夜雨聆风AI背景下的植物病原-宿主蛋白互作预测
目录
摘要关键词引言：为什么宿主-病原蛋白互作重要实验互作组学：不可替代但覆盖有限传统计算推断：可解释但覆盖不足蛋白语言模型：低同源效应子的表示学习图神经网络与异质互作组建模结构建模与复合物预测多组学整合：从候选对到强假设面向植物病原真菌的实际计算框架8.1 病原侧候选构建8.2 宿主侧候选构建8.3 特征和表示8.4 模型设计8.5 评估策略8.6 实验优先级基准评估与可重复性挑战生物学解释：从成对互作到宿主免疫网络重塑案例研究11.1 LysM 效应子与几丁质免疫11.2 AvrPiz-t 与宿主泛素化免疫11.3 NIS1 与保守免疫激酶11.4 AVR-Pik 与 integrated HMA domain 的结构识别11.5 Ustilago 效应子与非经典宿主靶标未来展望待解决问题结论表格参考文献
摘要
宿主-病原蛋白质相互作用是感染生物学的核心分子层。植物病原菌，尤其是植物病原真菌，通过分泌效应子干扰宿主模式触发免疫、效应子触发免疫、细胞壁防御、激素信号、转录调控、囊泡运输和易感性因子；宿主则通过受体、NLR 免疫蛋白、守卫蛋白和诱饵机制感知或限制这些效应子。实验互作组学方法，包括酵母双杂交、共免疫沉淀、亲和纯化-质谱、split-luciferase、BiFC、邻近标记和体外结合实验，仍然是判定互作和机制验证的基础，但难以穷尽“数百至数千个候选效应子 × 数万个宿主蛋白”的搜索空间。计算预测正在从同源互作转移、结构域/基序推断和数据库驱动的规则体系，发展为结合蛋白语言模型、图神经网络、复合物结构预测、多组学证据、比较基因组学和实验反馈的整合式 AI 框架。该转变对植物病原真菌尤为重要，因为真菌效应子常具有低序列保守性、小分泌蛋白富集、半胱氨酸富集、无序区、谱系特异性和快速演化等特征，其功能往往只有通过宿主靶标和网络扰动才能解释。本文综述实验证据类型、传统计算推断、PLM、GNN、结构建模、多组学整合、实际工作流、基准评估陷阱和未来方向，强调 AI 预测应被视为可校准的假设排序系统，而不是实验验证的替代品。
关键词
宿主-病原互作；蛋白质相互作用；真菌效应子；植物免疫；蛋白语言模型；图神经网络；AlphaFold；结构互作组学；效应子组学；植物病理学
1. 引言：为什么宿主-病原蛋白互作重要
感染过程最终落实到分子接触。病原蛋白被分泌、暴露、转运或释放到宿主界面，宿主蛋白则识别这些分子、形成免疫复合体，或被病原效应子操纵。植物免疫体系中的 PTI、ETI、效应子触发易感性、抗病基因和易感基因都与蛋白互作密切相关 [DanglJones2001; JonesDangl2006; DoddsRathjen2010; BollerFelix2009]。近年研究进一步表明，PTI 和 ETI 不是彼此隔离的线性分支，而是可以相互增强的免疫网络 [Ngou2021; Yuan2021]。因此，宿主-病原 PPI 不是附属注释，而是解释病原毒力、宿主抗性、抗性崩溃和寄主专化的关键层级。
植物病原真菌效应子提供了最具挑战性的研究对象。许多效应子是小分泌蛋白、富含半胱氨酸、缺少可识别结构域、在感染阶段特异表达，并且常位于 accessory chromosome、重复富集区或谱系特异基因组区域 [Sperschneider2015; Sperschneider2016; Sperschneider2018; SperschneiderDodds2022; MollerStukenbrock2017]。仅凭序列同源性通常难以推断其功能。一个效应子可能结合几丁质寡糖，抑制宿主过氧化物酶，靶向免疫激酶，干扰泛素化系统，重编程转录，改变囊泡运输，或被 NLR 直接识别 [Win2012; StergiopoulosDeWit2009; GiraldoValent2013; Rovenich2014; LoPresti2015; Toruno2016; UhseDjamei2018]。guard、decoy 和 integrated-decoy 模型也都依赖对效应子所结合或修饰的宿主蛋白进行定位 [VanDerHoornKamoun2008; Cesari2014]。
该领域的核心问题不是“AI 能否替代实验效应子组学”，而是“计算模型如何把长效应子候选清单转化为有概率、有不确定性、有机制依据且可验证的宿主靶标假设”。宿主-病原 PPI 预测与普通 PPI 预测不同：真实应用场景是高度不平衡、跨物种、部分标注、负样本不可靠的搜索问题。一个模型即使能在数据库边上取得高分，如果不能为真菌效应子研究提出可检验的植物宿主靶标，其价值也有限。
Box 1. 什么才算宿主-病原蛋白互作证据？
计算预测只代表候选假设；Y2H、体外结合和共免疫沉淀支持物理关联；AP-MS 支持共复合体成员关系，但不一定给出直接结合对象；TurboID、BioID 和 APEX 支持空间邻近，可能包含直接互作、间接复合体成员或同一区室蛋白；遗传互作说明功能依赖，不等于物理接触；免疫抑制或毒力表型说明生物学功能，但靶标仍需分子证据定位。真正的 in planta 相关性需要表达时空、定位、互作、生化界面和感染表型共同支持。
2. 实验互作组学：不可替代但覆盖有限
酵母双杂交（Y2H）仍是发现二元 PPI 的经典方法 [FieldsSong1989; VidalFields2014]。效应子可作为 bait 筛选宿主文库，也可与有序宿主蛋白阵列做矩阵测试。Y2H 的优点是可扩展、能给出二元互作读数、适合结构域截短和点突变分析；缺点是发生在酵母细胞核环境中，可能缺少植物特异翻译后修饰、膜环境、分泌途径折叠和感染相关伴侣蛋白。高通量 Y2H 和测序耦合 Y2H，包括 CrY2H-seq 或其他 Y2H-seq 变体，提高了通量和定量能力，但仍保留 Y2H 的生物学限制 [Braun2009; Yu2008; ArabidopsisInteractome2011]。
Co-IP、AP-MS 和 pull-down 捕获细胞裂解液、异源表达系统或感染组织中的分子关联。AP-MS 特别适合发现蛋白复合体和通路背景，蛋白质组尺度互作图谱也显示了大规模互作组学的能力和不完整性 [Gingras2007; Rolland2014]。但 AP-MS 常捕获间接互作、丰度偏倚和背景污染；Co-IP 更聚焦，但受标签位置、表达量、裂解条件和组织选择影响。对于效应子研究，AP-MS 和 Co-IP 的解释必须区分“直接结合”“同复合体”“同一区室”和“感染诱导背景”。
split-luciferase 和 BiFC 在植物体系中使用广泛，可在 Nicotiana benthamiana、水稻原生质体或其他植物表达系统中测试候选互作 [Chen2008; Walter2004]。它们的优势是能在植物细胞中观察互作和定位；限制是过表达、标签方向、不可逆荧光互补和融合蛋白构象干扰。邻近标记方法如 BioID、TurboID 和 APEX 则适合捕获弱、瞬时或区室特异互作邻域 [Roux2012; Branon2018; Rhee2013]。对效应子而言，TurboID 可定位效应子周围宿主蛋白群，但这类证据是 proximity，不是 direct binding。
体外结合实验，包括纯化蛋白 pull-down、SPR、ITC、MST 和凝胶过滤，能够证明直接结合并测量亲和力，尤其适合结构预测后的界面突变验证。但需要蛋白正确折叠，且可能缺少膜、糖基化、磷酸化、金属离子或植物细胞环境。最终的功能闭环仍需要宿主基因沉默、CRISPR、过表达、互补、病原突变体、效应子缺失、感染实验和抗性表型分析。
实验方法的证据分辨率不同，机器学习标签不应简单合并。Y2H 阳性、AP-MS 边、TurboID hit 和遗传互作代表不同生物学对象。若训练目标是“直接物理互作”，邻近和共复合体数据会引入噪声；若训练目标是“效应子相关宿主邻域”，Y2H 又过窄。植物病原真菌还存在感染阶段和细胞类型限制：许多效应子只在附着胞、侵染菌丝、类吸器界面或 biotrophic interfacial complex 中表达。AI 预测应围绕这种分层验证链设计，而不是围绕单一二分类标签设计。
3. 传统计算推断：可解释但覆盖不足
传统 PPI 预测方法依赖明确生物学假设。interolog mapping 通过正交基因转移已知互作；结构域-结构域推断利用重复出现的互作模块；结构域-短线性基序（SLiM）推断关注无序区中的短序列识别；亚细胞共定位、信号肽、跨膜区、GPI 锚定和感染阶段表达提供互作发生的必要过滤条件 [Krogh2001; Pierleoni2008; Teufel2022; Armenteros2019]。STRING、BioGRID、IntAct、DIP、MINT、HPIDB 和 VirHostNet 等数据库支持互作转移和网络推断 [Szklarczyk2023; Oughtred2021; Orchard2014; Salwinski2004; Licata2012; Ammari2016; Guirimand2015]。PHI-base 则提供病原-宿主表型和毒力基因背景，有助于把候选靶标与感染表型联系起来 [Urban2022]。
这些方法对保守蛋白、稳定复合体和有明确结构域的蛋白最有效。它们对谱系特异、快速演化、无结构域、低同源性的真菌效应子覆盖有限。植物宿主侧也有复杂性：RLK、NLR、转录因子和激素信号蛋白常有庞大旁系同源家族，错误转移到相近 paralog 可能产生误导。传统方法不应被丢弃，它们仍是可解释证据层；但它们难以覆盖“暗效应子”空间，这正是 PLM、GNN 和结构预测需要补足的部分。
4. 蛋白语言模型：低同源效应子的表示学习
蛋白语言模型通过自监督学习从大规模蛋白序列中学习表示。ESM、ProtTrans、ProtBERT、ProtT5、MSA Transformer、ESMFold 相关模型和后续蛋白基础模型可以把氨基酸序列编码为 embedding，捕获序列上下文、进化约束、结构倾向和功能信号 [Rives2021; Elnaggar2022; Rao2019; Rao2021; Lin2023; Hayes2025]。PPI 预测中常见做法是分别编码病原蛋白和宿主蛋白，再用双编码器、Siamese 网络、MLP 或 cross-attention 预测互作概率。D-SCRIPT 等结构感知模型进一步尝试学习中间的残基-残基接触图 [Sledzieski2021]；PIPR 等早期 Siamese 模型说明了端到端序列模型在 PPI 预测中的可行性 [Chen2019]。
PLM 对真菌效应子特别有吸引力。许多效应子没有 BLAST hit、HMMER hit 或 Pfam 结构域，但仍可获得 embedding 并与宿主免疫蛋白进行成对建模。PLM 也降低了对深 MSA 的依赖，这对孤儿蛋白和谱系特异效应子很重要。然而，embedding 不是生物学证据。模型性能取决于训练数据、负样本策略、split 设计和目标应用域。随机负样本可能使模型学习长度、定位、物种来源或研究偏倚，而不是互作机制。同源泄漏、结构域泄漏和重复蛋白泄漏会显著抬高测试性能。
模型架构决定可解释性。全局双编码器可处理数百万候选对，但不容易解释界面；cross-attention 能学习残基层兼容性，但需要更多数据和计算；结构感知模型若能输出可检查接触图，则更适合指导点突变。对效应子研究而言，残基层解释很重要，因为可预测一组效应子界面残基，再测试突变是否同时破坏宿主结合和毒力功能。没有突变和感染验证，PLM 分数只能作为排序信号。
Box 2. 为什么真菌效应子对 AI 预测很难？
真菌效应子常位于蛋白质宇宙中最难注释的区域：低同源、短小、分泌、富含半胱氨酸、具有无序区、谱系特异、感染阶段表达、位于 accessory 或重复富集区域，并且已验证靶标很少。模型容易学习“像效应子”的特征，而不是“靶向哪个宿主蛋白”的特异性。可靠预测需要物种感知 split、家族感知 split、实验反馈和证据分解。
5. 图神经网络与异质互作组建模
宿主-病原 PPI 天然是图问题。节点可以是病原蛋白、宿主蛋白、结构域、GO term、通路、表型、表达模块、物种、结构模型和基因组区域；边可以是已知互作、预测互作、序列相似性、结构相似性、共表达、共定位、正交关系、通路成员关系和遗传关联。GCN、GraphSAGE、GAT、link prediction 和异质图神经网络可以学习节点和边表示 [KipfWelling2017; Hamilton2017; Velickovic2018; Zitnik2018]。
图模型的优势在于效应子通常不是孤立作用。多个无关效应子可能收敛到同一宿主免疫节点、通路或网络邻域。Arabidopsis 免疫互作组研究显示，不同来源效应子可收敛靶向宿主网络 hub [Mukhtar2011]；跨界病原效应子也可收敛到共同宿主网络 [Wessling2014]。这为基于网络的效应子靶标预测提供了概念依据。
图构建本身是关键。STRING 功能关联、AP-MS 共复合体、Y2H 二元边、遗传互作和共表达边不应合并成无类型边。异质图需要保留边类型、证据来源、物种、实验方法和置信度。对植物病原真菌，还可加入 accessory chromosome、presence/absence variation、positive selection、效应子家族扩张、寄主范围和感染阶段表达。这样，预测结果才能与生活史、race 分化和寄主适应联系起来。
网络中心性也需谨慎解释。宿主 hub 可能是真正的毒力收敛点，也可能只是数据库偏倚和研究强度的产物。一个免疫激酶或转录因子被预测为 hub 靶标时，需要结合表达、定位、遗传证据和感染表型判断。图模型的最佳用途不是单独给出“网络分数”，而是帮助设计实验：若多个效应子收敛同一模块，可选择不同家族效应子做比较验证；若候选靶标位于易感性 QTL，可优先做基因编辑或等位变异分析。
6. 结构建模与复合物预测
结构信息把“是否可能互作”推进到“如何互作”。AlphaFold2 改变了单体结构预测，AlphaFold DB 和人类蛋白组预测使结构模型可广泛用于下游注释 [Jumper2021; Tunyasuvunakool2021; Varadi2022]。AlphaFold-Multimer、RoseTTAFold、AlphaFold3、RoseTTAFold All-Atom 等进一步把深度学习扩展到复合物和多种生物分子体系 [Evans2022; Baek2021; Abramson2024; Krishna2024]。ColabFold 提高了可及性 [Mirdita2022]；ClusPro 等经典 docking 仍可在有实验约束或可靠单体结构时发挥作用 [Vajda2017]。
对效应子靶标预测而言，结构预测适合作为序列、PLM、网络和多组学筛选后的重排序步骤。结构模型可提供界面残基、宿主 paralog 选择性、结构模拟和突变设计。Pik-AVR-Pik 是结构解释植物免疫识别的典型案例：AVR-PikD 与 Pikp-1 HMA integrated domain 的晶体结构使研究者能够设计改变结合和免疫反应的突变 [Maqbool2015]。
结构置信度不能被误读。pLDDT 反映局部结构置信度，不验证互作；PAE、ipTM 或 interface score 可提示链间相对不确定性，但不能证明体内结合。瞬时、弱、无序区、SLiM、PTM 依赖、膜相关、糖基化和碳水化合物参与的互作尤其容易失败。实际工作流应分阶段进行：先筛选表达和定位合理的候选，再预测单体，检查有序区域，生成多个复合物种子和结构域边界，评估界面是否重复出现，最后设计不破坏整体折叠的界面突变。
Box 3. 如何避免过度声称 AlphaFold 类复合物预测？
复合物模型应称为结构假设。需要检查多 seed 可重复性、界面 PAE、界面化学合理性、残基保守性或变异性、定位和表达一致性，以及是否兼容已知结构域或基序。强结论需要界面突变、结合丧失、功能丧失或恢复、病原毒力改变和宿主抗性/易感性表型共同支持。
7. 多组学整合：从候选对到强假设
强候选互作应获得多个独立证据层支持。病原侧证据包括 secretome、effectorome、感染阶段转录组、蛋白质组、比较基因组、presence/absence variation、copy number variation、positive selection、lineage-specific region 和效应子家族扩张。宿主侧证据包括感染阶段表达、免疫基因集、RLK、NLR、转录因子、ROS 蛋白、细胞壁相关蛋白、囊泡运输、激素信号、磷酸化组、QTL/GWAS、R/S gene 候选区域和宿主 PPI 网络。
不同真菌生活型可能偏好不同靶标。生物营养型病原需要维持宿主活性，可能更偏向免疫抑制、营养交换和界面稳定；半生物营养型可能在早期和坏死阶段切换效应子表达；坏死营养型可利用宿主细胞死亡和易感性因子。LysM、CFEM、坏死营养效应子、生物营养相关效应子和 lineage-specific secreted proteins 不应被强行纳入单一机制模板。
整合框架应保留冲突证据，而不是简单平均。PLM 高分但定位不兼容应被标为机制冲突；结构合理但宿主基因未表达，可能代表假阳性、缺失的细胞类型数据或批量转录组稀释；只存在于非毒力株的效应子可能是 avirulence determinant。对实验团队而言，为什么排名靠前往往和排名本身一样重要。
8. 面向植物病原真菌的实际计算框架
8.1 病原侧候选构建
起点是基因组和注释质量控制。碎片化组装、端粒附近缺失、小基因漏注释和错误 gene model 会在预测前丢掉效应子。secretome 预测应结合 signal peptide、跨膜区过滤、GPI-anchor 和定位预测；effectorome 可用 EffectorP 3.0、小分泌蛋白、半胱氨酸富集、结构域注释、无序区和 PLM embedding [SperschneiderDodds2022; Teufel2022; Armenteros2019]。感染表达、比较基因组、presence/absence、positive selection 和加速演化应在宿主配对前加入。
候选构建不应过早丢弃合理蛋白。严格“小而富半胱氨酸”规则会漏掉较大胞内效应子、具有酶结构域的毒力蛋白和模块化效应子；仅用 secretome 又会产生大量细胞壁酶、普通分泌蛋白和低可信 gene model。更好的做法是分层：高可信分泌效应子、感染支持的广义分泌蛋白、具有宿主递送证据的非典型蛋白、特殊类别如次级代谢相关蛋白或胞外酶。
8.2 宿主侧候选构建
宿主侧可从全蛋白组开始，但应分为免疫受体、RLK、NLR、转录因子、ROS 蛋白、细胞壁蛋白、囊泡运输、激素信号、防御诱导蛋白、QTL/GWAS/R/S gene 区域、PPI hub 和感染阶段表达蛋白。宿主不应被视为扁平蛋白列表。作物参考注释可能不完整，抗性/易感性区域可能有 accession-specific presence/absence variation。最好使用与病原 isolate 对应的宿主基因型蛋白组，并保留 isoform、paralog 和 homeolog 信息。
8.3 特征和表示
候选对特征包括 PLM embedding、结构域、SLiM、长度、半胱氨酸模式、无序区、定位、结构特征、预测界面、共表达、进化保守性、寄主特异性、orthogroup、基因组位置和多组学分数。特征必须保留来源。一个主要由 host hub degree 推高的分数，与一个由界面、共表达和比较基因组共同支持的分数，实验意义完全不同。还应加入负控和特征消融，检查模型是否只学到长度、分泌状态或研究强度。
8.4 模型设计
保守研究应包含可解释 baseline：interolog、结构域互作、定位过滤、logistic regression、random forest 或 SVM。深度模型可用 dual encoder、Siamese network、cross-attention 或结构感知接触图。GNN 和异质知识图谱可整合宿主网络、病原特征、多组学和病害元数据。由于实验决策通常是 top-k 验证，ranking model 往往比二分类更贴近实际。ensemble 应输出证据分解、不确定性和推荐验证方法，而不是只有一个总分。
8.5 评估策略
评估是该领域最大风险。正样本需记录实验类型；负样本不能默认随机未观测对为真阴性。可用实验测试阴性、共表达共定位但未互作的合理阴性，或明确标注为 unlabeled 的样本。split 应避免同源泄漏、结构域泄漏、重复蛋白泄漏和 host hub 泄漏。除随机 split 外，应报告 protein-disjoint、effector-family-disjoint、pathogen-level、host-level、species-level 和 temporal validation。指标应包括 PR 曲线、校准、top-k precision、生物学富集和真实实验验证率。AUROC 不足以评估高度不平衡搜索空间。
8.6 实验优先级
优先验证的候选应具备：模型高分、病原感染诱导表达、宿主感染诱导表达、宿主免疫相关性、结构界面合理、界面残基可突变、多效应子收敛同一宿主节点、比较基因组支持，以及与毒力、寄主特异性或抗性崩溃相关。验证可采用 Y2H、Y2H-seq、Co-IP、AP-MS、LCI、BiFC、pull-down、TurboID、界面点突变、宿主沉默/敲除/过表达、病原突变体感染、互补和抗性表型实验。
9. 基准评估与可重复性挑战
宿主-病原 PPI 预测最脆弱的环节是 benchmark。植物病原效应子-宿主靶标的已验证数据很少，正样本偏向模式宿主、热门病原、知名效应子和经典免疫蛋白。真阴性几乎不存在。随机负样本往往太容易，因为随机对可能在长度、定位、表达、结构域和物种来源上与正样本差异巨大。模型因此可能学到“哪些蛋白看起来像正样本”，而不是互作机制。
同源泄漏尤其严重。如果相似蛋白、共享结构域或同一蛋白的不同互作出现在训练和测试中，性能会反映记忆而非泛化。pairwise random split 容易让同一蛋白同时出现在训练和测试集中。植物病原系统还会通过宿主 paralog、病原 orthogroup、效应子家族和保守免疫结构域泄漏。已有 PPI benchmark 研究指出，数据泄漏和不充分 split 会造成过度乐观评估 [Bushuiev2024; Sledzieski2021]。
数据库偏倚同样关键。人类、酵母和 Arabidopsis 占据大量 PPI 资源；研究充分的宿主蛋白拥有更多边；STRING 式功能关联不一定是物理互作；AP-MS 边可能是共复合体成员。合并数据库时若不保留证据类型，会把不同生物学对象压成模糊标签。可重复性要求释放 train/test split、负样本规则、数据库版本、预处理脚本、模型权重、随机种子和证据标签。
应区分 interpolation 和 extrapolation。预测训练集中已有 effector family 的另一个靶标，与预测新测序真菌的 orphan effector 靶标不是同一问题。预测 Arabidopsis 互作，与预测小麦、玉米、水稻或非模式多年生宿主互作也不同。推荐报告多个层级：pair-disjoint、protein-disjoint、family-disjoint、pathogen-disjoint、host-disjoint 和 temporal split。时间验证尤其适合植物病理，因为新发表效应子靶标常带有详细遗传证据。
10. 生物学解释：从成对互作到宿主免疫网络重塑
预测互作只有放入宿主网络才有充分意义。效应子可靶向 hub、bottleneck、免疫激酶、转录调控、囊泡运输、代谢节点和易感性因子。多个无关效应子收敛同一过程，可能提示毒力冗余或宿主脆弱点。不同生活型可能偏好不同靶标：生物营养型偏向免疫抑制和营养交换，半生物营养型随阶段切换，坏死营养型可能利用细胞死亡和易感性通路。小麦 Tsn1 位点对坏死营养效应子敏感性就是宿主蛋白作为易感性决定因子的例子 [Faris2010]。
机制网络还应包含边的符号和时间。效应子-宿主互作可以是抑制、激活、降解、稳定、隔离、重定位或模拟；穿透期互作与坏死扩展期互作功能不同。静态 PPI 网络是起点，但感染是动态过程。未来需要把时间序列转录组、磷酸化组、分泌时序、空间组学和单细胞数据纳入网络，才能从互作图谱走向因果感染模型。
11. 案例研究
11.1 LysM 效应子与几丁质免疫
Ecp6 是 Cladosporium fulvum 的保守 LysM 效应子，可结合几丁质寡糖并阻止几丁质触发免疫 [DeJonge2010]。M. oryzae 的 Slp1 也可竞争水稻 CEBiP 对几丁质的结合，从而抑制免疫 [Mentlak2012]。这类案例提示：效应子功能不一定是直接靶向宿主蛋白，也可能通过配体隔离影响宿主受体通路。PPI 模型若只考虑蛋白-蛋白边，可能漏掉这种机制。
11.2 AvrPiz-t 与宿主泛素化免疫
稻瘟病菌效应子 AvrPiz-t 靶向水稻 RING E3 泛素连接酶 APIP6 并抑制 PTI [Park2012]。该案例说明宿主靶标预测不能只关注受体，还应纳入泛素化、蛋白稳定性和翻译后调控节点。宿主蛋白既可调节效应子丰度，效应子也可反向操纵宿主免疫调控蛋白。
11.3 NIS1 与保守免疫激酶
NIS1 是保守真菌效应子，可靶向 BAK1 和 BIK1 并抑制 PTI [Irieda2019]。该案例体现了网络收敛的重要性：BAK1/BIK1 是多类病原分子攻击的中心节点。图模型可能优先给出这类节点，但也必须警惕 hub 偏倚，需依赖独立遗传和生化验证。
11.4 AVR-Pik 与 integrated HMA domain 的结构识别
AVR-PikD 与 Pikp-1 HMA domain 的复合物结构解释了直接识别机制，并能通过界面突变改变结合和免疫反应 [Maqbool2015]。这是结构指导效应子-宿主互作解释的典型案例，说明复合物预测的最佳用途是生成突变和功能实验方案。
11.5 Ustilago 效应子与非经典宿主靶标
Ustilago maydis 效应子 Pep1 通过抑制宿主过氧化物酶活性来抑制免疫，Tin2 则靶向玉米花青素生物合成促进毒力 [Hemetsberger2012; Tanaka2014]。这提示效应子靶标不局限于免疫受体或激酶，也可能是红氧代谢、次级代谢和发育相关节点。
12. 未来展望
未来模型需要更贴近宿主-病原生物学。可考虑用效应子富集数据、真菌 secretome、植物免疫蛋白和跨界互作标签适配蛋白基础模型，但必须避免小数据过拟合。PLM 应与结构模型结合：序列模型做大规模筛选，结构模型做候选重排序和界面突变设计。AlphaFold3、RoseTTAFold All-Atom 及后续模型适合作为结构过滤器，而不是最终验证。Chai-1、Boltz 等新框架可能有价值，但发表状态、benchmark 和可重复性需持续核验。
主动学习是特别适合该领域的方向。模型选择多样且高信息量的候选对进入 Y2H、LCI、TurboID 或 AP-MS；实验结果反哺模型；下一轮选择不确定性高或生物学价值高的候选。该闭环比一次性全基因组排序更适合效应子研究。模型输出也应包含校准、不确定性、最近训练样本、证据冲突和推荐实验，而不是仅给一个概率。
标准化 benchmark 仍是瓶颈。植物病原 PPI 社区需要物种感知、谱系感知、证据类型感知的测试集，包括实验阴性或合理阴性、held-out pathosystem、temporal validation 和真实 top-k 验证率。与育种和基因编辑结合时，还需将预测靶标转化为抗病基因发现、S gene 编辑和抗性持久性评估。
13. 待解决问题
如何定义可靠的宿主-病原 PPI 阴性样本？ 在人类、酵母或 Arabidopsis 上训练的模型能否泛化到非模式植物病原真菌？ PLM 能否捕获由短基序、无序区或宿主诱导折叠决定的效应子功能？ 复合物结构预测应如何与网络证据和感染阶段组学结合？ 哪种 split 最接近真实应用：未见效应子、未见宿主蛋白、未见病原物种、未见宿主物种，还是未见 pathosystem？ 预测的效应子-靶标网络能否解释寄主特异性、race 分化和生活型转变？ 主动学习如何降低实验负担，同时避免放大模型偏倚？ 如何把 proximity labeling、AP-MS、Y2H 和遗传互作作为不同证据类型纳入统一框架？ 哪些预测宿主靶标可转化为抗病育种或 S gene 编辑，且不会造成明显适合度代价？ 如何评价 AI 预测对实际实验发现率的提升，而不是只评价离线 benchmark 分数？
14. 结论
AI 驱动的宿主-病原 PPI 预测应定位为假设优先级排序框架，而不是实验互作组学替代品。对植物病原真菌而言，最有前景的路线是整合效应子预测、蛋白语言模型、结构建模、宿主免疫网络、比较基因组学、感染阶段多组学和靶向实验验证。该整合可把长效应子候选清单转化为关于宿主免疫网络扰动、易感性、抗性和病原适应的机制模型。预测结果的价值最终取决于是否能提出可验证、可解释、可用于病理机制和抗病设计的实验假设。
表格
表 1. 宿主-病原 PPI 发现的实验方法
表 2. 效应子-宿主靶标预测的计算证据类型
表 3. 宿主-病原 PPI 预测的 AI 方法
表 4. 常见 benchmark 陷阱与解决方案
参考文献
Abramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493-500. https://doi.org/10.1038/s41586-024-07487-w
Ammari, M. G., Gresham, C. R., McCarthy, F. M., and Nanduri, B. (2016). HPIDB 2.0: a curated database for host-pathogen interactions. Nucleic Acids Research, 44(D1), D928-D932. https://doi.org/10.1093/nar/gkv1176
Arabidopsis Interactome Mapping Consortium. (2011). Evidence for network evolution in an Arabidopsis interactome map. Science, 333(6042), 601-607. https://doi.org/10.1126/science.1203877
Armenteros, J. J. A., Salvatore, M., Emanuelsson, O., Winther, O., von Heijne, G., Elofsson, A., and Nielsen, H. (2019). Detecting sequence signals in targeting peptides using deep learning. Life Science Alliance, 2(5), e201900429. https://doi.org/10.26508/lsa.201900429
Baek, M., DiMaio, F., Anishchenko, I., Dauparas, J., Ovchinnikov, S., Lee, G. R., et al. (2021). Accurate prediction of protein structures and interactions using a three-track neural network. Science, 373(6557), 871-876. https://doi.org/10.1126/science.abj8754
Boller, T., and Felix, G. (2009). A renaissance of elicitors: perception of microbe-associated molecular patterns and danger signals by pattern-recognition receptors. Annual Review of Plant Biology, 60, 379-406. https://doi.org/10.1146/annurev.arplant.57.032905.105346
Branon, T. C., Bosch, J. A., Sanchez, A. D., Udeshi, N. D., Svinkina, T., Carr, S. A., Feldman, J. L., Perrimon, N., and Ting, A. Y. (2018). Efficient proximity labeling in living cells and organisms with TurboID. Nature Biotechnology, 36, 880-887. https://doi.org/10.1038/nbt.4201
Braun, P., Tasan, M., Dreze, M., Barrios-Rodiles, M., Lemmens, I., Yu, H., et al. (2009). An experimentally derived confidence score for binary protein-protein interactions. Nature Methods, 6, 91-97. https://doi.org/10.1038/nmeth.1281
Buchfink, B., Reuter, K., and Drost, H. G. (2021). Sensitive protein alignments at tree-of-life scale using DIAMOND. Nature Methods, 18, 366-368. https://doi.org/10.1038/s41592-021-01101-x
Bushuiev, A., Bushuiev, R., Sedlar, J., Pluskal, T., Damborsky, J., Mazurenko, S., and Sivic, J. (2024). Revealing data leakage in protein interaction benchmarks. arXiv. https://arxiv.org/abs/2404.10457
Camacho, C., Coulouris, G., Avagyan, V., Ma, N., Papadopoulos, J., Bealer, K., and Madden, T. L. (2009). BLAST+: architecture and applications. BMC Bioinformatics, 10, 421. https://doi.org/10.1186/1471-2105-10-421
Cesari, S., Bernoux, M., Moncuquet, P., Kroj, T., and Dodds, P. N. (2014). A novel conserved mechanism for plant NLR protein pairs: the "integrated decoy" hypothesis. Frontiers in Plant Science, 5, 606. https://doi.org/10.3389/fpls.2014.00606
Chen, H., Zou, Y., Shang, Y., Lin, H., Wang, Y., Cai, R., Tang, X., and Zhou, J. M. (2008). Firefly luciferase complementation imaging assay for protein-protein interactions in plants. Plant Physiology, 146, 368-376. https://doi.org/10.1104/pp.107.111740
Chen, M., Ju, C. J. T., Zhou, G., Chen, X., Zhang, T., Chang, K. W., Zaniolo, C., and Wang, W. (2019). Multifaceted protein-protein interaction prediction based on Siamese residual RCNN. Bioinformatics, 35(14), i305-i314. https://doi.org/10.1093/bioinformatics/btz328
Dangl, J. L., and Jones, J. D. G. (2001). Plant pathogens and integrated defence responses to infection. Nature, 411, 826-833. https://doi.org/10.1038/35081161
de Jonge, R., van Esse, H. P., Kombrink, A., Shinya, T., Desaki, Y., Bours, R., et al. (2010). Conserved fungal LysM effector Ecp6 prevents chitin-triggered immunity in plants. Science, 329(5994), 953-955. https://doi.org/10.1126/science.1190859
Dodds, P. N., and Rathjen, J. P. (2010). Plant immunity: towards an integrated view of plant-pathogen interactions. Nature Reviews Genetics, 11, 539-548. https://doi.org/10.1038/nrg2812
Eddy, S. R. (2011). Accelerated profile HMM searches. PLoS Computational Biology, 7(10), e1002195. https://doi.org/10.1371/journal.pcbi.1002195
Elnaggar, A., Heinzinger, M., Dallago, C., Rehawi, G., Wang, Y., Jones, L., et al. (2022). ProtTrans: toward understanding the language of life through self-supervised learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(10), 7112-7127. https://doi.org/10.1109/TPAMI.2021.3095381
Emms, D. M., and Kelly, S. (2019). OrthoFinder: phylogenetic orthology inference for comparative genomics. Genome Biology, 20, 238. https://doi.org/10.1186/s13059-019-1832-y
Evans, R., O'Neill, M., Pritzel, A., Antropova, N., Senior, A. W., Green, T., et al. (2022). Protein complex prediction with AlphaFold-Multimer. bioRxiv. https://doi.org/10.1101/2021.10.04.463034
Faris, J. D., Zhang, Z., Lu, H., Lu, S., Reddy, L., Cloutier, S., et al. (2010). A unique wheat disease resistance-like gene governs effector-triggered susceptibility to necrotrophic pathogens. Proceedings of the National Academy of Sciences USA, 107, 13544-13549. https://doi.org/10.1073/pnas.1004090107
Fields, S., and Song, O. (1989). A novel genetic system to detect protein-protein interactions. Nature, 340, 245-246. https://doi.org/10.1038/340245a0
Gingras, A. C., Gstaiger, M., Raught, B., and Aebersold, R. (2007). Analysis of protein complexes using mass spectrometry. Nature Reviews Molecular Cell Biology, 8, 645-654. https://doi.org/10.1038/nrm2208
Giraldo, M. C., and Valent, B. (2013). Filamentous plant pathogen effectors in action. Nature Reviews Microbiology, 11, 800-814. https://doi.org/10.1038/nrmicro3119
Guirimand, T., Delmotte, S., and Navratil, V. (2015). VirHostNet 2.0: surfing on the web of virus/host molecular interactions data. Nucleic Acids Research, 43(D1), D583-D587. https://doi.org/10.1093/nar/gku1121
Hamilton, W. L., Ying, R., and Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in Neural Information Processing Systems, 30.
Hayes, T., Rao, R., Akin, H., Sofroniew, N. J., Oktay, D., Lin, Z., et al. (2025). Simulating 500 million years of evolution with a language model. Science, 387(6736), 850-858. https://doi.org/10.1126/science.ads0018
Hemetsberger, C., Herrberger, C., Zechmann, B., Hillmer, M., and Doehlemann, G. (2012). The Ustilago maydis effector Pep1 suppresses plant immunity by inhibition of host peroxidase activity. PLoS Pathogens, 8(5), e1002684. https://doi.org/10.1371/journal.ppat.1002684
Irieda, H., Inoue, Y., Mori, M., Yamada, K., Oshikawa, Y., Saitoh, H., et al. (2019). Conserved fungal effector suppresses PAMP-triggered immunity by targeting plant immune kinases. Proceedings of the National Academy of Sciences USA, 116(2), 496-505. https://doi.org/10.1073/pnas.1807297116
Jones, J. D. G., and Dangl, J. L. (2006). The plant immune system. Nature, 444, 323-329. https://doi.org/10.1038/nature05286
Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583-589. https://doi.org/10.1038/s41586-021-03819-2
Kipf, T. N., and Welling, M. (2017). Semi-supervised classification with graph convolutional networks. International Conference on Learning Representations. https://arxiv.org/abs/1609.02907
Krishna, R., Wang, J., Ahern, W., Sturmfels, P., Venkatesh, P., Kalvet, I., et al. (2024). Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, 384(6693), eadl2528. https://doi.org/10.1126/science.adl2528
Krogh, A., Larsson, B., von Heijne, G., and Sonnhammer, E. L. L. (2001). Predicting transmembrane protein topology with a hidden Markov model. Journal of Molecular Biology, 305, 567-580. https://doi.org/10.1006/jmbi.2000.4315
Licata, L., Briganti, L., Peluso, D., Perfetto, L., Iannuccelli, M., Galeota, E., et al. (2012). MINT, the molecular interaction database: 2012 update. Nucleic Acids Research, 40(D1), D857-D861. https://doi.org/10.1093/nar/gkr930
Lin, Z., Akin, H., Rao, R., Hie, B., Zhu, Z., Lu, W., et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 379(6637), 1123-1130. https://doi.org/10.1126/science.ade2574
Lo Presti, L., Lanver, D., Schweizer, G., Tanaka, S., Liang, L., Tollot, M., et al. (2015). Fungal effectors and plant susceptibility. Annual Review of Plant Biology, 66, 513-545. https://doi.org/10.1146/annurev-arplant-043014-114623
Maqbool, A., Saitoh, H., Franceschetti, M., Stevenson, C. E. M., Uemura, A., Kanzaki, H., et al. (2015). Structural basis of pathogen recognition by an integrated HMA domain in a plant NLR immune receptor. eLife, 4, e08709. https://doi.org/10.7554/eLife.08709
Mentlak, T. A., Kombrink, A., Shinya, T., Ryder, L. S., Otomo, I., Saitoh, H., et al. (2012). Effector-mediated suppression of chitin-triggered immunity by Magnaporthe oryzae is necessary for rice blast disease. The Plant Cell, 24, 322-335. https://doi.org/10.1105/tpc.111.092957
Mirdita, M., Schutze, K., Moriwaki, Y., Heo, L., Ovchinnikov, S., and Steinegger, M. (2022). ColabFold: making protein folding accessible to all. Nature Methods, 19, 679-682. https://doi.org/10.1038/s41592-022-01488-1
Mistry, J., Chuguransky, S., Williams, L., Qureshi, M., Salazar, G. A., Sonnhammer, E. L. L., et al. (2021). Pfam: the protein families database in 2021. Nucleic Acids Research, 49(D1), D412-D419. https://doi.org/10.1093/nar/gkaa913
Moller, M., and Stukenbrock, E. H. (2017). Evolution and genome architecture in fungal plant pathogens. Nature Reviews Microbiology, 15, 756-771. https://doi.org/10.1038/nrmicro.2017.76
Mukhtar, M. S., Carvunis, A. R., Dreze, M., Epple, P., Steinbrenner, J., Moore, J., et al. (2011). Independently evolved virulence effectors converge onto hubs in a plant immune system network. Science, 333(6042), 596-601. https://doi.org/10.1126/science.1203659
Ngou, B. P. M., Ahn, H. K., Ding, P., and Jones, J. D. G. (2021). Mutual potentiation of plant immunity by cell-surface and intracellular receptors. Nature, 592, 110-115. https://doi.org/10.1038/s41586-021-03315-7
Orchard, S., Ammari, M., Aranda, B., Breuza, L., Briganti, L., Broackes-Carter, F., et al. (2014). The MIntAct project: IntAct as a common curation platform for 11 molecular interaction databases. Nucleic Acids Research, 42(D1), D358-D363. https://doi.org/10.1093/nar/gkt1115
Oughtred, R., Rust, J., Chang, C., Breitkreutz, B. J., Stark, C., Willems, A., et al. (2021). The BioGRID database: a comprehensive biomedical resource of curated protein, genetic, and chemical interactions. Protein Science, 30, 187-200. https://doi.org/10.1002/pro.3978
Park, C. H., Chen, S., Shirsekar, G., Zhou, B., Khang, C. H., Songkumarn, P., et al. (2012). The Magnaporthe oryzae effector AvrPiz-t targets the RING E3 ubiquitin ligase APIP6 to suppress PAMP-triggered immunity in rice. The Plant Cell, 24, 4748-4762. https://doi.org/10.1105/tpc.112.105429
Paysan-Lafosse, T., Blum, M., Chuguransky, S., Grego, T., Pinto, B. L., Salazar, G. A., et al. (2023). InterPro in 2022. Nucleic Acids Research, 51(D1), D418-D427. https://doi.org/10.1093/nar/gkac993
Pierleoni, A., Martelli, P. L., and Casadio, R. (2008). PredGPI: a GPI-anchor predictor. BMC Bioinformatics, 9, 392. https://doi.org/10.1186/1471-2105-9-392
Rao, R., Bhattacharya, N., Thomas, N., Duan, Y., Chen, X., Canny, J., Abbeel, P., and Song, Y. S. (2019). Evaluating protein transfer learning with TAPE. Advances in Neural Information Processing Systems, 32. https://arxiv.org/abs/1906.08230
Rao, R., Liu, J., Verkuil, R., Meier, J., Canny, J. F., Abbeel, P., Sercu, T., and Rives, A. (2021). MSA Transformer. Proceedings of the 38th International Conference on Machine Learning, 139, 8844-8856. https://doi.org/10.1101/2021.02.12.430858
Rhee, H. W., Zou, P., Udeshi, N. D., Martell, J. D., Mootha, V. K., Carr, S. A., and Ting, A. Y. (2013). Proteomic mapping of mitochondria in living cells via spatially restricted enzymatic tagging. Science, 339(6125), 1328-1331. https://doi.org/10.1126/science.1230593
Rives, A., Meier, J., Sercu, T., Goyal, S., Lin, Z., Liu, J., et al. (2021). Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences. Proceedings of the National Academy of Sciences USA, 118(15), e2016239118. https://doi.org/10.1073/pnas.2016239118
Rolland, T., Tasan, M., Charloteaux, B., Pevzner, S. J., Zhong, Q., Sahni, N., et al. (2014). A proteome-scale map of the human interactome network. Cell, 159, 1212-1226. https://doi.org/10.1016/j.cell.2014.10.050
Roux, K. J., Kim, D. I., Raida, M., and Burke, B. (2012). A promiscuous biotin ligase fusion protein identifies proximal and interacting proteins in mammalian cells. Journal of Cell Biology, 196, 801-810. https://doi.org/10.1083/jcb.201112098
Rovenich, H., Boshoven, J. C., and Thomma, B. P. H. J. (2014). Filamentous pathogen effector functions: of pathogens, hosts and microbiomes. Current Opinion in Plant Biology, 20, 96-103. https://doi.org/10.1016/j.pbi.2014.05.001
Salwinski, L., Miller, C. S., Smith, A. J., Pettit, F. K., Bowie, J. U., and Eisenberg, D. (2004). The Database of Interacting Proteins: 2004 update. Nucleic Acids Research, 32(Database issue), D449-D451. https://doi.org/10.1093/nar/gkh086
Sledzieski, S., Singh, R., Cowen, L., and Berger, B. (2021). D-SCRIPT translates genome to phenome with sequence-based, structure-aware, genome-scale predictions of protein-protein interactions. Cell Systems, 12(10), 969-982.e6. https://doi.org/10.1016/j.cels.2021.08.010
Sperschneider, J., Gardiner, D. M., Dodds, P. N., Tini, F., Covarelli, L., Singh, K. B., Manners, J. M., and Taylor, J. M. (2015). Advances and challenges in computational prediction of effectors from plant pathogenic fungi. PLoS Pathogens, 11(5), e1004806. https://doi.org/10.1371/journal.ppat.1004806
Sperschneider, J., Williams, A. H., Hane, J. K., Singh, K. B., and Taylor, J. M. (2016). Evaluation of secretion prediction highlights differing approaches needed for oomycete and fungal effectors. Frontiers in Plant Science, 7, 1168. https://doi.org/10.3389/fpls.2016.01168
Sperschneider, J., Dodds, P. N., Gardiner, D. M., Singh, K. B., and Taylor, J. M. (2018). Improved prediction of fungal effector proteins from secretomes with EffectorP 2.0. Molecular Plant Pathology, 19, 2094-2110. https://doi.org/10.1111/mpp.12682
Sperschneider, J., and Dodds, P. N. (2022). EffectorP 3.0: prediction of apoplastic and cytoplasmic effectors in fungi and oomycetes. Molecular Plant-Microbe Interactions, 35, 146-156. https://doi.org/10.1094/MPMI-08-21-0201-R
Stergiopoulos, I., and de Wit, P. J. G. M. (2009). Fungal effector proteins. Annual Review of Phytopathology, 47, 233-263. https://doi.org/10.1146/annurev.phyto.112408.132637
Szklarczyk, D., Kirsch, R., Koutrouli, M., Nastou, K., Mehryary, F., Hachilif, R., et al. (2023). The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Research, 51(D1), D638-D646. https://doi.org/10.1093/nar/gkac1000
Tanaka, S., Brefort, T., Neidig, N., Djamei, A., Kahnt, J., Vermerris, W., et al. (2014). A secreted Ustilago maydis effector promotes virulence by targeting anthocyanin biosynthesis in maize. eLife, 3, e01355. https://doi.org/10.7554/eLife.01355
Teufel, F., Almagro Armenteros, J. J., Johansen, A. R., Gislason, M. H., Pihl, S. I., Tsirigos, K. D., et al. (2022). SignalP 6.0 predicts all five types of signal peptides using protein language models. Nature Biotechnology, 40, 1023-1025. https://doi.org/10.1038/s41587-021-01156-3
Toruno, T. Y., Stergiopoulos, I., and Coaker, G. (2016). Plant-pathogen effectors: cellular probes interfering with plant defenses in spatial and temporal manners. Annual Review of Phytopathology, 54, 419-441. https://doi.org/10.1146/annurev-phyto-080615-100204
Tunyasuvunakool, K., Adler, J., Wu, Z., Green, T., Zielinski, M., Zidek, A., et al. (2021). Highly accurate protein structure prediction for the human proteome. Nature, 596, 590-596. https://doi.org/10.1038/s41586-021-03828-1
Uhse, S., and Djamei, A. (2018). Effectors of plant-colonizing fungi and beyond. PLoS Pathogens, 14(6), e1006992. https://doi.org/10.1371/journal.ppat.1006992
Urban, M., Cuzick, A., Seager, J., Wood, V., Rutherford, K., Venkatesh, S. Y., et al. (2022). PHI-base in 2022: a multi-species phenotype database for pathogen-host interactions. Nucleic Acids Research, 50(D1), D837-D847. https://doi.org/10.1093/nar/gkab1037
Vajda, S., Yueh, C., Beglov, D., Bohnuud, T., Mottarella, S. E., Xia, B., Hall, D. R., and Kozakov, D. (2017). New additions to the ClusPro server motivated by CAPRI. Proteins, 85, 435-444. https://doi.org/10.1002/prot.25219
van der Hoorn, R. A. L., and Kamoun, S. (2008). From guard to decoy: a new model for perception of plant pathogen effectors. The Plant Cell, 20, 2009-2017. https://doi.org/10.1105/tpc.108.060194
Varadi, M., Anyango, S., Deshpande, M., Nair, S., Natassia, C., Yordanova, G., et al. (2022). AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50(D1), D439-D444. https://doi.org/10.1093/nar/gkab1061
Velickovic, P., Cucurull, G., Casanova, A., Romero, A., Lio, P., and Bengio, Y. (2018). Graph attention networks. International Conference on Learning Representations. https://arxiv.org/abs/1710.10903
Vidal, M., and Fields, S. (2014). The yeast two-hybrid assay: still finding connections after 25 years. Nature Methods, 11, 1203-1206. https://doi.org/10.1038/nmeth.3182
Walter, M., Chaban, C., Schutze, K., Batistic, O., Weckermann, K., Nake, C., et al. (2004). Visualization of protein interactions in living plant cells using bimolecular fluorescence complementation. The Plant Journal, 40, 428-438. https://doi.org/10.1111/j.1365-313X.2004.02219.x
Weßling, R., Epple, P., Altmann, S., He, Y., Yang, L., Henz, S. R., et al. (2014). Convergent targeting of a common host protein-network by pathogen effectors from three kingdoms of life. Cell Host & Microbe, 16, 364-375. https://doi.org/10.1016/j.chom.2014.09.004
Win, J., Chaparro-Garcia, A., Belhaj, K., Saunders, D. G. O., Yoshida, K., Dong, S., et al. (2012). Effector biology of plant-associated organisms: concepts and perspectives. Cold Spring Harbor Symposia on Quantitative Biology, 77, 235-247. https://doi.org/10.1101/sqb.2012.77.015933
Yuan, M., Jiang, Z., Bi, G., Nomura, K., Liu, M., Wang, Y., et al. (2021). Pattern-recognition receptors are required for NLR-mediated plant immunity. Nature, 592, 105-109. https://doi.org/10.1038/s41586-021-03316-6
Yu, H., Braun, P., Yildirim, M. A., Lemmens, I., Venkatesan, K., Sahalie, J., et al. (2008). High-quality binary protein interaction map of the yeast interactome network. Science, 322(5898), 104-110. https://doi.org/10.1126/science.1158684
Zitnik, M., Agrawal, M., and Leskovec, J. (2018). Modeling polypharmacy side effects with graph convolutional networks. Bioinformatics, 34(13), i457-i466. https://doi.org/10.1093/bioinformatics/bty294
