学位论文简介
蛋白质–蛋白质相互作用（PPI）是蛋白质发挥功能的重要基础，磷酸化等翻译后修饰可改变蛋白质结构与相互作用能力，进而调控分子功能，其异常与多种疾病相关。实验验证磷酸化对PPI的调控效应成本高、周期长，难以开展大规模分析；现有计算方法仍存在数据复杂、基准不足、性能受限及跨层级致病机制建模困难等问题。本文基于蛋白质序列与结构信息，利用深度学习技术，围绕磷酸化事件识别、PPI调控效应预测、结合位点解析和疾病关联推断展开研究。主要内容如下：
(1) 针对功能性磷酸化位点特征表征不足和调控效应难建模的问题，构建实验验证数据集，提出基于注意力卷积神经网络的识别方法，引入预训练蛋白质语言模型提取序列语义与进化特征，并结合滑动窗口、卷积网络和注意力机制学习位点邻域关键特征，实现功能性磷酸化位点高精度预测。
(2) 针对磷酸化调控PPI效应分类中局部位点信息与全局蛋白对背景难以联合建模、样本不均衡等问题，构建磷酸化调控PPI效应数据集，提出融合卷积注意力网络与Transformer的集成框架，并引入自适应加权损失，提高调控方向判别能力。
(3) 针对PPI结合位点预测中空间位置信息利用不足、多尺度特征提取和长程依赖建模有限的问题，提出双路径深度学习框架，分别融合卷积神经网络与长短期记忆网络建模局部和全局特征，并采用多尺度残差卷积与坐标注意力增强残基位置信息捕捉。
(4) 针对“磷酸化–PPI–致病性”跨层级关联解析不足的问题，构建致病性基准数据集，提出多模态融合方法，联合蛋白质序列与生物医学文本知识，结合蛋白质语言模型、轻量级大语言模型和思维链推理，挖掘磷酸化经PPI调控导致疾病的潜在因果路径。
本文围绕磷酸化调控PPI动态机制解析问题，按照“关键调控事件识别—调控效应预测—PPI定位—致病性关联”的递进逻辑，分别从功能性磷酸化位点识别、调控效应预测、相互作用结合位点识别和致病性推断四个层面构建了基于深度学习的预测方法。上述研究实现了磷酸化介导PPI变化的多层级建模，为解析其分子机制及疾病关联提供了智能化方法支撑。
主要学术成果
[1] Gong Y, Li R, Liu Y, et al. DeepPhosPPI: a deep learning framework with attention-CNN and transformer for predicting phosphorylation effects on protein–protein interactions[J]. Briefings in Bioinformatics, 2025, 26(5): bbaf462.
[2] Gong Y, Li R, Liu Y, et al. MR2CPPIS: Accurate prediction of protein–protein interaction sites based on multi-scale Res2Net with coordinate attention mechanism[J]. Computers in Biology and Medicine, 2024, 176: 108543.
[3] Gong Y, Li R, Fu B, et al. A CNN-LSTM ensemble model for predicting protein-protein interaction binding sites[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2023, 20(6): 3588-3599.
[4] Yan L U, Gong Y, Luo Q, et al. Heterologous expression of fungal AcGDH alleviates ammonium toxicity and suppresses photorespiration, thereby improving drought tolerance in rice[J]. Plant Science, 2021, 305: 110769.
