative evaluation of methods for the prediction of protein–ligand binding sites | Journal of Cheminformatics | Full Text
选择基础几何预测器 (Base Geometric Prediction)
论文中显示，高性能的组合方法（如 DeepPocketRESC 和 fpocketPRANK）都选择 fpocket 的输出作为起点，几何方法在识别空腔方面快速且可靠，运行基础工具，生成一组未经过滤和重新排名的原始候选口袋，每个口袋都会有一个原始分数
处理冗余与筛选（Refining & Filtering）
需要按照以下步骤：
- 定义重叠：设定一个阈值（例如：口袋中心点距离 ≤5 A˚，或残基重叠 Jaccard 指数 ≥0.75，这是论文中使用的标准）
- 去冗余： 遍历所有预测口袋，识别出所有重叠的口袋群组
- 保留最优： 在每个重叠的群组中，只保留原始分数最高的那一个口袋，丢弃其余冗余的口袋
- 操作目标： 得到一组精简、不重叠的候选口袋集合
重打分 (Re-scoring with P 2 Rank/PRANK)
使用 P 2 Rank 导出前面自定义的外部口袋，然后再对其进行重新打分，
最终排名与选择（Final Ranking）
根据 P 2 Rank 输出的新分数对口袋进行排序，分数最高的即为最佳预测结果
需要考虑到召回率
论文中使用的 “Top-N” 评估，其具体含义是：“我们只考虑每个蛋白质的前 N 个预测结果”
- N： 代表一个蛋白质实际拥有的、经过 LIGYSIS 数据库验证的结合位点数量
+2： 是一个额外的缓冲。研究人员在评估时，将预测数量的上限设为 N (实际结合位点数) 加上 2 个额外的预测
- 例子： 如果一个蛋白质有 N=1 个已知的结合位点，评估时会检查该方法的 Top 3 预测（1+2）是否命中了这个位点
- 如果一个蛋白质有 N=3 个已知的结合位点，评估时会检查该方法的 Top 5 预测（3+2）是否命中了这 3 个位点
在实际处理蛋白中
- Top 1： 永远是最应该关注的口袋（最具信心的预测）
- Top 3（或 Top 5）： 检查得分排在前 3 个（或 5 个）的口袋，以确保没有遗漏任何潜在的结合位点
Pipeline 设计
然后我就按照这个论文写了一个完整的蛋白口袋检测和评估 Pipeline，集成了 fpocket 几何预测和 P 2 Rank 机器学习重打分
其中 P 2 Rank 使用的就是 Random Forest 算法
最终要选择的哪几个口袋其实是个大问题，论文中提出使用的 “Top-N” 评估，但是这个“N”要从数据库查出来，但是这个比较依赖于人工标注，大多数时候的蛋白是没有的，而且蛋白的 fasta 是从 NCBI 中拉出来的，你得查这个数据库还需要 mapping 到 UniPort 中，虽然说也有脚本可以做，但是很麻烦
然后我先自己偷偷跑了一个蛋白来测试一下这个 Pipeline，可以看到整个变化其实是非常大的，有些蛋白可能在几何学预测中得分非常高，但是在基于机器学习的算法中优势就没有这么高了
如果我们按照 N=1 的这种情况的话，那我们要取的 Pocket 就是 Pocket. 19、Pocket. 42、Pocket. 13，从图中不难看出，19 的最终得分要远远高于其他的两个
不过这个断崖确实值得思考，在 P 2 Rank 重打分之后，加入一个自动分析模块，对于每一个蛋白，执行以下操作：
- 获取分数列表： 得到该蛋白所有口袋按 P 2 Rank 分数降序排列的列表
scores = [s1, s2, s3, ..., sn] - 计算分数差（Deltas）： 计算相邻分数之间的差值
deltas = [s1-s2, s2-s3, s3-s4, ...] 寻找最大差值（Find the Cliff）： 在
deltas数组中找到最大值，以及它对应的位置，这个最大差值就是“断崖”的陡峭程度max_delta = max(deltas)cliff_index = index of max_delta
- 定义“断崖之上”的口袋集： “断崖”之前的所有口袋（包括“断崖”边缘的那个），就是高置信度候选集。这个集合的大小是
cliff_index + 1
因为这个蛋白刚好有论文指出了他的活性口袋位点，然后我看了下刚好确实就是这个，其中蓝色的是活性口袋位置的残基，红色的是预测的口袋中心
最后跑了要筛选的 800 多个蛋白，做了并行优化，最后速度还是非常快的
我在做生物信息学和蛋白相关的东西的时候，碰到最多的问题其实是不知道要如何去验证，就比如说这个算法，我尝试了一种新的方法，几何+机器学习，你看传统的几何和机器学习的结果区别其实很大，说实话我心里有点慌