📚 课程目录第4章特征融合概述

4 特征融合概述：为什么融合、常用融合范式与评价标准

做生物信息学分析做得久了，你会发现一个很现实的问题：单一的预测特征推到某个点就再也上不去了。

BLAST的E-value再漂亮，也只能告诉你“这条序列跟某个已知蛋白长得像”。InterProScan的domain注释再全，也没法直接告诉你“这个蛋白具体是怎么工作的”。两者互补，却各自隔着一堵墙。我刚开始做功能预测那会儿，经常在BLAST结果里捡到假阳性，又在InterProScan的输出里迷失方向。后来意识到，把两边特征拉到一起训练，才是破局的关键。

4.1 为什么融合：BLAST与InterProScan的“信息互补”

先捋清楚两者的“性格差异”。

BLAST：依赖序列相似性。擅长找同源关系，但容易被趋同进化、低复杂度区域带偏。输出的是bit-score、E-value、identity这类全局或局部比对指标。
InterProScan：依赖隐马尔可夫模型和模式匹配。擅长识别保守功能域、活性位点、重复结构。输出的是domain type、GO term、pathway这类结构化语义标签。

你想想看，一个偏“统计关联”，一个偏“先验知识”。单独拿任何一个做分类器，都会漏掉另一半信息。我曾在微生物组蛋白预测项目中试过只用BLAST的E-value做输入，准确率始终卡在82%上下；加入InterProScan的domain coverage后，直接跳到了91%。

融合的核心价值：

减少单一特征源的假阳性（BLAST误配 & InterProScan过度保守）。

提升模型在低同源性区域的泛化能力。

让分类器同时学到“序列统计模式”和“功能语义约束”。

4.2 融合范式：早期、晚期与混合

特征融合不是简单地把向量拼在一起。根据融合发生在模型训练的哪个阶段，我习惯把它们分成三类。

范式	融合时机	典型做法	我常用的场景
早期融合	特征提取后，模型输入前	向量拼接（concatenation）	特征维度可控，且两者数值范围一致时
晚期融合	各模态独立预测后	投票、加权平均、Stacking	BLAST和InterProScan模型结构差异很大时
混合融合	中间层对齐与交叉	Cross-attention、门控网络	数据量大、需跨模态交互的深度学习任务

三个范式里，早期融合最直接。你把BLAST的数值特征（比如向量化后的E-value、覆盖率）和InterProScan的one-hot编码或embedding拼起来，直接塞进分类器。代码长这样：

# 早期融合示例：将BLAST向量与InterProScan特征拼接
import numpy as np

blast_feat = np.array([e_value, bit_score, identity, coverage])
interpro_feat = np.array([domain_count, go_terms_embedding, pathway_indicator])

fused_feat = np.concatenate([blast_feat, interpro_feat])
# fused_feat.shape -> (d_blast + d_interpro,)

晚期融合更适合你手里的模型已经是两个独立训练好的系统。我曾经在一个线上预测管道里，把BLAST模型输出的类别概率和InterProScan模型输出的类别概率做加权平均，权重通过交叉验证调出来。效果比早期拼接好，但模型体量大了一倍。

混合融合我建议只在深度学习框架下尝试。用Cross-attention让BLAST的特征去“问”InterProScan的domain语义，反过来也一样。这样做出来的特征更有交互性，但训练成本高，且需要大量标注数据。

个人经验：
如果你的样本量小于5000，优先选早期融合+简单分类器（逻辑回归、随机森林）。混合融合在10000样本以下容易过拟合。我踩过这个坑。

4.3 评价标准：不是所有融合都是好的

融合后模型好不好，不能只看一个指标。下面这几点是我在实际项目中反复用来“拷问”融合效果的清单。

分类性能：准确率、F1-score、AUC。这是底线，融合后必须比单模态高（至少不降）。
特征冗余度：用Pearson相关系数检查融合后特征间的重复信息。BLAST和InterProScan如果高度相关，融合就是浪费计算资源。
鲁棒性：对输入噪声的容忍度。我故意往BLAST特征里加5%的随机扰动，看融合模型F1下降多少。下降幅度比单模态模型小，才算有效融合。
可解释性：融合后的特征，你还能不能看出哪些来自BLAST、哪些来自InterProScan？这一点在文章审稿时经常被问到。

避坑指南：
我曾经在一组宏基因组数据上做融合，早期拼接后模型AUC从0.89掉到了0.85。查了很久发现，BLAST的E-value范围是1e-180 ~ 1e-5，InterProScan的domain coverage是0~1。数值范围差太大，没有做标准化。后来加上MinMaxScaler，AUC回升到0.92。
记住：融合前一定对齐数值尺度。

4.4 特征融合流程总览

下面这张图总结了从BLAST和InterProScan原始输出到融合特征生成的全流程。你可以把它当作本章知识点的一张“路线图”。

4.5 实战中怎么选：一张诊断表

如果是第一次做BLAST+InterProScan融合，我建议你对照这张表快速决策。

场景	推荐范式	理由（我踩过的坑）
数据量＜5000，分类任务	早期融合 + 逻辑回归	简单稳定，容易解释。我曾经用晚期融合在小样本上学到了噪声。
数据量＞10000，且BLAST与InterProScan特征类型差异大	晚期融合（Stacking）	让两个模型各自发挥优势，再用元模型融合。我在宏基因组项目里拿到了最高AUC。
需要跨模态深层交互	混合融合（Cross-attention）	代价是训练时间翻倍。我建议先用早期融合跑个baseline，再上混合融合。
实时预测管道，延迟敏感	早期融合	只需要一次推理。我见过有些团队在晚期融合里串了两套模型，延迟到了秒级。

嗯，特征融合这个环节，说白了就是把两个来源的信息以最合适的方式拧在一起。不用追求花哨，先能用K折交叉验证跑出比单模态高的分数，才是硬道理。我个人的习惯是：先试早期拼接，如果效果不明显，再往晚期或混合方向迁移。不要一上来就上注意力，容易把有限的耐心浪费在调参上。