相互作用预测简介
什么是生物分子相互作用
我刚入行做药物研发时，被问得最多的一个问题是：
「这个蛋白到底跟哪个小分子结合？」
说白了，一切生命活动都靠分子之间的互相「握手」来实现。蛋白质对接、基因调控、信号传导，本质都是分子识别。如果能把这种「握手」关系预测准，那药物设计、疾病机理研究就快多了。
相互作用预测，就是利用算力和数据，去推测两个生物实体之间有没有结合、结合强度怎么样。常见的有：
- 蛋白质-蛋白质相互作用 (PPI) – 两个蛋白之间直接物理接触
- 药物-靶标相互作用 (DTI) – 小分子药物与蛋白靶标结合
- 基因-疾病关联 – 突变基因与表型的因果联系
- miRNA-靶基因调控 – 非编码RNA对基因表达的抑制或促进
蛋白质-蛋白质相互作用 (PPI)
PPI是细胞功能网络的基础。两个蛋白能否结合，取决于它们的表面互补性、静电分布、疏水区域等。传统方法靠结构模拟（比如分子对接），但结构数据太少，算不准。
近年来，序列和功能特征成了主流。我用过的PPI特征包括：
- 氨基酸组成 + 二肽组分
- 进化保守性（PSSM矩阵）
- 基因本体（GO）注释相似度
- 网络拓扑属性（度、介数中心性）
举个例子，预测一对蛋白是否相互作用，我们常用这样的数据格式：
prot_A,prot_B,label
P04637,P38936,1
P04637,Q07812,0
Q01094,P42345,1
...每一行代表一个蛋白对，1表示有实验验证的相互作用，0表示非相互作用（负样本）。
药物-靶标相互作用 (DTI)
DTI预测是药物发现的核心步骤。一个药物分子是否有效，首先要看它能不能跟目标蛋白结合。传统的高通量筛选成本极高，一个化合物库可能要烧掉几百万。而迁移学习正好能利用已有药物的数据，预测新分子。
药物分子用SMILES字符串表示，靶标蛋白用氨基酸序列。比如：
SMILES,Target_UniProt,Label
CC(C)C1=CC=CC=C1C(=O)NO,P24941,1
C1=NC2=C(N1)C(=NC=N2)N,P50402,0
...我参与过的一个迁移学习项目，就是用几百个已上市药物的PPI数据，预训练一个图神经网络，然后微调预测全新的GPCR靶点，AUC直接比传统RF高了0.12。
其他相互作用类型
除了PPI和DTI，还有几类在文献中也很常见：
| 类型 | 实体 | 典型特征 | 例子 |
|---|---|---|---|
| 基因-疾病 | 基因vs疾病表型 | GO注释、GWAS统计量 | BRCA1→乳腺癌 |
| miRNA-靶基因 | miRNA vs mRNA | 种子区匹配、保守性 | hsa-miR-21→PTEN |
| 化合物-化合物 | 药物vs药物 | 化学指纹、副作用相似度 | 多药联用协同效应 |
每种交互类型都有其独特的特征空间，但迁移学习的核心思想不变：用一个领域学到的模式，帮助另一个相关领域。比如用DTI数据预训练的模型，再微调到miRNA-靶基因预测上，常常比从头训练效果好。
常见数据资源与格式
做相互作用预测，数据是第一道坎。我列几个常用数据库：
- PPI: STRING（整合多种证据）、BioGRID（实验验证）、HPRD（人工注释）
- DTI: DrugBank（FDA批准药物）、BindingDB（结合亲和力）、ChEMBL（生物活性）
- 基因-疾病: DisGeNET（手动+自动）、OMIM（遗传疾病）
数据下载后，通常处理成统一表格：
entity_A,entity_B,interaction_type,score,source
CHEMBL1201893,UniProt:P24941,DTI,0.92,DrugBank
UniProt:P04637,UniProt:P38936,PPI,0.89,STRING
ENSG00000141510,DOID:162,GD,0.73,DisGeNET评价指标
预测模型好不好，得用几个硬指标说话。常用的有：
| 指标 | 全称 | 说明 |
|---|---|---|
| AUC-ROC | 受试者工作特征曲线下面积 | 整体排序能力，0.5随机，1.0完美 |
| AUC-PR | 精准率-召回率曲线下面积 | 正负样本不平衡时更可靠 |
| F1-score | 精准率和召回率的调和平均 | 二分类常用，阈值依赖 |
| MCC | 马修斯相关系数 | 兼顾TP/FP/TN/FN，-1到1 |
我个人的经验是：当正样本比例低于10%时，别太信AUC-ROC，多看看AUC-PR或Precision@k。有一次我提交给合作方的结果，AUC-ROC高达0.94，但实际top-100预测里只有12个是对的——因为负样本太多太简单。
小结
相互作用预测是一个「数据驱动」的领域。我们从PPI和DTI这些经典问题出发，掌握了核心的数据格式、评价方法和常见坑。下一阶段，这些知识会直接用在迁移学习模型的设计和训练中。
记得我刚入行时总觉得「特征工程最重要」，直到遇到迁移学习，才发现好的预训练模型能替你学出更鲁棒的特征。但前提是——你得先理解这些相互作用本身是什么。