4. 蛋白序列特征工程

蛋白功能预测模型的输入不是氨基酸字母本身，而是从序列中抽取出的数值化特征。同一段序列，用不同特征编码方式送入模型，预测效果可能相差很大。特征工程的任务，就是把一条氨基酸序列转换成一组能反映其理化行为、进化约束、局部功能模块和整体结构倾向的向量。本节围绕四类最常用的序列特征展开：理化性质、进化信息、保守性和motif/结构域特征，并说明它们各自的计算方式、适用场景与组合策略。

一、理化性质特征：从氨基酸到数值向量

理化性质特征直接由氨基酸的物理化学属性计算得到，不依赖外部数据库，因此计算速度快、可解释性强。常用属性包括疏水性（Kyte-Doolittle标度）、分子量、等电点、极性、电荷和芳香性等。最基础的编码是氨基酸组成（AAC），即统计20种氨基酸各自出现的频率，得到一个20维向量。AAC简单，但完全丢失了顺序信息。

为保留局部顺序，常用k-mer频率或二肽组成（DPC），DPC统计相邻氨基酸对的出现频率，维度为20×20=400。进一步可计算伪氨基酸组成（PseAAC），在AAC基础上加入序列相关性因子，兼顾组成与顺序。此外，还可计算全局理化指标，如平均疏水性（GRAVY）、总电荷、不稳定指数和脂肪族指数。这些标量特征常作为补充维度，帮助模型捕捉序列的整体行为倾向。

实际计算时，可用Biopython的ProtParam模块快速得到GRAVY、等电点等指标：

from Bio.SeqUtils.ProtParam import ProteinAnalysis
seq = "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ"
pa = ProteinAnalysis(seq)
print(pa.gravy())          # 平均疏水性
print(pa.isoelectric_point())
print(pa.amino_acids_percent)  # 20维AAC

需要注意，AAC和DPC对序列长度敏感，短序列（<50 aa）的组成统计波动较大，建议结合长度归一化或改用k-mer谱。

二、进化信息：PSSM与HMM谱

进化信息来自同源序列比对，反映每个位点在进化过程中被允许出现的氨基酸分布。最常用的表示是位置特异性打分矩阵（PSSM），通常由PSI-BLAST对序列搜索同源序列后生成，维度为L×20，L为序列长度。PSSM中每个值表示该位点突变为某氨基酸的对数几率得分，正值表示该替换在进化中被偏好，负值表示被排斥。

PSSM的每一行可视为该位点的进化偏好分布，常进一步归一化后作为特征。相比AAC，PSSM保留了位置信息，能区分“同样含有一个半胱氨酸，但位置不同”的序列。另一类进化特征是HMM谱，由HMMER对Pfam等数据库搜索得到，输出每个位点对各个氨基酸的发射概率，信息更平滑，适合远缘同源检测。

使用PSSM时要注意：搜索数据库的选择、E-value阈值和迭代次数会显著影响结果。示例中若用E-value=0.001、迭代3次，得到的PSSM更聚焦于近缘同源；若放宽到0.01并增加迭代，可能引入远缘序列，提升覆盖但增加噪声。实际建模时建议固定一套参数，保证训练与推理一致。

三、保守性特征：位点约束的量化

保守性描述的是序列位点在进化中受到的选择压力。常用指标包括Shannon熵、相对熵和保守性得分。Shannon熵越低，说明该位点氨基酸分布越集中，保守性越高。对PSSM的每一列计算熵，可得到一条长度为L的保守性曲线。

保守性特征在功能位点识别中非常关键：酶活性中心、金属结合位点和蛋白互作界面通常高度保守。将保守性曲线与序列对齐后，可定位候选功能位点。实际中常把保守性作为一维特征与PSSM拼接，或单独用于阈值筛选。例如，取熵值低于0.3的位点作为高保守候选，再结合motif扫描确认。

四、motif与结构域特征

Motif是序列中短而保守的模式，通常对应功能位点，如N-糖基化位点（N-X-S/T）、激酶磷酸化位点或锌指结构。结构域则是序列中可独立折叠的功能单元，如SH2、PDZ、Ig域。两者都可通过数据库扫描获得：motif用Prosite、ELM等，结构域用Pfam、InterPro等。

特征化时，常用做法是构建一个“结构域存在向量”：对每个候选结构域类型，若序列中存在则置1，否则置0。也可记录结构域的位置、数量和顺序。例如，一条含两个SH2域和一个SH3域的蛋白，其结构域特征可表示为[SH2:2, SH3:1, ...]。这类特征对功能分类特别有效，因为结构域组合往往直接决定蛋白功能。

五、特征组合与工程实践

四类特征各有侧重：理化性质反映整体行为，进化信息保留位置偏好，保守性突出功能约束，motif/结构域提供模块级语义。实际建模中，常将它们拼接成一个长向量。例如，AAC（20维）+ DPC（400维）+ PSSM（L×20）+ 保守性（L维）+ 结构域存在向量（D维）。拼接前需做标准化，避免量纲差异导致模型偏向大数值特征。

维度较高时，可用PCA或特征选择降低冗余。PSSM和保守性维度随序列长度变化，需通过截断、填充或统计聚合（如均值、最大值）统一长度。常见做法是取PSSM每列的均值和标准差，得到40维固定长度表示，再与AAC拼接。

组合特征时，建议先分别评估每类特征的单独贡献，再逐步拼接。例如，先用AAC+PSSM建立基线，观察AUC；再加入保守性，看是否提升；最后加入结构域向量。若某类特征引入后验证集性能下降，应检查是否存在维度灾难或噪声干扰。对于小样本数据集，优先使用低维、可解释的特征，避免直接拼接高维PSSM导致过拟合。

最后，特征工程不是一次性工作。当模型在验证集上表现不佳时，应回到特征层面分析：是理化性质覆盖不足，还是进化信息噪声过大，或是结构域注释缺失。通过消融实验定位问题，再针对性补充或替换特征，往往比盲目调参更有效。