📚 课程目录第3章序列特征工程经典方法

3. 序列特征工程经典方法

把一条氨基酸序列送进模型之前，必须先把它变成数值向量。序列本身是变长的字符串，而绝大多数经典机器学习模型（逻辑回归、SVM、随机森林、XGBoost）以及早期的神经网络都要求定长、定维的数值输入。特征工程要解决的核心问题就是：用什么方式把序列的组成、顺序、位置和理化性质编码成固定维度的向量，并且让这个向量尽可能保留与下游任务相关的信息。本节围绕四类经典方法展开，并给出把它们拼接成统一特征向量的实践路径。

一、独热编码：最基础的定长表示

独热编码（One-Hot Encoding）把每个位置的氨基酸映射成一个长度为 20 的稀疏向量，对应氨基酸下标处为 1，其余为 0。若序列长度为 L，则编码矩阵形状为 L×20。它保留了完整的位置信息，但维度随序列长度变化，且完全不含氨基酸之间的相似性——赖氨酸和精氨酸的向量距离与赖氨酸和色氨酸一样远。

实践中通常配合两种处理：一是截断或补齐到固定长度 L（如 512），补齐位用全零向量表示；二是把 L×20 矩阵展平为 1×（L×20）向量，或对列求和得到 1×20 的氨基酸组成（AAC）。需要注意，展平后的维度可能高达上万，容易过拟合，因此独热编码更适合作为卷积网络的输入张量，而不是直接喂给树模型。

二、k-mer 频率：捕捉局部顺序

k-mer 频率统计序列中所有长度为 k 的子串出现次数，再除以总子串数归一化。k=1 时就是 20 维的氨基酸组成；k=2 时是 400 维的二肽组成；k=3 时是 8000 维的三肽组成。相比独热编码，k-mer 用固定维度隐式地编码了局部相邻顺序，且对序列长度不敏感。

维度爆炸是主要风险：k=3 已有 8000 维，k=4 达到 160000 维，而典型蛋白序列只有几百个残基，绝大多数 k-mer 计数为 0，特征极度稀疏。常用对策包括：只保留训练集中出现频率高于阈值的 k-mer、使用 gapped k-mer（允许中间跳过若干位）、或对计数做 TF-IDF 加权。示例中若某数据集含 5000 条长度约 300 的序列，取 k=2 得到 400 维特征，通常比 k=3 更稳健。

三、物理化学属性：用连续量刻画残基

每个氨基酸都有一组可量化的理化指标，常见的有疏水性（Kyte-Doolittle）、等电点、分子量、极性、α 螺旋倾向、β 折叠倾向等。做法是把序列中每个残基替换为其属性值，得到一条长度 L 的数值曲线，再对该曲线提取统计量：均值、标准差、最大值、最小值、偏度、峰度，以及沿序列滑窗的均值序列。

这类特征维度低（每种属性约 6～10 维）、可解释性强，能直接反映“这条序列整体偏疏水还是偏亲水”“疏水段是否集中”。它天然丢失了精确位置，因此常与 k-mer 或独热编码互补使用。选择属性时应对应任务：预测跨膜区优先用疏水性，预测结合亲和力可加入电荷与极性。

四、位置特异性打分矩阵（PSSM）

PSSM 由 PSI-BLAST 对序列做多轮迭代搜索后生成，形状为 L×20，元素是每个位置出现各氨基酸的对数几率分数。它把进化保守性编码进来：保守位置分数绝对值大，可变位置接近 0。相比独热编码，PSSM 的同一位置 20 个值有强弱之分，携带了同源家族的信息。

由于 PSSM 也是 L×20 的变长矩阵，常见处理是：按列求均值得到 20 维、取每行最大值与最小值得到 2L 维、或对整矩阵做池化。生成 PSSM 需要本地安装 BLAST 并准备 Swiss-Prot 等数据库，计算成本较高，通常离线预计算并缓存为 .pssm 文件。

五、手工特征拼接实践

单一特征往往只能覆盖一个侧面，实际项目中最常见的做法是把多类特征拼接成一个长向量。下面给出一个可复现的拼接示例，假设序列长度约 300，任务为二分类。

# 示例：四类特征拼接（参数为教学假设值）
# 1. AAC（氨基酸组成）        20 维
# 2. 二肽组成 k=2             400 维
# 3. 理化属性统计（5 种属性×6 统计量）  30 维
# 4. PSSM 列均值              20 维
# 合计                        470 维

import numpy as np
from sklearn.preprocessing import StandardScaler

def build_features(seq, pssm_matrix, aa_props):
    aac   = amino_acid_composition(seq)          # 20
    dpc   = kmer_frequency(seq, k=2)             # 400
    phys  = physchem_stats(seq, aa_props)        # 30
    pssm  = pssm_matrix.mean(axis=0)             # 20
    return np.concatenate([aac, dpc, phys, pssm])

X = np.array([build_features(s, p[s], props) for s in seqs])
scaler = StandardScaler().fit(X_train)
X_train = scaler.transform(X_train)
X_test  = scaler.transform(X_test)

拼接时有三个关键点。第一，量纲统一：k-mer 频率在 0～1 之间，PSSM 分数可能在 -10～10 之间，理化统计量跨度更大，必须用 StandardScaler 或 MinMaxScaler 在训练集上拟合、再变换测试集，避免数据泄漏。第二，维度权衡：470 维对几千条样本尚可，若样本只有几百条，应优先保留 AAC、理化统计和 PSSM 列均值，把 k=2 降为 k=1 或做特征选择。第三，缺失处理：PSSM 生成失败或序列过短时，对应特征用 0 填充，并在元数据中标记，避免静默污染训练集。

判断特征是否有效，可先看单特征基线：仅用 20 维 AAC 训练逻辑回归，若 AUC 已达 0.75，说明组成信息占主导；再加入 k-mer 与 PSSM 后若验证集 AUC 提升不足 0.02，则新增维度可能只带来噪声，应做消融实验确认。

PSSM 依赖外部数据库和 PSI-BLAST 版本，不同版本生成的分数不可直接混用；同一批实验应固定数据库版本与迭代次数（常用 3 轮），并把生成的 .pssm 文件与特征矩阵一起归档，保证结果可复现。

四类方法并非互斥，而是从不同粒度描述同一条序列：独热编码保留精确位置，k-mer 捕捉局部顺序，理化属性提供连续可解释的全局刻画，PSSM 注入进化保守性。理解每种方法的维度来源、信息偏好与计算代价，才能在具体任务中做出合理的取舍与组合。