摆脱系统发育陷阱：持久同调助力多模态图神经网络实现跨物种离子通道分类

arXiv:2610.30394v1 公告类型：新投稿 摘要：蛋白质分类器对评估方案高度敏感：随机划分训练集和测试集会导致系统发育信息泄漏，使模型能够利用分类群特有的相关性，从而大幅高估分布外性能。在按离子通道靶标（Ca2+、K+、Na+）对毒液化合物进行分类时，这一问题尤为突出，已有研究报告的80–90%准确率并不能反映模型对未见分类群的泛化能力。我们将跨物种预测表述为一种结构化分布偏移，其中分类群身份充当混杂因素，因此需要能够捕捉跨系统发育保持不变的结构特征的表示。我们采用共享的多模态骨干网络，将ESM-2序列嵌入与感知二硫键的图注意力网络融合，并在包含五个分类群、1,373种由ColabFold预测结构的毒液化合物的基准数据集上，使用留一分类群评估方案，系统比较五种结构归纳偏置（谱表示、黎曼表示、SE(3)不变表示、统计流形表示和持久同调表示）。持久同调表示通过对局部结构扰动具有鲁棒性的拓扑描述符概括蛋白质主链几何结构，为学习系统发育不变特征提供归纳偏置。在常规独立同分布划分下，所有模型的准确率相近（81–86%），掩盖了归纳偏置之间的差异。在分类群偏移下，这种性能均势不复存在：仅使用序列的基线模型准确率降至约30%，其余几何先验模型的准确率集中在54–55%，而我们的持久同调模型（PH-GNN）达到63.4%，比次优方法高出8个百分点以上。这些结果表明，随机划分评估掩盖了表示质量上的实质性差异，并证实拓扑表示是应对结构化生物分布偏移学习的一种有效归纳偏置。