3. 功能预测任务定义与建模目标

在蛋白功能预测建模工程中，最先要做的不是选模型，而是把“预测什么”定义清楚。同一个蛋白序列，可以问出很多不同的问题：它属于哪个家族？它的最适温度是多少？它同时具备哪些功能？哪些残基参与催化？哪些突变更可能致病？这些问题对应的输出空间、损失函数、评价指标和可用数据形态完全不同。如果任务定义错了，后面无论用多复杂的网络，都只是在优化一个错误的目标。

本节把常见的蛋白功能预测任务归纳为五类：分类、回归、多标签、位点识别和排序。理解它们的差别，是后续数据构造、模型选型和评估设计的前提。

一、分类：从序列到一个离散类别

分类任务假设每个样本属于且仅属于一个类别，输出是互斥的。典型场景包括：酶与非酶判别（二分类）、蛋白亚细胞定位预测（多分类，如细胞核、细胞质、线粒体、分泌途径等）、以及蛋白家族归属（如把序列分到某个 Pfam 家族）。

建模时，标签通常编码为 one-hot 向量，模型末端接 softmax，损失用交叉熵。评价指标不能只看准确率：当类别极不平衡时（例如膜蛋白只占少数），应同时看宏平均 F1、每类召回率和混淆矩阵。一个常见误区是把“多标签”当成“多分类”处理——如果一条序列可以同时是激酶和转录因子，用 softmax 会强迫模型二选一，这是任务定义错误。

二、回归：预测连续数值

回归任务的输出是实数，例如最适 pH、最适温度、热稳定性 ΔTm、催化效率 kcat/Km、表达量或结合亲和力。与分类不同，回归对标签的数值精度和量纲非常敏感。

建模时通常对目标做标准化或对数变换（如 kcat 常跨多个数量级，宜取 log10），损失用 MSE 或 Huber。评价指标用 MAE、RMSE、Pearson/Spearman 相关系数。需要注意：如果训练集里同一蛋白有多个实验条件下的测量值，直接回归会引入标签噪声，应先明确预测的是“某个条件下的值”还是“条件平均趋势”。

三、多标签：一条序列对应多个功能

多标签任务中，每个样本可以同时拥有多个标签，标签之间不互斥。蛋白功能注释（GO term 预测）是最典型的例子：一条序列可能同时具有“ATP 结合”“蛋白激酶活性”“细胞凋亡调控”等多个功能。

建模时，输出层对每个标签独立做 sigmoid，损失用二元交叉熵（BCE），每个标签单独设阈值。评价指标常用 mAP、micro-F1、macro-F1 以及每个 GO term 的 AUPRC。由于 GO 标签极度不平衡且存在层级关系（子 term 蕴含父 term），实际工程中常做标签传播或层级约束，而不是把几千个 term 完全独立对待。

四、位点识别：从整条序列到残基级标注

位点识别把预测粒度从“整条序列”下沉到“每个残基”。典型任务包括：催化残基识别、金属结合位点、糖基化位点、蛋白-蛋白相互作用界面残基、以及二硫键半胱氨酸配对。

这类任务的输入是序列（或结构），输出是长度等于序列长度的标签序列，属于序列标注问题。模型常用 CNN、BiLSTM 或蛋白语言模型加逐残基分类头，损失用逐位置交叉熵。评价时不能只看残基准确率——正例通常只占 1%～5%，应看残基级 AUPRC、precision/recall，以及“命中一个真实位点即算对”的蛋白级指标。位点识别还常与结构信息结合，例如用距离图约束预测的残基在三维空间中是否聚集。

五、排序：关心相对顺序而非绝对分数

排序任务不要求预测出精确数值，只要求把候选对象按某种功能相关性排出先后。典型场景包括：给定一个蛋白，对候选配体/底物/突变体排序；或在定向进化中，对突变文库排序以挑选下一轮实验对象。

建模时常用 pairwise 或 listwise 损失（如 RankNet、LambdaRank），评价指标用 NDCG、MAP、Top-k 命中率。排序任务的价值在于：实验验证预算有限时，模型只需把真正有功能的候选排进前几名即可，而不必给出准确的活性值。

六、如何判断一个任务属于哪一类

可以用三个问题快速定位：第一，输出是离散还是连续？离散→分类/多标签/位点识别，连续→回归或排序分数。第二，标签之间是否互斥？互斥→分类，不互斥→多标签。第三，预测粒度是整条序列还是单个残基？残基级→位点识别。第四，是否只关心相对顺序？是→排序。

实际项目中，任务常常是组合的。例如“预测某突变对蛋白稳定性的影响”可以建模为回归（预测 ΔΔG 数值），也可以建模为排序（把突变按有害程度排序）；“预测蛋白功能”可以同时输出 GO 多标签和催化位点。此时应明确主任务与辅助任务，并设计多任务损失权重，而不是把所有输出混在一个头里。

七、从任务定义到建模目标的落地检查

确定任务类型后，还要把它翻译成可执行的建模目标。建议按以下顺序检查：

• 输出维度：分类为类别数 C，多标签为标签数 L，位点识别为序列长度 × 类别数，排序为每个候选的分数。
• 标签编码：分类用整数或 one-hot，多标签用 0/1 向量，位点识别用与序列等长的标签序列，排序用相关性等级或成对偏好。
• 损失函数：分类用交叉熵，多标签用 BCE，回归用 MSE/Huber，位点识别用逐位置交叉熵，排序用 pairwise/listwise 损失。
• 评价指标：必须与任务类型匹配，并考虑类别不平衡、标签不平衡和正例稀疏问题。
• 基线：分类可用逻辑回归或 kNN，回归可用均值预测，多标签可用频率最高标签，位点识别可用保守性打分，排序可用 BLAST 相似度。先跑通基线，再上深度模型。

以“预测蛋白是否具有某个酶活”为例，如果只判断“有/无”，是二分类；如果要同时预测 EC 号的前三位，是多标签；如果要预测具体催化残基，是位点识别；如果只是把候选底物按反应可能性排序，是排序。同一个生物学问题，任务定义不同，数据标注方式、模型输出和评估标准都会随之改变。

总结来说，分类回答“是哪一个”，回归回答“是多少”，多标签回答“有哪些”，位点识别回答“在哪里”，排序回答“哪个更可能”。在蛋白功能预测建模工程中，先把这五个问题分清楚，后续的数据构造、模型设计和评估才有稳定的落脚点。