位点预测模型

双通道融合提升

结合蛋白语言模型表示与迁移学习的双通道深度学习框架，显著提升磷酸化位点预测的准确性，尤其改善低样本酪氨酸位点的表现。

Aoyun, Geng · Jinwei, Wang · Yanfei, Qu · Xu, Junlin · Meng, Yajie · 邹权 · 张子龙 · 崔菲菲

Engineering Applications of Artificial Intelligence 2026

参数信息

独立测试集准确率（丝氨酸/苏氨酸位点）
84.48 %
独立测试集AUC（丝氨酸/苏氨酸位点）
91.83 %
独立测试集准确率（酪氨酸位点）
92.86 %
独立测试集AUC（酪氨酸位点）
94.33 %

技术优势

特征融合更深

通过残基级序列表示与预训练 ESMC 嵌入的逐元素乘性融合，模型能捕捉更丰富的磷酸化相关模式。

低样本类型更准

利用从丝氨酸/苏氨酸位点预测到酪氨酸位点预测的迁移学习，缓解了酪氨酸站点样本稀缺的问题。

训练更稳健

引入 Bahdanau 注意力、镜像损失和自适应早停，使特征学习和训练稳定性得到提升。

应用场景