ProtLoc-GRPO:使用基于图形的模型和强化学习的细胞系特定亚细胞局部化预测
Shuai Zeng1,2, Weinan Zhang1,2, Chaohan Li2
1Department of Electrical Engineering and Computer Science, University of Missouri, Columbia, MO 65211, USA.
bioRxiv : the preprint server for biology
|August 8, 2025
概括
我们开发了ProtLoc-GRPO,一种新的强化学习方法,通过优化蛋白质-蛋白质相互作用网络来改善细胞系特异性蛋白质亚细胞局部化预测. 这种方法通过改进网络结构以获得更好的生物见解来提高准确性.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 细胞和分子生物学 细胞和分子生物学
背景情况:
- 预测细胞下定位对于理解蛋白质功能和细胞动态至关重要.
- 细胞系特定的局部化需要准确的蛋白质-蛋白质相互作用 (PPI) 网络信息.
- 现有的PPI网络往往含有错误,限制了预测准确度.
研究的目的:
- 开发一种用于预测细胞系特异性亚细胞局部化的新方法.
- 通过优化PPI网络的结构来提高预测准确性.
- 应用强化学习来改进基于图形的生物信息学任务.
主要方法:
- 提出了ProtLoc-GRPO,一种使用集团相对政策优化 (GRPO) 的强化学习方法.
- 通过对PPI信息边缘进行排名和保留,优化了PPI网络结构.
- 基于细胞系特异性亚细胞局部化宏F1评分的评估性能.
主要成果:
- 与基线方法相比,宏观F1得分有7%的改善.
- 在各种边缘修剪率中表现出一致的性能.
- 超过了传统的PPI网络修剪策略.
结论:
- ProtLoc-GRPO有效地增强了细胞系特定的亚细胞局部化预测.
- 这项研究是第一个使用PPI网络优化预测细胞系特异性蛋白质局部化的研究.
- 这项工作开创了GRPO应用于基于图的生物信息学问题的应用.


