JIZHENG LI CHANGXIN FAN Hoi Ying LAU TIANYUE WU

摘要

准确识别金属结合残基对于金属蛋白（如锌指蛋白、血红蛋白和DNA聚合酶）的研究至关重要。由于实验方法成本高且耗时，计算预测方法被广泛采用。然而，计算复杂性以及刚性框架的可扩展性差限制了其应用。本研究提出了一种两阶段、基于序列的深度学习框架，可预测蛋白质中锌、铁和镁的结合氨基酸。在第一阶段，经过分词处理的序列由独立的一维卷积神经网络（1D-CNN）处理，生成单个残基的结合概率图谱；在第二阶段，轻量级融合网络整合这些概率图谱，以建模金属间的相互依赖关系并优化预测结果。该框架采用考虑类别不平衡的损失函数，并结合集成评估策略，以提升模型的鲁棒性。其结构无关性与模块化设计使得训练和推理过程高效，因而适用于大规模蛋白质组的注释。