2025-04-11
【學術亮點】SUMO-LMNet：使用高維特徵預測 SUMO1 與 SUMO2 中 SUMOylation 位點的無損映射網路
字體大小
小
中
大
Intelligent Cultivation: Using physiological indicators to Establish a Smart Health Early Warning Platform for Crops【Institute of Genomics and Bioinformatics / Yen-Wei Chu / Professor】
智慧栽培：應用生理指標建立超前預警之作物栽培管理平台【基因體暨生物資訊學研究所 朱彥煒教授】
上架日期：2025/03/14
智慧栽培：應用生理指標建立超前預警之作物栽培管理平台【基因體暨生物資訊學研究所 朱彥煒教授】
| 論文篇名 | 英文：SUMO-LMNet: Lossless mapping network for predicting SUMOylation sites in SUMO1 and SUMO2 using high-dimensional features 中文：SUMO-LMNet：使用高維特徵預測 SUMO1 與 SUMO2 中 SUMOylation 位點的無損映射網路 |
| 期刊名稱 | Computational and Structural Biotechnology Journal |
| 發表年份, 卷數, 起迄頁數 | 2025, 27, 1048-1059 |
| 作者 | Cheng-Hsun Ho, Yen-Wei Chu(朱彥煒)*, Lan-Ying Huang, Chi-Wei Chen |
| DOI | 10.1016/j.csbj.2025.03.005 |
| 中文摘要 | 準確預測 SUMOylation（小泛素修飾）位點對於解析基因調控機制與疾病相關途徑至關重要。然而，由於 SUMO1 與 SUMO2 結構相似，兩者修飾位點難以區分，對預測模型構成挑戰。傳統模型常無法有效區分這兩種同源蛋白，限制其在生物學研究中的應用。為此，我們提出 SUMO-LMNet，一種基於深度學習的預測架構，專為精準辨識 SUMO1 與 SUMO2 修飾位點設計。SUMO-LMNet 結合無損映射策略與深度學習架構，不僅提升預測準確性，也強化模型可解釋性。模型從蛋白序列中擷取高維特徵，並轉換為二維特徵圖，使卷積神經網路（CNN）能有效學習資料中的局部與全域特徵關聯。透過 Lossless Mapping Network（LM-Net），特徵空間得以完整保留，避免空間資訊遺失。雖然 Grad-CAM 可針對單一樣本突顯關鍵特徵，但缺乏跨樣本一致性與整體性評估，因此我們提出 CHFA（Combined Heatmap Feature Analysis），以聚合多樣本特徵重要性，提供更可靠且具全局視角的特徵分析。實驗結果顯示，SUMO1 與 SUMO2 在特徵依賴性上存在顯著差異，證實針對同源蛋白個別建模的必要性。多種神經網路架構比較結果亦顯示，我們的模型在區分 SUMO1 與 SUMO2 修飾位點方面達到超過 80% 的準確率。此模型可協助實驗設計，優先篩選具生物意義的修飾位點，加速 SUMOylation 標的的發現。SUMO-LMNet 已公開提供下載。https://predictor.isu.edu.tw/sumo-lmnet. |
| 英文摘要 | Urinary tract stones are a common and frequently recurring medical issue. Accurately predicting the success rate after surgery can help avoid ineffective medical procedures and reduce unnecessary healthcare costs. This study collected data from patients with upper ureter stones who underwent extracorporeal shock wave lithotripsy, including cases of successful as well as unsuccessful stone removal after the first and second lithotripsy procedures, and constructed prediction systems for the outcomes of the first and second lithotripsy procedures. Features were extracted from three categories of information: patient characteristics, stone characteristics, and extracorporeal shock wave lithotripsy machine data, and additional features were created using Feature Creation. Finally, the impact of features on the models was analyzed using six methods to calculate feature importance. Our prediction model for the first lithotripsy, selected from among 43 methods and seven ensemble learning techniques, achieves an AUC of 0.91. For the second lithotripsy, the AUC reaches 0.76. The results indicate that the detailed and binary information provided by patients regarding their history of stone experiences contributes differently to the predictive accuracy of the first and second lithotripsy procedures. The prediction tool is available at https://predictor.isu.edu.tw/ks |
| 發表成果與本中心研究主題相關性 | 本研究成果與AI計畫的主題具有深度契合。SUMO-LMNet 模型展示了人工智慧於生物資訊領域的高度應用潛力，透過深度學習技術精準預測 SUMO1 與 SUMO2 修飾位點，協助解析基因調控與疾病機制。該模型創新性地導入 Lossless Mapping 將蛋白質序列特徵轉換為二維影像表示，使卷積神經網路（CNN）能有效捕捉局部與全域依賴關係；同時結合 Grad-CAM 與自創的 CHFA 機制，提升模型可解釋性，有助於深入分析特徵與生物功能的關聯。藉由建構 paralogue-specific 模型架構，SUMO-LMNet 成功克服高度序列相似所造成的預測困難，顯著提升分類準確率。整體而言，此研究不僅展現 AI 在蛋白質修飾預測的創新應用，更提供實驗設計的依據，實現資料驅動的生物研究加速目標，符合當前人工智慧與生命科學跨域整合的發展趨勢。 |
