突变与疾病关联的交换代数建模

基因突变可通过破坏分子相互作用、改变蛋白质稳定性、诱导错误折叠以及促进蛋白质聚集而导致疾病。尽管现有的预测模型已取得令人瞩目的性能，但它们往往缺乏机制层面的可解释性，也未能充分纳入支配突变诱导效应的底层物理与化学原理。此外，当前方法通常将疾病关联、蛋白质稳定性变化和溶解度改变作为彼此独立的预测任务来处理，而非将它们整合到一个统一框架中。本研究提出了一种多尺度交换代数建模框架，用于预测疾病-突变关联。借助持久 Stanley-Reisner 理论，我们提取代数不变量以构建两个预测模型：交换代数神经网络（CANet）和交换代数梯度提升树（CATree）。所提出的框架被应用于三个在生物学上相互关联的任务：疾病相关突变的识别、突变诱导的蛋白质稳定性变化预测，以及突变诱导的蛋白质溶解度变化分类。在六项基准任务中，CANet 和 CATree 始终取得领先的预测性能，相较现有方法最高实现 7.5% 的相对提升。这些结果表明，交换代数为突变-疾病关联预测提供了一种统一、可解释且可泛化的建模策略。

中文由 AI 翻译，仅供参考，以原文为准。