计算机应用研究

作者：段依蒙,牛帅军,闫宇利,李婷,李庆坤,王会青,

单位：太原理工大学计算机科学与技术学院(大数据学院),太原030600；

关键词：S-亚硝基化,负样本采样,多语义特征表示,扩张卷积金字塔,

基金：山西省自然科学基金资助项目(202203021211121)；；

S-亚硝基化（S-nitrosylation，SNO）是一类在多种生理与病理过程中具有关键调控作用的可逆性蛋白质翻译后修饰，其修饰位点的准确识别对于阐明疾病机制与开发靶向治疗策略具有重要意义。针对现有方法易受伪负样本干扰、跨通道语义复杂性高以及语义协同建模困难的问题，进行了融合样本筛选与语义建模的SNO位点预测研究，构建了分布感知与语义融合相结合的预测模型SFEP-SNO（sample-aware filtering and expanding pyramid for SNO prediction）。该模型通过分布感知机制识别并剔除伪负样本，缓解潜在伪阴性样本对训练过程的干扰；同时，基于生物要素特征编码设计扩张卷积金字塔结构，实现多尺度语义融合与关键特征的深层表达。实验结果显示，SFEP-SNO在多个独立数据集上准确率、特异性及AUC等关键指标均取得明显提升，表明该方法能够有效提高SNO修饰位点预测的判别性能，为SNO相关机制研究和疾病诊断提供了有效支撑。

来源：2026年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第3期