（文/王贝贝） 2025年5月6日，中心李君一教授课题组22级硕士生王贝贝同学以第一作者在《Bioinformatics》期刊发表论文“MSNGO: multi-species protein function annotation based on 3D protein structure and network propagation”。《Bioinformatics》是Oxford Academic出版社旗下数学与计算生物学方向的JCR一区期刊，也是生物信息学领域的顶级期刊，影响因子（IF）为5.8。

图 1 模型MSNGO在线发表网页

王贝贝同学在李君一教授指导下，从本科生阶段开始接触生物信息学研究，对使用AI算法解决生物学问题有强烈的兴趣。她曾参与多项蛋白质功能预测的课题。在硕士期间，她专注于多物种蛋白质功能预测方法的研究，结合AlphaFold2预测的蛋白质三维结构，提出了一种创新性的多物种蛋白质功能注释框架——MSNGO。这一成果不仅解决了跨物种数据整合的难题，还显著提升了功能预测的准确性。此外，她在硕士期间的另一成果E-MSNGO也被CCF C类会议2025 International Conference on Intelligent Computing（ICIC2025）录用。

蛋白质功能预测是理解生命活动机制的重要工具，但传统的实验方法效率低、成本高，难以满足大规模数据分析的需求。近年来，随着AlphaFold2等高精度蛋白质结构预测工具的出现，基于结构的蛋白质功能预测方法取得了突破性进展。然而，现有的多物种预测方法仍面临数据整合困难、跨物种知识迁移不足等挑战，尤其是对于功能注释稀疏的物种，预测效果往往不尽如人意。

针对上述问题，论文提出了一种基于Alphafold2 3D蛋白质结构和网络传播的多物种蛋白质功能预测模型MSNGO。该模型通过整合蛋白质序列特征、结构特征以及蛋白质相互作用网络（PPI）和同源相似性网络，构建了一个异构网络，实现了跨物种的功能标签传播。MSNGO主要包含三个阶段：首先在特征提取阶段，MSNGO使用序列特征提取工具ESM-2提取了序列特征，将结构数据转化为氨基酸接触图，使用层次图卷积模型提取了结构特征，利用序列同源和PPI网络搭建了包含13个物种的异构网络。其次在训练阶段，MSNGO使用图注意力机制为异构网络学习有效权重，节点聚合了来自两种网络不同的信息，实现了多物种的网络传播。最后在预测阶段加入了训练集的标签传播，补充功能标签的直接信息传播。结果表明，MSNGO通过融合结构数据，使得预测性能有大幅提升，其在多物种和单物种的预测任务上均有出色的表现，并且性能显著优于现有的多物种蛋白质功能预测方法（如DeepGraphGO、SPROF-GO和PSPGO）。

图 2 MSNGO模型示意图

论文第一作者为王贝贝同学，通讯作者为李君一教授。中心的王轩教授也参与了论文的研究工作。该研究得到了国家自然科学基金面上项目的资助。

（审核：李君一）