Isoform function prediction based on attention mechanism and multiple instance learning
-
摘要: 基因功能的高分辨率注释是功能基因组学的核心任务。单个基因可变剪接产生的异构体（isoform）翻译出多种蛋白质变体，为生物体提供了功能多样性。为实现异构体功能的高分辨率注释，本文提出了一种方法LossIsoFun。引入基因本体（gene ontology，GO），并利用图卷积神经网络（graph convolutional network，GCN）保留其层次结构和语义信息，通过GO网络嵌入策略获得压缩的基因GO注释。融合异构体互作网络、共表达网络和序列相似性网络，构建异构体功能网络，并将异构体序列数据与功能网络输入GCN，获取异构体功能的低维表示。通过基因与异构体的关联关系，得到基因功能的低维表示。提出一种基于注意力权重的损失函数，通过最小化压缩的基因GO注释与基因功能低维表示之间的差异来训练模型。通过解压缩异构体的低维表示，获得异构体的高分辨率注释。在人类基准数据集上的对比实验验证了LossIsoFun的有效性。Abstract: High-resolution annotation of gene functions is essential in functional genomics. Multiple isoforms are generated from a single gene via alternative splicing, thereby producing protein variants that contribute to functional diversity. This paper introduces LossIsoFun, a framework for high-resolution isoform function annotation. First, gene ontology (GO) and a graph convolutional network (GCN) are used to preserve hierarchical and semantic structures, producing compressed GO annotations. Then, isoform interaction, coexpression, and sequence similarity networks are integrated to construct an isoform functional network. The isoform sequence data and functional network are fed into a GCN to generate low-dimensional isoform representations. By leveraging gene–isoform relationships, gene function representations are derived. A novel loss function minimizes differences between compressed GO annotations and gene function representations. Finally, isoform functions are annotated by decompressing these representations. Validation on human benchmark datasets demonstrates that LossIsoFun effectively yields isoform function annotation.
-
异构体是指由同一个基因通过不同的选择性剪接、不同的转录起始位点，或不同的翻译起始位点生成的多种核糖核酸（ribonucleic acid，RNA）变体。尽管这些变体来自同一个基因，它们的序列、结构以及功能可能有所不同。异构体在基因表达的调控中发挥重要作用，能够赋予同一基因在不同细胞类型、发育阶段或环境条件下执行多种功能的能力[1]，影响超过90%的人类基因[2]。这一过程生成多种蛋白质，为生物体提供了功能多样性[3]。选择性剪切的变化对细胞功能有重大影响，并与多种疾病相关[4]。研究发现，同一基因的异构体可能在功能上存在显著差异[5-6]，甚至相反[7]。例如，FGFR2基因通过选择性剪切产生FGFR2-IIIb和FGFR2-IIIc两种异构体，前者主要在上皮细胞中表达，参与皮肤和外胚层组织的发育，后者在间充质细胞中表达，涉及骨骼和肌肉的发育。这些异构体对不同的成纤维细胞生长因子具有不同的结合特异性，从而在不同组织和器官中发挥不同的功能[8]。类似地，VEGFA基因的异构体VEGF165和VEGF121分别具有高效和低效的血管生成作用[9]，而CD44基因的异构体在细胞黏附、迁移和信号传导中表现出不同的作用[10]。Bcl-x基因则通过选择性剪切产生抗凋亡蛋白Bcl-xL和促凋亡蛋白Bcl-xS，它们分别在细胞凋亡中具有对立的功能[11]。因此，精确发现异构体的功能对于揭示基因和蛋白质功能的分子基础至关重要。
GO是一个重要的生物信息学工具[12]，旨在为所有物种的基因和基因产物的功能属性提供统一的描述。GO由GO联盟（gene ontology consortium）开发和维护，目前已包含超过45 000个术语，分为生物过程（biological process，BP）、分子功能（molecular function，MF）和细胞成分（cellular component，CC）3个子本体。GO术语通过有向无环图（directed acyclic graph，DAG）组织，每个术语都有一个唯一的标识符；在生物信息学中，DAG结构允许术语拥有多个父术语和子术语，灵活地表达复杂的层次关系。例如，在GO中，GO:0051171（氮化合物代谢过程的调控）同时是GO:0019222（代谢过程的调控）和GO:0006139（含核碱基化合物代谢过程）的子术语，反映了生物学概念的复杂性和层次性。GO在功能注释、预测、数据整合和富集分析中广泛应用。早期方法通常将GO术语视为平面标签，通过二元或多类分类方法预测基因产物的GO注释。近年来，研究者开始利用GO的层次结构对异构体的功能进行预测。例如，Zhao等[13]利用GO的层次结构执行异步随机游走以预测蛋白质与 GO 术语之间的关联，从而提高异构体功能预测准确性；Zhao等[14]使用层次保留哈希技术来保持 GO 术语之间的层次顺序，以预测基因功能；Yu等[15]采用矩阵分解技术将GO术语压缩到低维空间中，这些工作通过压缩大量 GO术语以高效预测异构体功能。
为了提高异构体功能预测的准确率，一些研究人员提出了基于多实例学习（multiple instance learning，MIL）的方法来预测异构体功能[16]。例如，DIFFUSE结合深度神经网络和条件随机场来预测异构体功能[17]；iMILP[18]和IsoFun[19]使用网络传播将基因标签传播到异构体，得到异构体标签；Deep-IsoFun[20]引入邻域自适应（domain adaptation，DA）将基因功能迁移到异构体，得到异构体功能；IsoResolve[21]结合偏最小二乘（partial least squares，PLS）回归和DA对齐基因域和异构体结构域来得到异构体功能；IsoFunGo[22]使用GO嵌入方法保留GO术语的层次结构以准确预测异构体功能。
尽管如此，异构体功能的预测准确率仍然有待提高。本文提出一种异构体功能预测方法LossIso- Fun，首先使用GO嵌入技术得到基因的压缩GO注释，保留了GO注释的层次结构和语义信息，同时降低了预测负担。随后，构建异构体功能网络，以学习异构体的特征表示。最后，使用基于注意力机制的MIL网络，将异构体的特征表示聚合得到基因的特征表示，并提出基于注意力权重的损失函数；利用该损失函数，最小化基因的压缩GO注释和基因的特征表示的差异来训练模型。在人类的基准数据集上的实验结果表明，LossIsoFun的性能优于现有方法，更具有可解释性并加快了运行速度。
1. LossIsoFun的相关工作
1.1 数据收集
本文从NCBI SRA数据库收集了384个人类RNA-seq数据[22]，并对其组织类型进行统计分析，结果如表1所示。此外，分别从健康/疾病状态及实验处理方式两个层面对其生物学条件进行了分析。其中，健康组样本200例，疾病组样本184例；150例样本未经过任何处理，90例样本接受了药物处理，72例样本进行了基因敲除实验，其余72例样本接受了其他类型的处理。上述统计分析表明，该数据集在不同组织和条件下的分布较为均衡。通过数据处理[23]，得到人类9 003个基因和32 769个异构体。本文使用该数据集评估LossIsoFun模型并与其他方法进行性能对比。
表 1 组织类型数量分布Table 1 Distribution of tissue type counts组织 数量 组织 数量 大脑−皮层 12 肾脏−髓质 9 大脑−小脑 8 肾脏−肾小管 8 大脑−海马 7 胃−胃底 8 大脑−下丘脑 6 胃−幽门 8 大脑−杏仁核 4 胃−胃体 7 脊髓 3 胰腺−胰岛 7 肝脏−左叶 12 胰腺−外分泌腺泡 7 肝脏−右叶 12 胰腺−胰管 6 肝脏−胆管 6 肠道−小肠 9 肝脏−门静脉区 5 肠道−大肠 9 心脏−左心室 10 皮肤−表皮 8 心脏−右心室 8 皮肤−真皮 7 心脏−心房 7 血液−T细胞 12 心脏−冠状动脉 5 血液−B细胞 10 肺−肺泡 10 血液−单核细胞 10 肺−支气管 10 血液−中性粒细胞 9 肺−毛细血管 9 血液−红细胞 9 肾脏−皮质 10 骨骼 12 脾脏 10 甲状腺 9 脂肪 8 睾丸 7 卵巢 7 前列腺 6 食道 6 膀胱 6 肌肉 6 胎盘 5 淋巴结 5 子宫 4 眼睛 3 耳朵 3 1.2 LossIsoFun
本文对GO注释数据进行了以下处理，
$t$ 个GO项的关系矩阵A是由GO有向无环图直接得到的，如果项$b$ 是$a$ 的直接后代，则${\boldsymbol{G}}\left( {a,b} \right) = 1$ ，否则${\boldsymbol{G}}\left( {a,b} \right) = 0$ 。对于$m$ 个基因的GO注释${\boldsymbol{Y}} \in {{\bf{R}}^{m \times t}}$ ，如果$ b $ 或$ b $ 的后代被正向注释到基因$g$ ，则${\boldsymbol{Y}}\left( {g,t} \right) = 1$ ，否则${\boldsymbol{Y}}\left( {g,t} \right) = 0$ 。对于基因和异构体的关联矩阵${\boldsymbol{B}} \in {{\bf{R}}^{m \times n}}$ ，如果异构体${\mathrm{iso}}$ 是由基因$g$ 剪切得到，则${\boldsymbol{B}}\left( {g,{\mathrm{iso}}} \right) = 1$ ，否则${\boldsymbol{B}}\left( {g,{\mathrm{iso}}} \right) = 0$ 1.2.1 LossIsoFun模型框架
LossIsoFun包括GO嵌入、Isoform数据融合、Loss-MIL 3个模块。如图1所示。
图 1 LossIsoFun示意Fig. 1 Schematic of LossIsoFun
下载:
全尺寸图片
Go嵌入：LossIsoFun对GO结构和文本信息进行处理，得到GO术语的低维表示，以保留GO的层次结构并且减少预测负载，然后将GO嵌入基因注释中得到压缩的基因GO注释。
Isoform数据融合：LossIsoFun利用RNA-seq数据集[24]、异构体序列数据[25]和异构体互作网络融合得到异构体功能网络，并对异构体功能网络和异构体特征矩阵输入GCN中，得到异构体的
$d$ 维表示。Loss-MIL：LossIsoFun对异构体的
$d$ 维表示进行聚合，得到基因聚合矩阵，并提出了一个基于注意力机制的损失函数，通过最小化$m$ 个基因的压缩GO注释$\hat {\boldsymbol{Y}}$ 和基因的聚合矩阵$\bar {\boldsymbol{Y}}$ 的差异来训练模型。最终，通过训练完成的解码器来预测异构体功能。1.2.2 GO嵌入
基因和异构体可以看作MIL中的包和实例[18]，因此异构体功能预测问题被考虑为多个二进制MIL问题[17]，而忽略了GO术语的层次结构。随着技术的进步，一些研究人员提出利用哈希[14]及矩阵分解[15,26]技术以考虑GO的层次结构，取得了不错的效果。然而，GO术语的大量文本语义并没有考虑在内。本文在保留GO层次结构的前提下，引入GCN（graph convolutional network）[27]融合GO的文本语义和层次结构。
GCN是一种有效的工具，可用于融合节点属性和网络拓扑来学习节点表示[28]。本文输入无向的GO DAG
$\hat {\boldsymbol{G}}$ 和语义数字向量$\hat {\boldsymbol{Q}}$ 到GCN中，得到低维的$t$ 个GO项嵌入表示$\bar {\boldsymbol{G}}$ 。首先，使用SimCSE (simple contrastive learning of sentence embeddings)方法嵌入不同长度的文本数据[29]，该方法通过引入噪声数据增强和对比学习，使得模型能够生成更高质量的句子嵌入，并将文本语义${\boldsymbol{Q}}$ 变成语义向量$\hat {\boldsymbol{Q}} \in {{\bf{R}}^{{\text{t}} \times d}}$ ，公式为$$ \hat {\boldsymbol{Q}} = {\mathrm{Sim}}{\mathrm{CSE}}({\boldsymbol{Q}}) $$ (1) 随后，处理GO DAG得到无向版本的
$\hat {\boldsymbol{G}}$ ，将处理之后的$\hat {\boldsymbol{G}}$ 和$\hat {\boldsymbol{Q}}$ 输入到GCN中获得$\bar {\boldsymbol{G}}$ ：$$ \bar {\boldsymbol{G}} = {\mathrm{GCN}}({\theta _1},\hat {\boldsymbol{Q}},{\bar {\boldsymbol{G}}_1}) $$ (2) 式中：
${\theta _1}$ 是GCN的参数，${\bar {\boldsymbol{G}}_1}$ 是对称归一化图拉普拉斯算子得到的矩阵$\hat {\boldsymbol{G}}$ ，${\bar {\boldsymbol{G}}_1} = {\hat {\boldsymbol{D}}^{ - 1/2}}\left( {{\boldsymbol{I}} + \hat {\boldsymbol{G}}} \right){\hat {\boldsymbol{D}}^{ - 1/2}}$ 。为保留自信息，本文将添加的自连接的邻接矩阵定义为$ \hat {\boldsymbol{D}} = {\boldsymbol{I}} + \hat {\boldsymbol{G}} $ ，其中${\boldsymbol{I}}$ 是单位矩阵，最终$\bar {\boldsymbol{G}}$ 是$t$ 个GO项的$d$ 维表示。然而，这种方式得到的
$\bar {\boldsymbol{G}}$ 并不能很好地代表GO的层次结构[30]，而GO的层次结构在预测过程中起重要作用。本文引入了Lin相似度[31]来衡量两个层次组织术语之间的相似度。例如：GO术语${t_1}$ 是${t_2}$ 和${t_3}$ 最近的共同祖先，则${t_2}$ 和${t_3}$ 的层次相似度${H_{{\mathrm{sim}}}}\left( {{t_2},{t_3}} \right)$ 计算公式为$$ {H_{{\mathrm{sim}}}}({t_2},{t_3}) = \frac{{2 \times {\mathrm{I}}{\mathrm{C}}({t_1})}}{{{\mathrm{IC}}({t_2}) + {\mathrm{IC}}({t_3})}} $$ (3) $$ {\mathrm{IC}}(t) = 1 - \frac{{\log (1 + \left| {{\mathrm{desc}}(t)} \right|)}}{{\log \tau }} $$ (4) 式中：
${\mathrm{IC}}\left( t \right)$ 是$t$ 的层次信息含量，$\left| {{\mathrm{desc}}\left( t \right)} \right|$ 是$t$ 的后代GO术语的数量，$\tau $ 是所有考虑术语的数量。$t$ 的后代越多，$t$ 的后代所涵盖的功能越广泛；$t$ 的信息量越少，${\mathrm{IC}}\left( t \right)$ 也就越小。因此，如果${t_1}$ 靠近${t_2}$ 和${t_3}$ 但离根术语较远，那么层级相似度就大，否则相似度就小。因此，${H_{{\mathrm{sim}}}}\left( {{t_2},{t_3}} \right)$ 可以捕捉到$s$ 个GO术语之间的层次关系。然而，${H_{{\mathrm{sim}}}}$ 可能会错过祖先和后代GO项之间的方向信息。这里本文只考虑每个节点的后代，通过式(3)构建一个非对称矩阵${\boldsymbol{H}}_{{\mathrm{sim}}}^a$ 。即当且仅当术语$s$ 是术语$t$ 的后代时${\boldsymbol{H}}_{\mathrm{{sim}}}^a(t,s) > 0$ ，否则${\boldsymbol{H}}_{{\mathrm{sim}}}^a(t,s) = 0$ 。基于层次相似度
${{\boldsymbol{H}}_{{\mathrm{sim}}}}$ ，本文引入一种三元组排序损失[22]，以更严格地保留GO层次结构。三元组排序损失衡量3个GO术语违反层次关系的程度，定义为$$ \begin{gathered} {L_{{\mathrm{hp}}}}\left( {\bar {\boldsymbol{G}},{\boldsymbol{H}}} \right) = \sum\limits_{t = 1}^\tau {\sum\limits_{{\boldsymbol{H}}_{{\mathrm{sim}}}^a\left( {t,i} \right) > {\boldsymbol{H}}_{{\mathrm{sim}}}^a\left( {t,j} \right)} {\max } } ({\mathrm{dist}}\left( {t,i} \right) - \\ {\mathrm{dist}}\left( {t,j} \right),0) \\ \end{gathered} $$ (5) 式中：
${\mathrm{dist}}\left( {t,v} \right)$ 表示嵌入向量的余弦相似度${\tilde g_t}$ 和${\tilde g_v}$ 。通过最小化三元组损失，可以获得优化后的$\bar {\boldsymbol{G}}$ ，它保留了GO术语之间的多重关系，并大大减少了标签的规模。基于压缩GO注释
$\bar {\boldsymbol{G}}$ ，本文使用自动编码器${\theta _{{\mathrm{enc}}}}$ 将基因的高维GO注释压缩为$d$ 维注释$\hat {\boldsymbol{Y}}$ ：$$ \hat {\boldsymbol{Y}} = {\theta _{\mathrm{{enc}}}}\left( {{\boldsymbol{Y}},\bar {\boldsymbol{G}}} \right) $$ (6) 式中：
$\hat {\boldsymbol{Y}}$ 是$m$ 个基因的压缩 GO 注释。另一方面，使用解码器${\theta _{\mathrm{{dec}}}}$ 对$\hat{\boldsymbol{ Y}}$ 进行解压，得到解压之后的${Y_{{\mathrm{dec}}}}$ ：$$ {{\boldsymbol{Y}}_{\mathrm{{dec}}}} = {\theta _{\mathrm{{dec}}}}\left( {\hat {\boldsymbol{Y}}} \right) $$ (7) 式中
${{\boldsymbol{Y}}_{\mathrm{{dec}}}}$ 是$m$ 个基因的解压GO注释。同样解码器${\theta _{\mathrm{{dec}}}}$ 也可以用来解压异构体功能的低维表示。1.2.3 异构体数据融合
目前已被证实异构体的功能注释十分稀少，为了建立异构体关联网络，Luo等[32]在RNA-seq数据上建立模型，Yu等[23]利用异构体序列数据，并发现序列数据包含有助于区分单个异构体功能的重要功能位点。然而这些方法得到的关联网络仍然未能准确反映异构体功能。
具有相似表达谱特征的异构体更可能具有相似的功能。本文基于人类基准数据集的RNA-seq数据，使用皮尔逊相关系数构建异构体的共表达网络
${F_{\exp }}$ 。基于异构体序列数据，使用BLAST构建序列相似性网络${F_{{\mathrm{seq}}}}$ [33]。随后，从STRING数据库下载得到公开的蛋白质间互作网络，使用互作关系强的网络（相互作用强度得分大于900），并将其映射到异构体上，得到异构体互作网络${F_{{\mathrm{iso}}}}$ 。在融合网络方面，NEMO[34]和相似性网络融合（similarity network fusion,SNF）[35]取得了良好的结果，本文引入SNF方法对${F_{\exp }}$ 、${F_{{\mathrm{seq}}}}$ 和${F_{{\mathrm{iso}}}}$ 进行融合，得到功能网络$F$ ：$$ F = {\mathrm{SNF}}\left( {{F_{\exp }},{F_{{\mathrm{seq}}}},{F_{{\mathrm{iso}}}}} \right) $$ (8) SNF通过基于相似性的加权更新机制，使不同网络的信息在迭代过程中不断优化，同时对相似性矩阵进行归一化处理，以避免某一网络对最终融合结果产生过大影响。对于冲突信息，SNF采用基于局部相似性的k近邻策略，使信息在不同网络之间进行动态传递，从而减少单一网络异常值的影响。此外，SNF通过多轮迭代实现对各网络权重的自适应调整，确保最终融合的综合相似性矩阵能够兼顾不同来源的信息，形成更加稳健的异构体功能网络。因此，SNF通过信息传递与权重调整等策略，在数据融合过程中有效降低了冗余信息的影响，并缓解了不同网络之间可能存在的冲突，使融合结果更具生物学意义和可靠性。
本文对异构体序列数据经过K-mer处理得到异构体的特征矩阵
${\boldsymbol{X}}$ （此处K=3，d=8 000），然后将异构体的特征矩阵${\boldsymbol{X}}$ 和功能网络输入到GCN中，得到异构体的$d$ 维表示$\hat {\boldsymbol{X}}$ ：$$ \hat {\boldsymbol{X}} = {\mathrm{GCN}}\left( {{\theta _2},{\boldsymbol{X}},\hat F} \right) $$ (9) 式中：
${\theta _2}$ 为异构体嵌入的参数，$\hat F$ 为$F$ 归一化后的网络，并且保持$\bar {\boldsymbol{G}}$ 和$\hat {\boldsymbol{X}}$ 的维度保持一致。1.2.4 Loss-MIL
在多实例学习中，训练数据由多个包组成，每个包分成若干个实例，但只有一个标签。如果若干实例中至少有一个是正类，则这个包的标签为正样本；如果所有实例均为负类，则这个包的标签为负样本。传统多实例学习通过实例是否为正类来判断包的标签是否为正样本[36]。然而基因−异构体关联
$B$ 是利用基因（包）的注释合理分配到单个异构体（实例）的重要桥梁。Wang等[26]在利用此关联时，采用最大池化和矩阵分解等MIL策略，对异构体的功能进行预测，但他们通常假设基因的功能仅与单一异构体有关[37]，这违背了生物学事实。例如，SR45基因通过可变剪接产生的两种异构体SR45.1和SR45.2在拟南芥的发育和开花时间调节中共同发挥作用[38]。尽管它们在结构上有所不同，但它们在调节开花相关基因的剪接和表达方面具有相同的功能，确保植物的正常发育和生长。Shaw等[20]将基因的GO注释统一分发给所有的异构体，但是由一个基因剪切得到的异构体可能具有完全不同的功能，不符合基因−异构体关联。Qiu等[22]提出一种基于注意力机制的MIL方法来找出包的显著实例。该方法通过注意力机制找出显著实例，各个异构体的标签很大程度上取决于习得的权重，仅通过注意力机制习得的权重不具有可解释性。针对以上不足，LossIsoFun利用池化层来模拟生物学事实，Loss-MIL利用池化层对局部特征进行聚合操作，不仅能有效降低模型的复杂性，还能增强基因和异构体之间的局部关联表达，同时减少噪声影响，从而提高模型的泛化能力与稳定性。同时，定义了一个基于注意力权重的损失函数，该损失函数通过权重
$\alpha $ 对每个样本的误差进行加权，使得某些样本对总损失的贡献更大或更小，从而使模型关注更重要的数据，让噪声数据对模型的影响更小，在处理不平衡数据时效果显著，并且可解释性更强。根据上述得到的异构体特征矩阵
$\hat {\boldsymbol{X}}$ 和基因−异构体关联${\boldsymbol{B}}$ ，可以得到基因的聚合注释矩阵：$$ \bar{\boldsymbol{ Y}} = \mu \left( {\hat {\boldsymbol{X}},{\boldsymbol{B}}} \right) $$ (10) 本文通过池化层
$\mu $ 和${\boldsymbol{B}}$ 来聚合$n$ 个异构体的潜在压缩注释。同理，可以根据基因的聚合注释$\bar G$ 解压缩分配给异构体。本文提出的基于注意力权重的损失函数，通过最小化$m$ 个基因的压缩GO注释$\hat {\boldsymbol{Y}}$ 和基因的聚合矩阵$\bar {\boldsymbol{Y}}$ 来训练模型。$$ \alpha = {\mathrm{SoftMax}}\left( {{\mathrm{Linear}}\left( {{{\mathrm{Tanh}}} \left( {{\mathrm{Linear}}\left( {\hat {\boldsymbol{Y}}} \right)} \right)} \right)} \right) $$ (11) $$ {L_{{\mathrm{mil}}}}\left( {\hat {\boldsymbol{Y}},\bar {\boldsymbol{Y}}} \right) = \left\| {\left( {\hat {\boldsymbol{Y}} - \bar {\boldsymbol{Y}}} \right) \times \alpha } \right\|_2^2 $$ (12) 式中
$\alpha $ 为$m$ 个基因的注意力权重。为此，本文将LossIsoFun的损失函数定义为$$ L = {L_{{\mathrm{mil}}}}\left( {\hat {\boldsymbol{Y}},\bar {\boldsymbol{Y}}} \right) + \omega {L_{{\mathrm{hp}}}}\left( {\bar {\boldsymbol{G}},{\boldsymbol{H}}} \right) $$ (13) 式中
$\omega $ 用于平衡两个模块。通过最小化上述损失函数，训练异构体功能预测模型。2. 实验结果与验证
2.1 实验相关设置
本文使用人类基准数据集，以及收集的基因/异构体水平注释来验证LossIsoFun的性能。对数据的研究发现，大部分GO术语注释小于50个基因[17，23，32，37]。然而，目前大部分已有方法只能处理注释量为几十个的GO术语，忽视了注释量较大的GO术语。为了测试GO术语的注释数量对LossIsoFun性能的影响，本文根据GO术语的注释数量将GO术语分为 [3,50), [50,100), [100,300) 3个区间。
在异构体功能预测中，功能性异构体（正样本）的数量可能显著少于非功能性异构体（负样本）。这种数据不平衡会影响模型评估的准确性。在实际应用中，正确预测功能性异构体的能力通常更重要。例如，错误地将功能性异构体预测为非功能性可能导致关键生物学信息的遗漏。结合异构体功能预测问题的特点，受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）和精确率−召回率曲线下面积（area under the precision-recall curve, AUPRC）可以从全局和局部两个层面综合评估模型性能：AUROC提供全局性能评估，帮助了解模型在区分所有样本时的总体能力；AUPRC更关注正样本预测能力，在功能性异构体稀少的情况下，AUPRC更能反映模型实际应用场景下的效用。因此，本文使用AUROC及AUPRC两个常用指标来综合评估模型的预测准确率。两个指标的值越高，代表预测的准确度越高。
本文与目前已有的6种方法进行对比和验证：IsoFun[19]、DisoFun[26]、IsoResolve[21]、DIFFUSE[17]、DMIL-IsoFun[23]、IsoFunGo[22]。上述所有方法使用LossIsofun相同的数据集进行训练，并按照各个方法共享的参数配置。对于LossIsoFun，本文的实验参数设置如表2所示。
表 2 实验参数设置Table 2 Experimental parameter settings参数 默认值 共表达网络的最近邻数设置k 5 异构体的嵌入维度embedded_d 256 训练批次大小batch_size 256 损失函数中参数$ \omega $ 7 训练轮数epoch 50 学习率learning_rate 0.01 在神经网络的训练过程中，本文对共表达网络中的最近邻数k的选取进行优化，通过加权基因共表达网络分析（weighted gene co-expression network analysis, WGCNA）方法，调整k值并结合软阈值优化，计算异构体之间的拓扑重叠矩阵（topological overlap matrix，TOM），从而确定最佳k值[39]。结果发现当k=5时，网络的划分最为合理，且网络稳定性最好，所以选k=5。根据本文使用数据集的规模大小，将异构体和GO术语的嵌入维度设置为256，训练批次大小设置为 256，并将训练轮数（epoch）设置为50。当
$\omega $ =7时，模型训练过程中的损失值最小，因此本文将$\omega $ 设置为7，在初始训练阶段，学习率设为0.001。随着训练的进行，本文通过标准的学习率步长衰减方法更新学习率[20]。如果发现学习发散（如观察到非常大的损失值），将初始学习率改变一个数量级，直至收敛为止，最终选定学习率为0.01。2.2 与现有方法比较
本文采用80%/10%/10%的比例随机分配训练集、测试集和验证集，进行50轮独立实验，并确保同一基因的所有异构体在每轮中都被划分为同一组。此外，从eggNOG数据库[40]中获得了直系同源蛋白质组（COGs）的簇，并进一步确保属于同一COG的同源基因被划分为同一组。本文使用配备16核32线程的Intel (R) Xeon(R) Gold
6135 CPU @ 3.40 GHz和4块 NVIDIA Tesla V100S_PCIe _32 GB 显卡的Linux服务器进行训练。本文使用GO的3个类别分别进行实验：生物学过程（biological process, BP）、细胞组分（cellular component, CC）和分子功能（molecular function, MF）。BP涉及基因产物参与的生物学过程，CC描述基因产物所在的细胞或亚细胞部分，MF指基因产物在分子水平上的具体功能。通过分析上述3个类别的GO术语，能够更全面地评估LossIsoFun在不同层次上的性能，并为进一步优化模型提供依据。本文在上述3个类别进行实验，结果如表3~5所示。
表 3 人类数据集BP过程的异构体预测结果Table 3 Isoform prediction results for human dataset in the BP process方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.5543 0.0030 0.5497 0.0089 0.5203 0.0204 DisoFun[26] 0.6161 0.0036 0.5931 0.0075 0.5377 0.0188 IsoResolve[21] 0.6108 0.0153 0.5975 0.0132 0.5585 0.0243 DIFFUSE[17] 0.5842 0.0201 0.5592 0.0308 0.5517 0.0401 DMIL-IsoFun[23] 0.6077 0.0238 0.6937 0.0202 0.6168 0.0328 IsoFunGo[22] 0.6171 0.0328 0.6573 0.0663 0.7080 0.0936 LossIsoFun 0.6331 0.0414 0.7315 0.0786 0.7342 0.0893 注：加粗为本列最优结果。 表 4 人类数据集CC过程的异构体预测结果Table 4 Isoform prediction results for human dataset in the CC process方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.6693 0.0379 0.7098 0.0981 0.7060 0.1208 DisoFun[26] 0.5639 0.0038 0.5291 0.0056 0.5331 0.0191 IsoResolve[21] 0.5891 0.0041 0.5501 0.0097 0.4922 0.0193 DIFFUSE[17] 0.6013 0.0129 0.6177 0.0133 0.5614 0.0281 DMIL-IsoFun[23] 0.5943 0.0719 0.5859 0.0887 0.5987 0.1105 IsoFunGo[22] 0.6918 0.1635 0.7671 0.2948 0.7285 0.2878 LossIsoFun 0.7371 0.1689 0.7862 0.2963 0.7171 0.2533 注：加粗为本列最优结果。 表 5 人类数据集MF过程的异构体预测结果Table 5 Isoform prediction results for human dataset in the MF process方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.7281 0.1331 0.5517 0.0080 0.5310 0.0201 DisoFun[26] 0.5470 0.0042 0.5752 0.0091 0.5270 0.0203 IsoResolve[21] 0.6611 0.0071 0.5810 0.0081 0.5520 0.0310 DIFFUSE[17] 0.6721 0.0390 0.5911 0.0353 0.5780 0.0475 DMIL-IsoFun[23] 0.6923 0.0191 0.6950 0.0210 0.6320 0.0387 IsoFunGo[22] 0.8171 0.2392 0.8250 0.2530 0.8370 0.3770 LossIsoFun 0.8237 0.2614 0.8458 0.3576 0.8878 0.4922 注：加粗为本列最优结果。 分析表3~5可知，LossIsoFun在上述3组区间内准确率普遍优于目前已有的方法。这是因为LossIsoFun在保留GO的层次结构和语义信息的同时，通过构建异构体互作网络，完善异构体之间的关联信息，为预测异构体功能提供了有利的条件和其在生物学研究中的意义。此外，基于注意力权重的的损失函数在训练模型时也为模型参数的更新做出贡献。IsoFun[19]和DisoFun[26]对GO DAG进行建模以处理稀疏术语，但它们的模型只能挖掘异构体和 GO项之间的线性关系，对非线性关系并不敏感。IsoResolve[21]、DIFFUSE[17]和DMIL-IsoFun[23]执行多个二元分类任务来预测异构体的功能，它们的准确率都低于LossIsofun，并且后两者也进行了网络融合。这表明了LossIsofun引入GO 层次结构和文本语义的有效性。IsoFun[19]和DisoFun[26]完全依赖于GO 层次结构，忽略了文本语义，并且主要捕获GO术语和异构型数据之间的线性关系，证明了图卷积神经网络融合GO层次结构和文本语义的有效性。IsoFunGO[22]虽然也对GO进行了与LossIsoFun相同的处理，但LossIsoFun使用了异构体互作网络和基于注意力机制的损失函数，更自然地模拟基因−异构体关联，从而在大部分实验结果上优于IsoFunGo[22]。在区间[100,300)上，LossIsoFun和IsoFunGo[22]准确率接近，这是由于GO术语注释量过大，导致这些GO术语所含信息量较少，并且注释量在该区间上的GO术语数量较少。因此，在区间[100,300)上准确率接近并不能否定LossIsoFun的优势。最后，LossIsoFun只需要执行
$d$ 项任务，相较于其他需要执行众多二元MIL任务预测异构体功能的方法，LossIsoFun运行时间大幅减少，表明LossIsoFun在大规模异构体功能预测方面的效率。为了验证LossIsoFun模型的泛化性，本研究从NCBI SRA数据库收集40个玉米RNA-seq数据[25]，进行与上述相同的处理和实验，结果如表6~8所示。分析表3~5与表6~8可得，LossIsoFun在玉米数据集上的表现优于在人类数据集上的表现。这是因为人类数据集比玉米数据集更为复杂，人类基因通常比玉米基因具有更多的可变剪接的异构体，这使得预测人类异构体的功能比预测玉米异构体功能更加困难。
表 6 玉米数据集BP过程的异构体预测结果Table 6 Isoform prediction results for maize data in the BP process方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.5726 0.0101 0.5802 0.0100 0.5544 0.0228 DisoFun[26] 0.6382 0.0117 0.5931 0.0112 0.5627 0.0211 IsoResolve[21] 0.6408 0.0203 0.5975 0.0108 0.5785 0.0308 DIFFUSE[17] 0.6310 0.0287 0.6037 0.0331 0.5438 0.0447 DMIL-IsoFun[23] 0.6544 0.0351 0.7012 0.0257 0.6376 0.0378 IsoFunGo[22] 0.6731 0.0377 0.6907 0.0701 0.7396 0.0921 LossIsoFun 0.7063 0.0471 0.7856 0.0812 0.7910 0.0957 注：加粗为本列最优结果。 表 7 玉米数据集CC过程的异构体预测结果Table 7 Isoform prediction results for maize data in the CC process方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.6871 0.0401 0.7034 0.0901 0.7132 0.1301 DisoFun[26] 0.5800 0.0055 0.5551 0.0075 0.5903 0.0285 IsoResolve[21] 0.6031 0.0073 0.5722 0.0117 0.5014 0.0336 DIFFUSE[17] 0.6247 0.0208 0.6336 0.0214 0.5631 0.0309 DMIL-IsoFun[23] 0.6038 0.0738 0.6024 0.090 0.6007 0.1746 IsoFunGo[22] 0.7146 0.1779 0.7871 0.3012 0.7350 0.2833 LossIsoFun 0.7577 0.1826 0.8024 0.3129 0.7296 0.2936 注：加粗为本列最优结果。 表 8 玉米数据集MF过程的异构体预测结果Table 8 Isoform prediction results for maize data in the MF process方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.7210 0.1554 0.5742 0.0100 0.5415 0.0223 DisoFun[26] 0.5834 0.0078 0.5693 0.0116 0.5308 0.0276 IsoResolve[21] 0.6869 0.0098 0.5944 0.0098 0.5679 0.0375 DIFFUSE[17] 0.6812 0.0439 0.6038 0.0490 0.5889 0.0553 DMIL-IsoFun[23] 0.6946 0.0204 0.7169 0.0305 0.6557 0.0496 IsoFunGo[22] 0.8241 0.2393 0.8305 0.2735 0.8407 0.3912 LossIsoFun 0.8332 0.2736 0.8645 0.3771 0.9001 0.5038 注：加粗为本列最优结果。 2.3 消融实验
为了验证LossIsoFun模型中的各个模块及损失函数中每个部分对该模型的影响。本文引入LossIsoFun的4种变体：LossIsoFun-Loss、LossIsoFun-Fusion、LossIsoFun-MIL和LossIsoFun-HP。
LossIsoFun-Loss使用均方误差代替本文中采用的基于注意力权重的损失函数；LossIsoFun-Fusion在网络融合中不使用异构体互作网络，仅使用异构体的共表达网络和序列相似性网络进行网络融合；LossIsoFun-MIL和LossIsoFun-HP是对损失函数中的权重参数进行消融实验，前者仅使用
${L_{\mathrm{{hp}}}}$ 作为损失函数，后者使用${L_{\mathrm{{mil}}}}$ 作为损失函数，以验证不同部分损失项对实验结果的影响。消融实验结果如图2所示。
图 2 消融实验对比Fig. 2 Ablation experiment comparison chart下载:
全尺寸图片
图2(a)给出了LossIsoFun与其变体在AUPRC上的对比；图2(b)给出了LossIsoFun与其变体在AUROC上的对比。从图2中可以看出LossIsoFun在AUROC和AUPRC上都优于其变体，表明异构体间互作网络可以使异构体的信息更加丰富，对预测异构体的功能更加有效。此外，基于注意力权重的损失函数优于传统的损失函数，能更自然地模拟基因−异构体关联，并符合同一基因的两个或多个异构体在相同功能上合作的生物学事实。最后，损失函数两个部分的消融实验也表明了损失函数
${L_{\mathrm{{hp}}}}$ 和${L_{{\mathrm{mil}}}}$ 两部分的重要性。消融实验证明了LossIsoFun各个部分对异构体功能预测都起到了正向的影响。2.4 对预测结果进行验证
为进一步研究实验预测的人类异构体功能，本文收集了从6个基因剪接而来的15种人类异构体及其功能注释，与各方法的预测结果进行比较，结果如表9所示。这些GO术语描述了多种酶和蛋白质的具体功能，包括甲基转移酶活性（GO:0008170）：催化甲基基团的转移，影响基因表达和蛋白质功能；作用于蛋白质的催化活性（GO:0140101）：催化涉及蛋白质的化学反应，如蛋白激酶和磷酸酶；翻译调节因子活性（GO:0140359）：调节蛋白质合成过程，包括促进或抑制翻译的因子；氨酰tRNA合成酶活性（GO:0101005）：将氨基酸附着到其对应的tRNA上，是蛋白质合成的关键步骤；ATP酶活性（GO:0016887）：催化ATP水解，释放能量用于细胞功能，如主动运输和信号传导；以及结构构成核糖体的成分（GO:0003735）：作为核糖体的一部分参与蛋白质合成[41]。
表 9 LossIsoFun对异构体注释的预测结果（√/×）Table 9 Prediction positive/nnegative (√/×) annotations for each isoform by each comparison methodGO术语 基因 异构体 注释 LossIso
FunIsoFun
GO[22]DMIL-
IsoFun[26]DIFFUSE[17] IsoResolve[21] DisoFun[25] IsoFun[19] 0008170 DNMT1 P26358 √ √ × × × × × × K7ENW7 × × × √ × √ × × 0140101 ELAC2 G5E9D5 √ √ √ × × × × × V9GZ72 √ √ √ × × × × × E7ES68 × × × × √ × × × H7C2I4 × × × × √ × × × 014359 ABCB11 A0A3B3IS78 √ √ √ √ √ × √ × A0A3B3ISD4 × × √ √ × × × × 0101005 USP19 O94966 √ √ √ √ √ √ × √ A0A0A0MR08 × × × × × × × × 0016887 MCM3 A0A499FHX9 √ × √ × √ × × × J3KQ69 √ × × × √ × × × Q7Z6P5 × × × × × × × × 0003735 RPL13 J3KS98 √ √ √ √ × × √ × J3QSB4 √ √ √ × √ √ × × 准确率/% 86.67 80.00 46.67 60.00 46.67 53.33 46.67 注：“√”代表基因剪切得到的异构体具有该功能，“×”则代表无，下划线标记代表该方法的预测结果与实际收集得到的结果不同。 表9表明，LossIsoFun正确区分了15个GO注释中的13个，准确率最高，可以更准确地区分从同一基因剪接的不同异构体的功能，还表明了同一基因的两种或多种异构体在相同的功能上的协同作用。此外， LossIsoFun预测的异构体功能具有明确的生物学意义。例如，实验预测的异构体“P26358”主要负责维持脱氧核糖核酸（deoxyribonucleic acid, DNA）甲基化模式，确保在DNA复制过程中将原有的甲基化标记传递给新合成的DNA链，该异构体的功能仅通过LossIsoFun预测得到；异构体“A0A3B3IS78”参与肝胆酸稳态和脂质稳态；异构体“O94966”生成一种去泛素化酶，可调控多种蛋白质的降解；异构体“G5E9D5”和“V9GZ72”编码的蛋白具有线粒体tRNA 3′末端加工的核酸内切酶活性，并参与tRNA的成熟过程[41]。
相比之下，DisoFun[26]基于矩阵分解的解决方案大多忽略了这一事实，并且遗漏了许多正面注释（即认定异构体具有特定功能的注释）。此外，正面注释的基因和负面注释的基因之间在大多数GO术语方面存在巨大不平衡。因此，IsoResolve[21]、DisoFun[26]和IsoFun[19]都倾向于预测负面注释。DMIL-IsoFun[23]使用两个不同的网络预测异构体函数功能，忽略了GO层次结构，并且精度也较LossIsoFun低得多。IsoFunGO[22]虽然也采用了GO层次结构，但是其采用的注意力机制并不能合理地将基因注释分配给各个异构体。
2.5 LossIsoFun的可解释性
为更加严谨地分析LossIsoFun可解释性，本文分别从多实例学习和注意力机制两个方面展开讨论。
多实例学习在异构体功能预测中的可解释性主要体现在其对基因及其异构体的建模方式上。在多实例学习框架下，基因可以被视为一个“包”（bag），而异构体作为包中的“实例”（instances）。这种方式能够有效地反映基因与异构体之间的关系，并提供生物学上的可解释性。由于基因的整体功能是已知的，而各个异构体的具体功能可能尚不明确，多实例学习可以基于基因的整体功能推测其异构体的潜在功能。此外，多实例学习能够评估不同异构体对基因功能的影响，结合注意力权重，推测哪些异构体在特定功能中起关键作用。
LossIsoFun在注意力机制中采用Tanh激活函数来计算注意力权重。Tanh的非线性特性有助于捕捉复杂的特征交互关系，而其对称性和归一化范围则进一步增强了注意力权重的可解释性。对称性使得注意力权重能够区分不同异构体的影响程度，使其作用方向更加直观。与此同时，Tanh的归一化范围(−1,1)有效避免了极端值的出现，确保权重在合理区间内分布，使得不同异构体的权重具有可比性，避免因数值过大或过小导致注意力分配失衡。
本文对注意力权重进行可视化，结果如图3所示。图中，纵坐标代表所有基因，横坐标代表每个基因的所有可变剪接异构体，每一行为该基因所有可变剪切异构体的注意力权重可视化。右侧图例表示颜色从紫色（下）到黄色（上）注意力权重逐渐增大，表示基因对异构体的影响越大。
图 3 注意力权重可视化Fig. 3 Visualization of attention weights下载:
全尺寸图片
3. 结束语
准确预测基因选择性剪接产生的异构体的功能，有助于解析复杂疾病的机制，并提升对功能基因组学的深入了解。本文提出了一种基于损失优化的异构体功能预测方法LossIsoFun，该方法首先生成GO术语的低维表示并将大量GO注释压缩为紧凑的注释，随后将异构体表达和序列数据与异构体间互作网络进行融合，并提出基于注意力权重的损失函数来训练模型。使用人类基准数据集验证LossIsoFun的有效性，结果表明该方法提高了异构体功能预测的可解释性。
在未来工作中，异构体功能预测将更广泛地整合多种组学数据，如蛋白质组以及表观遗传组等，有助于更全面地理解异构体的功能调控机制。此外，目前许多 GO 术语和功能注释不够准确。未来将通过更精准的实验数据（如蛋白质晶体结构、功能性区域的标记等），提供更详细的异构体功能注释，提高异构体功能预测模型的准确性和实用性。
-
图 1 LossIsoFun示意
Fig. 1 Schematic of LossIsoFun
下载:
全尺寸图片
图 2 消融实验对比
Fig. 2 Ablation experiment comparison chart
下载:
全尺寸图片
图 3 注意力权重可视化
Fig. 3 Visualization of attention weights
下载:
全尺寸图片
表 1 组织类型数量分布
Table 1 Distribution of tissue type counts
组织 数量 组织 数量 大脑−皮层 12 肾脏−髓质 9 大脑−小脑 8 肾脏−肾小管 8 大脑−海马 7 胃−胃底 8 大脑−下丘脑 6 胃−幽门 8 大脑−杏仁核 4 胃−胃体 7 脊髓 3 胰腺−胰岛 7 肝脏−左叶 12 胰腺−外分泌腺泡 7 肝脏−右叶 12 胰腺−胰管 6 肝脏−胆管 6 肠道−小肠 9 肝脏−门静脉区 5 肠道−大肠 9 心脏−左心室 10 皮肤−表皮 8 心脏−右心室 8 皮肤−真皮 7 心脏−心房 7 血液−T细胞 12 心脏−冠状动脉 5 血液−B细胞 10 肺−肺泡 10 血液−单核细胞 10 肺−支气管 10 血液−中性粒细胞 9 肺−毛细血管 9 血液−红细胞 9 肾脏−皮质 10 骨骼 12 脾脏 10 甲状腺 9 脂肪 8 睾丸 7 卵巢 7 前列腺 6 食道 6 膀胱 6 肌肉 6 胎盘 5 淋巴结 5 子宫 4 眼睛 3 耳朵 3 表 2 实验参数设置
Table 2 Experimental parameter settings
参数 默认值 共表达网络的最近邻数设置k 5 异构体的嵌入维度embedded_d 256 训练批次大小batch_size 256 损失函数中参数$ \omega $ 7 训练轮数epoch 50 学习率learning_rate 0.01 表 3 人类数据集BP过程的异构体预测结果
Table 3 Isoform prediction results for human dataset in the BP process
方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.5543 0.0030 0.5497 0.0089 0.5203 0.0204 DisoFun[26] 0.6161 0.0036 0.5931 0.0075 0.5377 0.0188 IsoResolve[21] 0.6108 0.0153 0.5975 0.0132 0.5585 0.0243 DIFFUSE[17] 0.5842 0.0201 0.5592 0.0308 0.5517 0.0401 DMIL-IsoFun[23] 0.6077 0.0238 0.6937 0.0202 0.6168 0.0328 IsoFunGo[22] 0.6171 0.0328 0.6573 0.0663 0.7080 0.0936 LossIsoFun 0.6331 0.0414 0.7315 0.0786 0.7342 0.0893 注：加粗为本列最优结果。 表 4 人类数据集CC过程的异构体预测结果
Table 4 Isoform prediction results for human dataset in the CC process
方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.6693 0.0379 0.7098 0.0981 0.7060 0.1208 DisoFun[26] 0.5639 0.0038 0.5291 0.0056 0.5331 0.0191 IsoResolve[21] 0.5891 0.0041 0.5501 0.0097 0.4922 0.0193 DIFFUSE[17] 0.6013 0.0129 0.6177 0.0133 0.5614 0.0281 DMIL-IsoFun[23] 0.5943 0.0719 0.5859 0.0887 0.5987 0.1105 IsoFunGo[22] 0.6918 0.1635 0.7671 0.2948 0.7285 0.2878 LossIsoFun 0.7371 0.1689 0.7862 0.2963 0.7171 0.2533 注：加粗为本列最优结果。 表 5 人类数据集MF过程的异构体预测结果
Table 5 Isoform prediction results for human dataset in the MF process
方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.7281 0.1331 0.5517 0.0080 0.5310 0.0201 DisoFun[26] 0.5470 0.0042 0.5752 0.0091 0.5270 0.0203 IsoResolve[21] 0.6611 0.0071 0.5810 0.0081 0.5520 0.0310 DIFFUSE[17] 0.6721 0.0390 0.5911 0.0353 0.5780 0.0475 DMIL-IsoFun[23] 0.6923 0.0191 0.6950 0.0210 0.6320 0.0387 IsoFunGo[22] 0.8171 0.2392 0.8250 0.2530 0.8370 0.3770 LossIsoFun 0.8237 0.2614 0.8458 0.3576 0.8878 0.4922 注：加粗为本列最优结果。 表 6 玉米数据集BP过程的异构体预测结果
Table 6 Isoform prediction results for maize data in the BP process
方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.5726 0.0101 0.5802 0.0100 0.5544 0.0228 DisoFun[26] 0.6382 0.0117 0.5931 0.0112 0.5627 0.0211 IsoResolve[21] 0.6408 0.0203 0.5975 0.0108 0.5785 0.0308 DIFFUSE[17] 0.6310 0.0287 0.6037 0.0331 0.5438 0.0447 DMIL-IsoFun[23] 0.6544 0.0351 0.7012 0.0257 0.6376 0.0378 IsoFunGo[22] 0.6731 0.0377 0.6907 0.0701 0.7396 0.0921 LossIsoFun 0.7063 0.0471 0.7856 0.0812 0.7910 0.0957 注：加粗为本列最优结果。 表 7 玉米数据集CC过程的异构体预测结果
Table 7 Isoform prediction results for maize data in the CC process
方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.6871 0.0401 0.7034 0.0901 0.7132 0.1301 DisoFun[26] 0.5800 0.0055 0.5551 0.0075 0.5903 0.0285 IsoResolve[21] 0.6031 0.0073 0.5722 0.0117 0.5014 0.0336 DIFFUSE[17] 0.6247 0.0208 0.6336 0.0214 0.5631 0.0309 DMIL-IsoFun[23] 0.6038 0.0738 0.6024 0.090 0.6007 0.1746 IsoFunGo[22] 0.7146 0.1779 0.7871 0.3012 0.7350 0.2833 LossIsoFun 0.7577 0.1826 0.8024 0.3129 0.7296 0.2936 注：加粗为本列最优结果。 表 8 玉米数据集MF过程的异构体预测结果
Table 8 Isoform prediction results for maize data in the MF process
方法 [3,50) [50,100) [100,300) AUROC AUPRC AUROC AUPRC AUROC AUPRC IsoFun[19] 0.7210 0.1554 0.5742 0.0100 0.5415 0.0223 DisoFun[26] 0.5834 0.0078 0.5693 0.0116 0.5308 0.0276 IsoResolve[21] 0.6869 0.0098 0.5944 0.0098 0.5679 0.0375 DIFFUSE[17] 0.6812 0.0439 0.6038 0.0490 0.5889 0.0553 DMIL-IsoFun[23] 0.6946 0.0204 0.7169 0.0305 0.6557 0.0496 IsoFunGo[22] 0.8241 0.2393 0.8305 0.2735 0.8407 0.3912 LossIsoFun 0.8332 0.2736 0.8645 0.3771 0.9001 0.5038 注：加粗为本列最优结果。 表 9 LossIsoFun对异构体注释的预测结果（√/×）
Table 9 Prediction positive/nnegative (√/×) annotations for each isoform by each comparison method
GO术语 基因 异构体 注释 LossIso
FunIsoFun
GO[22]DMIL-
IsoFun[26]DIFFUSE[17] IsoResolve[21] DisoFun[25] IsoFun[19] 0008170 DNMT1 P26358 √ √ × × × × × × K7ENW7 × × × √ × √ × × 0140101 ELAC2 G5E9D5 √ √ √ × × × × × V9GZ72 √ √ √ × × × × × E7ES68 × × × × √ × × × H7C2I4 × × × × √ × × × 014359 ABCB11 A0A3B3IS78 √ √ √ √ √ × √ × A0A3B3ISD4 × × √ √ × × × × 0101005 USP19 O94966 √ √ √ √ √ √ × √ A0A0A0MR08 × × × × × × × × 0016887 MCM3 A0A499FHX9 √ × √ × √ × × × J3KQ69 √ × × × √ × × × Q7Z6P5 × × × × × × × × 0003735 RPL13 J3KS98 √ √ √ √ × × √ × J3QSB4 √ √ √ × √ √ × × 准确率/% 86.67 80.00 46.67 60.00 46.67 53.33 46.67 注：“√”代表基因剪切得到的异构体具有该功能，“×”则代表无，下划线标记代表该方法的预测结果与实际收集得到的结果不同。 -
[1] PAN Qun, SHAI O, LEE L J, et al. Deep surveying of alternative splicing complexity in the human transcriptome by high-throughput sequencing[J]. Nature genetics, 2008, 40(12): 1413−1415. doi: 10.1038/ng.259 [2] WANG E T, SANDBERG R, LUO Shujun, et al. Alternative isoform regulation in human tissue transcriptomes[J]. Nature, 2008, 456(7221): 470−476. doi: 10.1038/nature07509 [3] CROWL S, COLEMAN M B, CHAPIV A, et al. Systematic analysis of the effects of splicing on the diversity of post-translational modifications in protein isoforms using PTM-POSE[EB/OL]. (2024−01−11)[2025−09−15]. https://doi.org/10.1101/2024.01.10.575062. [4] SMITH L M, KELLEHER N L. Proteoforms as the next proteomics currency[J]. Science, 2018, 359(6380): 1106−1107. doi: 10.1126/science.aat1884 [5] 曾杰. 基于深度多示例学习的可变剪接异构体相互作用预测研究[D]. 重庆: 西南大学, 2021. ZENG Jie. Study on interaction prediction of alternative splicing isomers based on deep multi-instance learning[D]. Chongqing: Southwest University, 2021. [6] HOWES A, ROGERSON C, BELYAEV N, et al. The FAM13A long isoform regulates cilia movement and coordination in airway mucociliary transport[J]. American journal of respiratory cell and molecular biology, 2024, 71(3): 282−293. doi: 10.1165/rcmb.2024-0063OC [7] MITTENDORF K F, DEATHERAGE C L, OHI M D, et al. Tailoring of membrane proteins by alternative splicing of pre-mRNA[J]. Biochemistry, 2012, 51(28): 5541−5556. doi: 10.1021/bi3007065 [8] GUO Miao, LIU Wei, SERRA S, et al. FGFR2 isoforms support epithelial-stromal interactions in thyroid cancer progression[J]. Cancer research, 2012, 72(8): 2017−2027. doi: 10.1158/0008-5472.CAN-11-3985 [9] WANG Shiying, SUN Boyun, YUAN Jianye, et al. The different effects of VEGFA121 and VEGFA165 on regulating angiogenesis depend on phosphorylation sites of VEGFR2[J]. Inflammatory bowel diseases, 2017, 23(4): 603−616. doi: 10.1097/MIB.0000000000001055 [10] HASSN MESRATI M, SYAFRUDDIN S E, MOHTAR M A, et al. CD44: a multifunctional mediator of cancer progression[J]. Biomolecules, 2021, 11(12): 1850. doi: 10.3390/biom11121850 [11] REVIL T, TOUTANT J, SHKRETA L, et al. Protein kinase C-dependent control of Bcl-x alternative splicing[J]. Molecular and cellular biology, 2007, 27(24): 8431−8441. doi: 10.1128/MCB.00565-07 [12] ASHBURNER M, BALL C A, BLAKE J A, et al. Gene ontology: tool for the unification of biology[J]. Nature genetics, 2000, 25(1): 25−29. doi: 10.1038/75556 [13] ZHAO Yingwen, WANG Jun, GUO Maozu, et al. Cross-species protein function prediction with asynchronous-random walk[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2019, 18(4): 1439−1450. [14] ZHAO Yingwen, FU Guangyuan, WANG Jun, et al. Gene function prediction based on gene ontology hierarchy preserving hashing[J]. Genomics, 2019, 111(3): 334−342. doi: 10.1016/j.ygeno.2018.02.008 [15] YU Guoxian, WANG Keyao, FU Guangyuan, et al. NMFGO: gene function prediction via nonnegative matrix factorization with gene ontology[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2020, 17(1): 238−249. doi: 10.1109/TCBB.2018.2861379 [16] CARBONNEAU M A, CHEPLYGINA V, GRANGER E, et al. Multiple instance learning: a survey of problem characteristics and applications[J]. Pattern recognition, 2018, 77: 329−353. doi: 10.1016/j.patcog.2017.10.009 [17] CHEN Hao, SHAW D, ZENG Jianyang, et al. DIFFUSE: predicting isoform functions from sequences and expression profiles via deep learning[J]. Bioinformatics, 2019, 35(14): i284−i294. doi: 10.1093/bioinformatics/btz367 [18] LI Wenyuan, KANG Shuli, LIU Chunchi, et al. High-resolution functional annotation of human transcriptome: predicting isoform functions by a novel multiple instance-based label propagation method[J]. Nucleic acids research, 2014, 42(6): e39. doi: 10.1093/nar/gkt1362 [19] YU Guoxian, WANG Keyao, DOMENICONI C, et al. Isoform function prediction based on bi-random walks on a heterogeneous networkFree[J]. Bioinformatics, 2020, 36(1): 303−310. doi: 10.1093/bioinformatics/btz535 [20] SHAW D, CHEN Hao, JIANG Tao. DeepIsoFun: a deep domain adaptation approach to predict isoform functionsFree[J]. Bioinformatics, 2018, 35(15): 2535−2544. [21] LI Hongdong, YANG Changhuo, ZHANG Zhimin, et al. IsoResolve: predicting splice isoform functions by integrating gene and isoform-level features with domain adaptation[J]. Bioinformatics, 2021, 37(4): 522−530. doi: 10.1093/bioinformatics/btaa829 [22] QIU Sichao, YU Guoxian, LU Xudong, et al. Isoform function prediction by gene ontology embedding[J]. Bioinformatics, 2022, 38(19): 4581−4588. doi: 10.1093/bioinformatics/btac576 [23] YU Guoxian, ZHOU Guangjie, ZHANG Xiangliang, et al. DMIL-IsoFun: predicting isoform function using deep multi-instance learning[J]. Bioinformatics, 2021, 37(24): 4818−4825. doi: 10.1093/bioinformatics/btab532 [24] 王可尧. 基于RNA-seq数据的可变剪接异构体功能预测方法研究[D]. 重庆: 西南大学, 2019. WANG Keyao. Study on function prediction method of alternative splicing isomers based on RNA-seq data[D]. Chongqing: Southwest University, 2019. [25] SU Yaqi, YU Zhejian, JIN Siqian, et al. Comprehensive assessment of mRNA isoform detection methods for long-read sequencing data[J]. Nature communications, 2024, 15(1): 3972. doi: 10.1038/s41467-024-48117-3 [26] WANG Keyao, WANG Jun, DOMENICONI C, et al. Differentiating isoform functions with collaborative matrix factorization[J]. Bioinformatics, 2020, 36(6): 1864−1871. doi: 10.1093/bioinformatics/btz847 [27] KIPF T N, WELLING M. Semi-supervised classification with graph convolutional networks[EB/OL]. (2016−09−09)[2025−09−15]. https://arxiv.org/abs/1609.02907. [28] 张硕. 基于图神经网络的剪接异构体功能预测方法研究[D]. 长沙: 中南大学, 2022. ZHANG Shuo. Study on function prediction method of splicing isomers based on graph neural network[D]. Changsha: Central South University, 2022. [29] GAO Tianyu, YAO Xingcheng, CHEN Danqi. SimCSE: simple contrastive learning of sentence embeddings[EB/OL]. (2021−04−18)[2025−09−15]. https://arxiv.org/abs/2104.08821. [30] ZHAO Yingwen, WANG Jun, CHEN Jian, et al. A literature review of gene function prediction by modeling gene ontology[J]. Frontiers in genetics, 2020, 11: 400. doi: 10.3389/fgene.2020.00400 [31] LIN Dekang. An information-theoretic definition of similarity[C]//Proceedings of the Fifteenth International Conference on Machine Learning. Madison: Morgan Kaufmann Publishers Inc. , 1998: 296−304. [32] LUO Tingjin, ZHANG Weizhong, QIU Shuang, et al. Functional annotation of human protein coding isoforms via non-convex multi-instance learning[C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Halifax: ACM, 2017: 345−354. [33] ALTSCHUL S F, GISH W, MILLER W, et al. Basic local alignment search tool[J]. Journal of molecular biology, 1990, 215(3): 403−410. doi: 10.1016/S0022-2836(05)80360-2 [34] RAPPOPORT N, SHAMIR R. NEMO: cancer subtyping by integration of partial multi-omic data[J]. Bioinformatics, 2019, 35(18): 3348−3356. doi: 10.1093/bioinformatics/btz058 [35] WANG Bo, MEZLINI A M, DEMIR F, et al. Similarity network fusion for aggregating data types on a genomic scale[J]. Nature methods, 2014, 11(3): 333−337. doi: 10.1038/nmeth.2810 [36] 赵璐, 袁立明, 郝琨. 多示例学习算法综述[J]. 计算机科学, 2022, 49(S1): 93−99. ZHAO Lu, YUAN Liming, HAO Kun. A survey of multi-instance learning algorithms[J]. Computer science, 2022, 49(S1): 93−99. [37] EKSI R, LI Hongdong, MENON R, et al. Systematically differentiating functions for alternatively spliced isoforms through integrating RNA-seq data[J]. PLoS comput biol, 2013, 9(11): e1003314. doi: 10.1371/journal.pcbi.1003314 [38] ZHANG Shijia, LIU Huili, YUAN Li, et al. Recognition of CCA1 alternative protein isoforms during temperature acclimation[J]. Plant cell reports, 2021, 40(2): 421−432. doi: 10.1007/s00299-020-02644-7 [39] LANGFELDER P, HORVATH S. WGCNA: an R package for weighted correlation network analysis[J]. BMC bioinformatics, 2008, 9: 559. doi: 10.1186/1471-2105-9-559 [40] HUERTA-CEPAS J, SZKLARCZYK D, HELLER D, et al. eggNOG 5.0: a hierarchical, functionally and phylogenetically annotated orthology resource based on 5090 organisms and 2502 viruses[J]. Nucleic acids research, 2019, 47(D1): D309−D314. doi: 10.1093/nar/gky1085 [41] CONSORTIUM U. UniProt: the universal protein knowledgebase in 2021[J]. Nucleic acids research, 2021, 49(D1): D480−D489. doi: 10.1093/nar/gkaa1100
