Nature Methods
基于序列的亚细胞定位预测模型综合基准研究
小赛推荐：
该研究通过整合多数据库高置信标签构建了迄今最大规模的人类蛋白亚细胞定位测试集，为亚细胞定位研究提供了标准化评估框架，并揭示了现有模型在多定位蛋白和罕见区室预测上的局限性，提示未来模型需融合更多生物学先验知识以提升临床变异解读能力。
文献概述
本文《A comprehensive benchmark of sequence-based subcellular localization predictors for human proteins》，发表于《Nature Methods》杂志，系统探讨了当前基于序列的亚细胞定位预测工具的性能瓶颈。作者整合UniProt、HPA和OpenCell三大数据库，构建了一个包含3,814个人类蛋白的高置信测试集（HOU test set），显著提升了现有基准数据集的规模与标注精细度。研究不仅重新评估了主流预测模型，还系统比较了不同蛋白质语言模型（PLMs）与特征聚合策略的组合效果，揭示了模型在细粒度区室、多定位蛋白及致病性错义变异上的泛化不足。背景知识
亚细胞定位异常是多种疾病发生发展的关键机制之一，准确预测蛋白的定位有助于解析其功能与致病机理。然而，目前亚细胞定位预测的研究面临三大瓶颈：其一，多数模型仅支持单标签分类，忽略近半数人类蛋白具有多定位特性；其二，标签体系粗糙，难以分辨如中间纤维、核仁纤维中心等精细结构；其三，训练与测试集规模小且存在物种偏差，限制模型泛化能力。本研究的切入点在于构建一个跨数据库、多层次、多标签的统一基准，解决标签不一致与数据稀疏问题，从而为下一代定位预测模型提供可靠评估标准。研究强调了UniProt、HPA、OpenCell等资源在功能注释中的互补性，同时指出信号肽、转运肽、无序区等序列特征对定位决定的重要性。
研究方法与核心实验
作者采用三大主流数据库——UniProt、Human Protein Atlas（HPA）和OpenCell——的实验支持性定位注释，通过交集策略构建HOU测试集，确保每个蛋白至少有两个独立来源支持其定位标签。训练集则来自HPA与UniProt剩余数据，划分五折交叉验证，序列相似性低于40%，避免数据泄露。模型评估涵盖多个蛋白质语言模型（包括ProtT5、ESM2、ESM3、ProtBert）与四种特征聚合方式（最大池化、平均池化、轻量注意力、多头注意力），结合焦点损失与交叉熵损失进行训练。性能评估采用宏平均AP、微平均AP、MCC等指标，分三个层级（粗粒度至细粒度）进行。关键结论与观点
研究意义与展望
该研究为亚细胞定位预测领域建立了新的黄金标准，推动了从粗粒度单标签向细粒度多标签评估的范式转变。其构建的HOU测试集将成为未来模型开发与比较的重要资源。
研究揭示了当前深度学习模型在处理生物复杂性方面的根本局限，提示未来模型需融合更多生物学知识，如显式引入定位信号先验、整合蛋白结构与稳定性预测、利用时空动态表达数据等。
对于药物开发，准确预测靶点蛋白的亚细胞定位有助于优化药物递送策略；在疾病建模中，识别致病突变引起的定位错误可为罕见病机制研究提供新线索；在临床监测中，开发能够响应突变的定位预测工具将增强VUS（意义未明变异）的解读能力。
结语
本研究通过严谨的数据整合与系统评估，揭示了当前基于序列的亚细胞定位预测模型在真实世界应用中的显著局限。尽管蛋白质语言模型取得了进展，但在细粒度区室、多定位蛋白和致病变异响应方面仍远未达到理想性能。研究强调了高质量、大规模、多层次标注数据的重要性，并倡导未来模型应超越序列本身，整合结构、互作、表达等多维信息。从实验室到临床，准确预测蛋白定位是理解基因功能与疾病机制的基石。该工作为开发更具生物学真实性的下一代预测工具指明了方向，尤其在精准医疗背景下，能够响应突变并预测定位改变的模型将对遗传病诊断与治疗策略制定产生深远影响。赛业生物提供的基因敲入细胞系服务与点突变细胞系服务可助力研究人员构建等位特异性细胞模型，实验验证突变对蛋白定位的影响，从而桥接计算预测与功能验证之间的鸿沟。
