4. 特征工程入门：为什么需要特征，特征类型

特征工程，说白了就是把原始数据翻译成模型能听懂的“悄悄话”。

蛋白质互作预测这件事，模型拿到的原始数据无非是一堆氨基酸字母和三维坐标。你觉得模型自己能看懂这些字母和坐标里的生物学含义吗？

我个人习惯，先把这个问题搞清楚：特征的本质是信息的压缩与结构化。你想想看，你把一条序列丢进网络，它不知道什么是疏水作用，也不知道什么是氢键。你得帮它把这些知识“装”进去。

为什么需要特征？——别让模型“猜哑谜”

我曾经犯过一个很傻的错误。刚开始做互作预测时，直接把两个蛋白质的序列拼接成一个长字符串，扔给一个简单的卷积网络。结果训练了三天，准确率还不如随机猜测。

为什么？因为模型在猜哑谜。它不知道序列上哪些位置是结合位点，不知道哪些残基的物理化学性质更适合配对。它只能看到字符的排列，看不到底层的生物学逻辑。

这就是特征工程存在的理由：用领域知识把隐藏的信号显式化。

具体的价值，我列在下面这张表里：

问题	没有特征工程	有特征工程
维度灾难	模型在高维稀疏空间里迷失	降维编码，聚焦关键信号
噪声干扰	无关变异淹没结合信号	平滑过滤，突出结合模式
非线性关系	直线切割永远分不开	构造交互项，释放高阶信息
生物学解释	黑箱输出，无从下手	特征权重对应物理/化学含义

所以，特征工程不是“可选项”，是“必做题”。不做好这一步，后面的模型调参、误差分析都是在沙子上盖楼。

特征类型总览——四类弹药

蛋白质互作预测的特征，我习惯分成四类。每一种都有自己的脾气。我自己在项目里，经常需要混着用。

• 序列特征：从一级序列直接提取的字符串信息。
• 结构特征：从三维坐标中计算的空间属性。
• 物理化学特征：残基层面的理化性质数值。
• 功能注释特征：从数据库或实验注释中获取的知识。

1. 序列特征——最直接的“字面信息”

序列特征是最容易获取的。你只要知道蛋白质的氨基酸排列，就能算出一堆描述符。

常见的包括：

• One-hot编码：把20种氨基酸摊成20维向量。我记得第一次用One-hot时，发现序列长度不一致，补零后模型学到的是“补零位置”，而不是结合模式。后来我改用截断+padding，加上mask机制才解决。
• PSSM矩阵：位置特异性得分矩阵。这个信息量很大，但本身很稀疏。我建议对PSSM做一次行标准化，否则不同蛋白质的得分范围差异会导致模型梯度爆炸。
• k-mer频率：统计短肽片段出现次数。这种方法对局部模式敏感，但丢失了顺序信息。可以考虑与位置编码配合使用。

给你一个Python风格的伪代码，展示最基础的序列特征提取逻辑：

def extract_sequence_features(seq, k=3):
    # seq: str, 氨基酸序列
    # 1. One-hot
    one_hot = np.zeros((len(seq), 20))
    for i, aa in enumerate(seq):
        one_hot[i, aa_to_idx[aa]] = 1

    # 2. k-mer 频率
    kmer_counts = {}
    for i in range(len(seq)-k+1):
        kmer = seq[i:i+k]
        kmer_counts[kmer] = kmer_counts.get(kmer, 0) + 1

    return {
        "one_hot": one_hot,
        "kmer_freq": kmer_counts
    }

2. 结构特征——蛋白质的“三维身份证”

序列特征的局限很明显：它不知道每个残基在真实空间里“长什么样”。这时候就得靠结构特征了。

我最常用的结构特征包括：

• 二级结构组分：螺旋/折叠/转角占比。我在一个酵母双杂交数据的实验中发现，两个蛋白质的二级结构组分相似性越高，互作概率反而越低——“同质相斥”的现象。
• 溶剂可及性：每个残基暴露在溶剂中的程度。结合位点通常有较高的局部暴露度。
• 接触基质距离：针对已知复合物结构，计算两个蛋白对应残基之间的空间距离。这个特征对定位结合界面非常关键，但数据覆盖面有限。

要注意，结构特征往往依赖同源建模或实验解析的结构，数据不全时容易引入偏差。

3. 物理化学特征——藏在数字里的“生物化学密码”

这类特征把每个残基抽象成一组数字——等电点、疏水性指数、极性、电荷、分子量等等。模型能从这些数值中“嗅”到化学相互作用的味道。

我一直使用一个20×7的特征矩阵，7列对应7种理化属性，20行是20种氨基酸的基准值。但这里有个坑：

我曾经直接把这7维向量作为残基特征跟序列特征拼接，结果模型学到的是“氨基酸编号顺序”，而不是真实的理化趋势。后来我改成滑动窗口均值，把局部理化趋势融合进来，效果才明显提升。

常用理化属性表：

属性	含义	对互作的贡献
疏水性 (Kyte-Doolittle)	残基亲水/疏水倾向	疏水核心驱动折叠与结合
电荷 (pKa)	残基在生理pH下的带电状态	静电吸引/排斥影响配体识别
极性/非极性	残基侧链极性分类	氢键网络稳定性
分子量	残基质量	体积效应影响空间位阻
可旋转键数量	侧链柔性	构象适配能力

4. 功能注释特征——站在前人的肩膀上

最后一类特征很特别，它不需要从序列或结构里“算”出来，而是从已有的生物学知识库里直接拿。

主要来源：

• Gene Ontology (GO)：分子功能、生物学过程、细胞组分。两个蛋白质如果共享某些GO项，互作概率会显著增高。
• KEGG通路：如果两个蛋白出现在同一条代谢通路里，它们直接互作的可能性很大。
• InterPro结构域：某些结构域专门负责蛋白-蛋白互作，比如SH3、PDZ。

我自己的一个教训：功能注释的覆盖率很不均匀。你对模式生物（比如人、小鼠）可以拿到大量GO注释，但对一些冷门物种，注释几乎为零。此时如果用功能注释特征做主成分，模型会在“未知”上跑偏。我的做法是：对注释缺失的蛋白质，单独标记一个“未知”类别，而不是强行补零或者忽略。

下面是我经常使用的注释特征编码逻辑，你参考一下：

def go_term_embedding(go_list, vocab_size=5000):
    # go_list: ["GO:0003674", "GO:0008150", ...]
    # 使用DictVectorizer 或者 embedding lookup
    encoder = DictVectorizer(sparse=True)
    feature_dict = {f"go_{g}": 1 for g in go_list}
    return encoder.fit_transform([feature_dict])

嗯，这里要注意：GO层级很深，直接使用所有层级会产生高维噪声。我通常只保留证据代码为EXP（实验证据）的注释，并去掉IEA（电子推断）条目。

特征融合示意图

画一张图帮你理解这四类特征如何流入最终模型。

这张图的核心观点很简单：不要只依赖单一特征。把序列的结构化的、物理化学的、以及前人累积的功能知识全部拉到同一空间，再去做联合学习，效果会稳健很多。