蛋白修饰位点预测

项目过程：300 残基底物磷酸化位点的机器学习预测

客户拿到一条 300 残基的底物蛋白序列，想快速定位可能的磷酸化位点。实验上逐个位点做质谱验证成本很高，他希望先用计算方法缩小范围，只针对高置信度位点做实验。

我搭建了一个 kNN + SVM 的集成预测器。特征包括：目标残基上下游各 7 个氨基酸的序列编码、残基可及表面积（从同源建模结构估算）、无序区倾向、以及激酶识别 motif 的打分。训练集用 PhosphoSitePlus 里的人源磷酸化位点数据，负样本随机抽取未注释位点。

模型用 5 折交叉验证调参，输出每个残基的磷酸化打分，阈值设为 0.72。

案例分析：4 个位点超过阈值，模型 AUC=0.87

第一张案例图是整条蛋白序列的磷酸化打分曲线。横坐标是残基索引，纵坐标是打分。可以看到大部分区域打分很低，但有 4 个明显的尖峰，分别位于 S45、T120、Y210 和另一个约 260 位的残基，这些位点的打分都超过了 0.72 的阈值。图中用橙色竖条标出了这些候选区域。

第二张案例图是 ROC 曲线，模型 AUC=0.87。这个数值说明集成模型有较好的区分能力，但不是完美；0.87 的 AUC 对于磷酸化位点预测来说属于中上水平，足以用来优先排序实验验证。

总结教训：序列特征比结构特征更重要

第一，在这个项目里，上下游序列上下文对 AUC 的贡献最大。去掉序列编码后 AUC 从 0.87 掉到 0.78，说明激酶识别 motif 信息非常关键。

第二，结构特征（ASA、无序区）能进一步提升性能，但如果同源模型质量不高，反而会引入噪声。我用的模型 pLDDT 平均 85 以上，才放心把结构特征加进去。

第三，阈值 0.72 是召回率和精确率的折中。如果客户更怕漏掉真实位点，可以把阈值降到 0.60；如果想减少实验验证量，可以提高到 0.80。

项目经验：预测结果要给出置信度而不是简单 yes/no

做位点预测类项目，最好不要只给客户一个“是/否”列表。我把打分曲线和 ROC 一起交付，客户可以直观看到每个位点的置信度以及模型整体性能。后续如果实验验证了 S45 和 T120，可以再把这两个位点加入训练集做迭代优化。

这篇文章把我在这个项目里用到的计算流程、参数取舍和图上读数做了完整复盘。如果你也在做类似方向，可以参考我的思路：蛋白修饰位点预测。