夜雨聆风
模型工具的概述以及用途
蛋白质S-棕榈酰化是一种可逆的脂质修饰，在调控蛋白质定位、运输和信号转导中发挥关键作用。其异常与癌症及治疗耐药密切相关，因此精准注释棕榈酰化位点对于理解疾病机制至关重要。然而，实验鉴定棕榈酰化位点成本高、通量低，亟需高效的计算工具进行大规模候选位点筛选。
近日，研究团队在bioRxiv上发表了Deep-Palm——一个多视角深度学习框架，用于预测蛋白质中的S-棕榈酰化位点。Deep-Palm创新性地整合了四个互补的信息分支：
- 氨基酸序列分支
：基于2‑mer、3‑mer、4‑mer的k‑mer特征，通过一维卷积编码局部序列模式。 - 蛋白质性质分支
：利用14种AAindex衍生的理化描述子（疏水性、极性、等电点、α‑螺旋倾向等），采用双向LSTM捕捉残基间的依赖关系。 - ESM嵌入分支
：使用ESM‑2（30亿参数）蛋白语言模型提取31残基窗口的深度进化语义表征，经变积卷积层处理。 - 空间结构分支
：基于ESMFold预测的局部三维结构，构建残基‑残基对特征（Cα距离、最小重原子距离、侧链中心距离、空间接触等），通过二维卷积和图卷积网络（GCN）提取结构信息。
四个分支独立输出位点概率后，通过加权混合和堆叠集成（逻辑回归元学习器）得到最终预测。模型在独立测试集上取得了AUC 0.950的优异性能，显著优于现有工具GPS‑Palm（0.808）、pCysMod（0.792）和MusiteDeep（0.623）。
图1. Deep-Palm的整体架构：四个分支分别处理序列、理化性质、ESM嵌入和预测结构，最终集成输出棕榈酰化概率。
图2. 独立测试集上的ROC曲线（A）及各分支与集成模型的AUC（B）；与现有工具的对比（C）显示Deep-Palm达到0.950 AUC，且敏感性与特异性平衡最佳。
Deep-Palm在多种场景下表现出卓越的鲁棒性：
在不同半胱氨酸密度、最近邻距离、N端/C端相对位置的分组中，AUC保持稳定（>0.90）。 在Gene Ontology（BP、CC、MF）各功能组中，AUC均高于0.90，优于其他工具。 
图3. 按半胱氨酸数量（A）、最近邻距离（B）、C端距离（C）、N端距离（D）分层后Deep-Palm仍保持高AUC；在生物学过程（E）、细胞组分（F）、分子功能（G）中也均超过0.90。
更重要的是，Deep-Palm能够揭示棕榈酰化位点独特的空间结构与理化特征：
棕榈酰化窗口内残基间的平均Cα距离更大（图4A），长程接触密度更低（图4C），提示更“开放”的局部构象。 棕榈酰化位点上游残基表现出更高的疏水性、更低的极性和接触能；α‑螺旋频率、等电点、柔性和亲水性在棕榈酰化窗口中显著升高，而β‑转角频率则降低（图5）。 
图4. 棕榈酰化与非棕榈酰化窗口的空间结构差异：平均Cα距离（A）、位置对热图（B）、长程接触密度（C）及按序列分离分层的接触比率（E）。
图5. 14种AAindex特征的位置热图（A）及代表性特征（α‑螺旋频率、等电点、转角频率、疏水性、柔性、亲水性）的分布差异（B‑G）。
独立质谱（MS）验证显示，Deep-Palm在未参与训练的MS数据集上仍保持高召回率（小鼠肝癌数据AUC 0.822，召回89%），尤其对数据库中未注释的“新位点”召回率最高（图6F），凸显其发现新型棕榈酰化事件的能力。
图6. 小鼠肝癌与HeLa细胞MS数据中的ROC曲线（A）、阳性位点准确率（B‑C）及对全新位点的召回率（F）；Deep-Palm在未见过的新位点中仍保持最高敏感性。
部署安装方式
Deep-Palm提供完整的开源代码、预处理数据集及预训练模型，方便用户进行本地部署和自定义预测。
1. 源代码与模型获取GitHub仓库：
https://github.com/DML666666/Deep-Palm包含：
处理后的训练/测试数据集 预训练的Deep-Palm模型权重 生成输入特征（ESM‑2嵌入、ESMFold结构、AAindex描述子等）的脚本 模型训练与预测的完整工作流
2. 环境依赖
Python 3.8+ PyTorch（推荐1.12+） 其他依赖：numpy, pandas, scikit-learn, biopython, CD-HIT等（详见仓库中的requirements.txt）
3. 快速预测示例
# 克隆仓库gitclonehttps://github.com/DML666666/Deep-Palm.gitcdDeep-Palm# 安装依赖pip install -r requirements.txt# 运行预测（以示例FASTA文件为例）python predict.py --input example.fasta --output results.csv
输入格式：FASTA文件，每个条目为一个以目标半胱氨酸为中心的31残基窗口（或全长蛋白，工具会自动滑动窗口）。输出为每个半胱氨酸位点的棕榈酰化概率。
4. 在线预测服务对于无需安装的用户，研究团队还提供了在线预测平台：
https://palmlab.intelligent-oncology.com/可直接提交蛋白序列，获得可视化预测结果。
5. 自定义训练若需在自己的数据集上微调，可使用仓库中的训练脚本：
python train.py --config configs/deep_palm.yaml点击下方链接-下载原文pdf
往期好文推荐
往期课程推荐
