基于拓扑数据分析的短肽抗癌活性预测：Top-ML模型特征工程与实战

1. 项目概述与核心价值

在药物发现和生物信息学领域，识别具有抗癌活性的短肽（Anticancer Peptides, ACPs）是一项极具前景但充满挑战的任务。传统实验筛选方法成本高昂、周期漫长，而基于机器学习的计算预测模型则提供了一条高效的捷径。然而，这类模型的性能瓶颈往往不在于算法本身，而在于如何将一条由20种氨基酸构成的、长度通常小于50的肽链，转化为机器学习模型能够“理解”的有效特征。这就是特征工程的核心战场。

过去，研究者们主要依赖氨基酸组成、二肽组成或是一些理化性质（如疏水性、电荷）来表征肽序列。这些方法虽然直观，但本质上是对序列的“扁平化”统计，丢失了氨基酸在序列中的顺序关系、空间邻近性以及高阶的“连接”模式。这就好比只统计了一篇文章中各个字母出现的次数，却完全忽略了单词的构成和句子的语法结构，显然无法捕捉其深层语义。

近年来，拓扑数据分析的引入为这一困境带来了转机。TDA的核心思想是研究数据在连续形变下保持不变的性质（即拓扑不变量），它擅长从复杂数据中提取出关于“形状”和“连接”的稳健特征。将这一数学工具应用于肽序列，我们不再将其视为一维字符串，而是尝试挖掘其内在的拓扑结构信息——哪些氨基酸倾向于“聚集”在一起？序列中是否存在特定的“空洞”或“环”状模式？这些拓扑特征可能对应着肽与细胞膜相互作用的关键生物物理机制。

本文要探讨的Top-ML模型，正是这一前沿思路的集大成者。它没有采用复杂的深度学习黑箱，而是巧妙地融合了多种基于序列的拓扑与向量特征，用一个相对轻量级的极端随机树分类器，就在多个主流基准数据集上取得了与顶尖深度学习模型相媲美甚至更优的性能。更重要的是，其模型具有出色的可解释性，我们能清晰地知道是哪些序列特征在驱动分类决策。对于药物研发这种需要高可信度的领域，这种“白盒”特性具有不可估量的价值。接下来，我将为你彻底拆解Top-ML的每一个技术环节，从特征构建的原理、模型训练的细节，到实操中的调优技巧和避坑指南。

2. 核心特征工程：从序列到拓扑的数学映射

Top-ML的强大性能，根基在于其精心设计的四类特征：自然向量、马格努斯向量、末端组成特征和肽谱特征。它们分别从不同角度刻画了肽序列的统计、组合与拓扑性质。

2.1 自然向量：序列的统计指纹

自然向量最初用于基因组序列分析，其思想非常直观：它不仅仅统计每种氨基酸出现的次数，还记录了它们在序列中的位置分布信息。

对于一个长度为n的肽序列S = x1x2 ... xn，对于20种标准氨基酸中的每一种（例如精氨酸R），我们计算三个统计量：

1. 计数n_R：氨基酸R在序列中出现的总次数。
2. 平均位置μ_R：所有R出现位置的索引（从1开始）的平均值。μ_R = (1/n_R) * Σ(位置_i)。
3. 位置方差D_R^2：R出现位置相对于其平均位置的离散程度。D_R^2 = (1/n_R) * Σ(位置_i - μ_R)^2。

实操提示：计算μ_R和D_R^2时，需注意处理未出现的氨基酸（n_R=0）。通常的做法是将其μ_R和D_R^2设为0或一个特定的占位符（如-1），但需在后续特征标准化步骤中统一处理。

将20种氨基酸的这三个统计量（n_R, μ_R, D_R^2）按固定顺序拼接起来，就得到一个60维的自然向量。这个向量同时编码了组成偏好（哪些氨基酸多）和位置偏好（哪些氨基酸倾向于出现在肽链的N端、C端还是中部）。例如，已有研究发现，带正电的氨基酸（如K, R）在ACPs中更常见且可能聚集在特定区域，以利于与带负电的癌细胞膜结合，这些模式都能被自然向量捕捉。

2.2 马格努斯向量：捕捉非连续的子序列模式

如果说自然向量关注的是单个氨基酸的全局统计，那么马格努斯向量则向前迈进了一步，它旨在捕捉长度不超过k的所有可能子序列的出现情况，这包括了非连续的子序列模式，信息量更大。

其数学基础来源于组合群论中的马格努斯展开。对于肽序列S，我们将其映射到一个非交换多项式代数中：ρ(S) = Π_{i=1 to n} (1 + x_i)，其中x_i是第i个位置对应的氨基酸变量。展开这个多项式，我们会得到所有可能的子序列（按字母顺序排列）的线性组合。

例如，对于序列S = ACD：ρ(S) = (1+A)(1+C)(1+D) = 1 + A + C + D + AC + AD + CD + ACD

在具体实现中，我们通常不会处理所有长度的子序列（那样维度会爆炸），而是限定一个最大长度k_max。Top-ML中设定k_max=2，即只考虑单个氨基酸和连续的二肽。这样，对于一个由20种氨基酸构成的体系，可能的子序列总数为：20（单字母）+ 20^2 = 420个。我们预先定义一个长度为420的、按字典序排列的向量。对于序列S，遍历其所有长度≤2的子序列（注意：这里通常采用滑动窗口来提取连续子序列，而非数学展开中的所有组合），如果该子序列出现，则在向量对应位置置1，否则置0。这样就得到了一个420维的二进制马格努斯向量。

核心技巧：滑动窗口与平均向量直接对整个序列计算一个马格努斯向量会丢失局部信息。Top-ML采用了一个巧妙的策略：使用一个大小为k的非重叠滑动窗口，将长序列切割成多个k-mer片段。对每个k-mer片段独立计算其马格努斯向量，最后将所有片段的马格努斯向量取平均，得到一个“平均马格努斯向量”。这样做有两个好处：第一，降低了计算复杂度；第二，这个平均向量同时编码了k-mer的频率信息和其内部的子序列结构信息，表征能力更强。经过网格搜索，作者发现k=5时在ACP预测任务上表现最佳。

2.3 末端组成特征：聚焦功能关键区域

大量生物学研究表明，肽链的N端和C端（尤其是前5-15个残基）对于其生物活性、细胞膜穿透性和稳定性至关重要。因此，单独对肽链的末端区域进行特征提取是很有必要的。

Top-ML的做法很直接：不再对整个肽序列提取自然向量或马格努斯向量，而是仅截取特定的末端片段（如N端前5个残基N5，C端后5个残基C5，或两者拼接N5C5等），然后在这个截短的序列上计算自然向量或马格努斯向量。这样得到的特征，我们称之为末端组成特征。

在模型选择阶段，需要像选择k值一样，通过交叉验证来确定使用哪个末端片段效果最好。在AntiCP 2.0数据集上，实验表明对于Dataset A，使用C15（C端15个残基）的末端特征效果最好；对于Dataset B，使用N15C15（N端和C端各15个残基拼接）效果最佳。这提示我们，不同数据集中，决定肽活性的关键区域可能有所不同。

2.4 肽谱特征：拓扑数据分析的精华

这是Top-ML中最具创新性也最复杂的部分，其目标是构建一个基于序列的拉普拉斯矩阵，并通过其谱（特征值）来表征序列的拓扑连接模式。

第一步：从序列到“基于序列的边界矩阵”传统拓扑数据分析中，拉普拉斯矩阵是从单纯复形（一种由点、边、面等构成的几何结构）的边界矩阵推导而来的。对于一维的肽序列，我们需要一种方式为其构建类似的“高阶连接”关系。

Top-ML定义了一个巧妙的“基于序列的边界矩阵”\hat{B}_k。它的行对应所有长度为k的子序列（k-mer），列对应所有长度为k+1的子序列。矩阵元素\hat{B}_k(i, j)的值由以下规则决定：

• 如果第i个k-mer是第j个(k+1)-mer的子序列（即前者是后者的连续子串），则\hat{B}_k(i, j)不为0。
• 其值f(w)可以有两种定义方式，这也是调参的关键：
  1. 频次：f(w)等于该k-mer在整个肽序列中出现的总次数。
  2. 平均索引位置：f(w)等于该k-mer所有出现实例中，其第一个氨基酸在序列中的平均位置。

为什么是平均位置？在作者的对比实验中，基于平均位置定义的f(w)在多数情况下取得了更好的性能。我个人的理解是，频次只反映了“有多少”，而平均位置额外编码了“在哪里”，这包含了序列顺序的全局位置信息，对于区分功能可能更重要。例如，一个疏水片段出现在肽链中部还是末端，其作用可能完全不同。

第二步：计算序列拉普拉斯矩阵及其谱有了边界矩阵\hat{B}_k，我们就可以模仿单纯复形上的组合拉普拉斯算子，定义序列拉普拉斯矩阵：\hat{L}_0 = \hat{B}_1 \hat{B}_1^T\hat{L}_k = \hat{B}_k^T \hat{B}_k + \hat{B}_{k+1} \hat{B}_{k+1}^T (k≥1)

为了使矩阵是半正定的，我们对其做一个小调整：让矩阵的每一行和为零。具体操作是，将对角线元素设为该行所有非对角元素绝对值之和的相反数，而非对角元素取负值。最后，再计算其对称归一化版本\tilde{L}_k。

第三步：从矩阵到特征向量我们主要关注\tilde{L}_0和\tilde{L}_1。\tilde{L}_0是一个20x20的矩阵，可以看作一个“氨基酸关联图”的拉普拉斯矩阵，其节点是20种氨基酸，边的权重反映了它们在序列中作为相邻氨基酸共同出现的“紧密程度”。\tilde{L}_1是一个400x400的矩阵，其节点是400种可能的二肽，边连接那些重叠一个氨基酸的二肽对。

计算\tilde{L}_0和\tilde{L}_1的特征值，将这些特征值按大小排序，就得到了肽的谱特征。\tilde{L}_0产生一个20维的特征向量，\tilde{L}_1产生一个400维的特征向量，拼接起来得到一个420维的肽谱特征。

生物学直觉：拉普拉斯矩阵的特征值，特别是小特征值，蕴含着图（或更高阶结构）的连通性和聚类信息。零特征值的重数等于图中连通分量的个数。较小的第p个特征值意味着数据可以被很好地划分为p个簇。在肽的语境下，这可能反映了具有相似理化性质（如疏水性、电荷）的氨基酸倾向于在序列中成簇出现，这种聚类模式可能与肽形成特定二级结构或与膜相互作用的方式密切相关。

3. 模型构建、训练与优化全流程

有了上述四类特征，Top-ML的流程就非常清晰了：特征拼接 -> 模型训练 -> 评估优化。

3.1 特征融合与数据准备

首先，对于一条给定的肽序列，我们并行计算其：

1. 60维自然向量（基于全长序列）。
2. 420维平均马格努斯向量（基于k=5的非重叠k-mer）。
3. 末端组成特征向量（基于选定的末端片段，如C15或N15C15，计算其自然向量或马格努斯向量，维度与上述相同）。
4. 420维肽谱特征向量（基于平均索引位置定义的f(w)，拼接\tilde{L}_0和\tilde{L}_1的特征值）。

将这些向量拼接起来，就形成了最终输入机器学习模型的高维特征向量。在开始训练前，特征标准化是必不可少的一步。由于不同特征的值域差异巨大（例如计数是整数，平均位置是浮点数，特征值可能很大），必须使用Z-score标准化（即减去均值除以标准差）或Min-Max缩放，将各个特征缩放到相近的范围内，以避免某些特征因数值大而主导模型训练。

3.2 分类器选择与超参数调优

Top-ML最终选择了极端随机树作为分类器。与传统的随机森林相比，极端随机树在构建每棵树时，不仅对样本进行自助采样，而且对每个节点的特征划分，其划分阈值也是完全随机选择的，而不是寻找最优阈值。这带来了更强的随机性，通常能进一步降低模型的方差，提高泛化能力，且训练速度更快。

作者对比了三种树模型：随机森林、极端随机树和梯度提升树。在ACP预测任务上，极端随机树展现了最佳或接近最佳的性能。其关键超参数设置如下：

• n_estimators（树的数量）: 400。足够多的树可以稳定预测，但继续增加收益递减且增加计算成本。
• max_features（寻找最佳划分时考虑的特征数）:sqrt(n_features)。这是经典设置，等于总特征数的平方根。它能在单棵树的多样性和预测强度之间取得良好平衡。
• 分裂标准: Gini不纯度。这是分类任务的常用标准。
• 其他: 树深不限制（max_depth=None），让树完全生长，然后通过集成来降低过拟合风险。

实操心得：为什么是树模型而非深度学习？

1. 可解释性：树模型可以轻松计算特征重要性（如Gini重要性），让我们知道哪些拓扑或序列特征对区分ACPs贡献最大。这对于生物学家理解模型决策至关重要。
2. 数据效率：ACP数据集规模通常为几千条，对于深度学习模型来说相对较小，容易过拟合。树模型在小数据集上往往更稳健。
3. 计算效率：训练和预测速度远快于深度学习模型，便于快速迭代和部署。
4. 性能相当：如结果所示，精心设计的特征结合强大的树模型，其性能足以媲美复杂的深度学习网络。

3.3 训练、验证与评估策略

Top-ML严格遵循了机器学习的最佳实践：

1. 数据集划分：使用公开基准数据集AntiCP 2.0和mACPpred 2.0。按照原始研究的设定，采用80/20的比例划分训练集和独立测试集。绝对禁止在模型选择或调参过程中窥探测试集。
2. 模型选择与调参：在训练集上，使用5折交叉验证来评估不同特征组合、不同分类器、不同超参数（如马格努斯向量的k、末端片段长度、谱特征中f(w)的定义）的性能。选择在交叉验证上平均性能最优的配置。
3. 最终评估：用选定的最佳配置在完整训练集上重新训练模型，然后在独立的测试集上报告最终性能。为了结果的稳健性，作者重复了100次训练-测试过程（每次可能涉及不同的数据划分或随机种子），并报告中位数性能，以减少随机性的影响。
4. 性能指标：不仅看准确率，还综合考察灵敏度（召回率，识别真正ACPs的能力）、特异度（识别非ACPs的能力）和马修斯相关系数。MCC是一个在类别不平衡时也相对稳健的指标，值域为[-1,1]，1表示完美预测，0表示随机预测。

4. 结果深度解读与可解释性分析

根据论文中的表格，Top-ML在AntiCP 2.0 Dataset A上取得了93.3%的准确率和0.87的MCC，与表现最好的深度学习模型ME-ACP持平，并超越了原基准模型AntiCP 2.0。在Dataset B上，其78.89%的准确率虽略低于iACP-FSCM和ME-ACP，但其灵敏度和特异度更为均衡，且MCC达到0.63，显示出良好的综合判别能力。

更值得关注的是其在mACPpred 2.0这个更大、更去冗余的数据集上的表现。Top-ML取得了**82.5%**的准确率，与使用了复杂堆叠深度学习框架和预训练嵌入的mACPpred 2.0模型（85.7%）和MLACP 2.0模型（83.8%）处于同一梯队。考虑到Top-ML模型的简洁性，这个结果极具竞争力。

模型的可解释性是Top-ML的另一大亮点。通过分析极端随机树模型输出的特征重要性（基于Gini不纯度减少量），我们可以洞察哪些特征对预测贡献最大。

以在mACPpred 2.0数据集上的分析为例（对应原文图3）：

1. 最重要的特征：来自N10C10末端自然向量中谷氨酸的平均位置特征。分布图显示，在非ACPs中，谷氨酸（E）倾向于出现在末端更靠后的位置。这与生物学知识吻合：ACPs通常需要正净电荷以结合带负电的癌细胞膜，而谷氨酸是带负电的酸性氨基酸，其在ACPs中出现较晚或较少，有助于维持整体正电性。
2. 第二重要的特征：来自肽谱特征\tilde{L}_0的某个特征值。分析表明，ACPs的这个特征值比非ACPs更小。回忆谱特征的意义，\tilde{L}_0的小特征值意味着更好的聚类。这暗示ACPs中的氨基酸可能表现出更强的理化性质聚类倾向，例如疏水残基和亲水残基分别成簇，形成两亲性结构，这是许多膜活性肽的典型特征。
3. 第三重要的特征：来自平均马格努斯向量中代表谷氨酸出现与否的二进制特征。再次证实谷氨酸在非ACPs中更常见。

这种基于特征重要性的分析，将模型的“黑箱”决策转化为了可理解的生物物理或生化假设，极大地增强了结果的可信度，并能指导后续的肽理性设计。

5. 实战指南：复现Top-ML的步骤与避坑要点

如果你想在自己的研究或项目中尝试复现或应用Top-ML的思路，以下是一份实操指南：

5.1 环境与数据准备

1. 编程语言与库：首选Python。你需要NumPy,pandas用于数据处理，scikit-learn用于实现极端随机树、交叉验证和评估指标，SciPy用于计算特征值。
2. 数据获取：从论文提供的链接下载AntiCP 2.0和mACPpred 2.0数据集。仔细检查数据格式，确保正负样本标签正确。
3. 序列预处理：检查并去除序列中的非标准氨基酸字母（如‘X’, ‘B’, ‘Z’）。确保所有序列长度在合理范围内（如5-50）。

5.2 特征提取实现（关键代码思路）

这里给出核心特征计算的概念性代码框架，注意实际实现需要考虑效率和边界情况。

import numpy as np from itertools import product class TopMLFeatureExtractor: def __init__(self, aa_list='ACDEFGHIKLMNPQRSTVWY'): self.aa_list = list(aa_list) # 20种标准氨基酸 self.aa_to_idx = {aa: i for i, aa in enumerate(self.aa_list)} def natural_vector(self, sequence): """计算60维自然向量""" n = len(sequence) vec = [] for aa in self.aa_list: positions = [i+1 for i, s in enumerate(sequence) if s == aa] count = len(positions) if count == 0: mean_pos, var_pos = 0.0, 0.0 else: mean_pos = np.mean(positions) var_pos = np.var(positions) vec.extend([count, mean_pos, var_pos]) return np.array(vec) def magnus_vector(self, sequence, k=5, max_subseq_len=2): """计算平均马格努斯向量，k为滑动窗口大小""" # 1. 生成所有长度<=max_subseq_len的子序列字典 all_subseqs = [] for length in range(1, max_subseq_len+1): all_subseqs.extend([''.join(p) for p in product(self.aa_list, repeat=length)]) subseq_to_idx = {seq: i for i, seq in enumerate(all_subseqs)} # 2. 非重叠滑动窗口 num_windows = len(sequence) // k window_vectors = [] for i in range(num_windows): window = sequence[i*k : (i+1)*k] vec = np.zeros(len(all_subseqs)) # 提取窗口中所有连续子序列 (长度1和2) for start in range(len(window)): for length in range(1, min(max_subseq_len+1, len(window)-start+1)): subseq = window[start:start+length] if subseq in subseq_to_idx: vec[subseq_to_idx[subseq]] = 1 window_vectors.append(vec) # 3. 平均 mean_vec = np.mean(window_vectors, axis=0) if window_vectors else np.zeros(len(all_subseqs)) return mean_vec def terminal_feature(self, sequence, terminus='C15'): """计算末端特征，以末端序列为输入调用natural_vector或magnus_vector""" if terminus.startswith('N') and terminus.endswith('C'): # 如 N15C15 n_len = int(terminus[1:].split('C')[0]) c_len = int(terminus.split('C')[1]) n_part = sequence[:n_len] if len(sequence) >= n_len else sequence c_part = sequence[-c_len:] if len(sequence) >= c_len else sequence term_seq = n_part + c_part elif terminus.startswith('N'): n_len = int(terminus[1:]) term_seq = sequence[:n_len] if len(sequence) >= n_len else sequence elif terminus.startswith('C'): c_len = int(terminus[1:]) term_seq = sequence[-c_len:] if len(sequence) >= c_len else sequence else: raise ValueError("Terminus format error. Use like 'N5', 'C10', 'N10C10'") # 可以选择返回自然向量或马格努斯向量，论文中似乎是分别计算然后拼接或选择 # 这里以返回该末端序列的自然向量为例 return self.natural_vector(term_seq) # 肽谱特征实现较为复杂，涉及边界矩阵构建和特征值计算，此处省略详细代码。 # 核心是实现 `_build_boundary_matrix` 和 `_compute_spectral_features` 函数。

5.3 模型训练与评估

from sklearn.ensemble import ExtraTreesClassifier from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score, matthews_corrcoef, classification_report # 1. 特征提取与融合 all_features = [] for seq in sequences: nat_vec = extractor.natural_vector(seq) mag_vec = extractor.magnus_vector(seq, k=5) term_vec = extractor.terminal_feature(seq, terminus='C15') # 根据数据集选择 spec_vec = extractor.spectral_features(seq) # 假设已实现 combined = np.concatenate([nat_vec, mag_vec, term_vec, spec_vec]) all_features.append(combined) X = np.vstack(all_features) y = labels # 0/1 标签 # 2. 数据标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 3. 划分训练测试集 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42, stratify=y) # 4. 定义模型与参数网格（简化版） model = ExtraTreesClassifier(n_estimators=400, max_features='sqrt', random_state=42, n_jobs=-1) # 可以进行更细致的网格搜索 # param_grid = {'n_estimators': [200, 400, 600], 'min_samples_split': [2, 5]} # grid_search = GridSearchCV(model, param_grid, cv=5, scoring='accuracy') # grid_search.fit(X_train, y_train) # best_model = grid_search.best_estimator_ # 5. 训练与预测 model.fit(X_train, y_train) y_pred = model.predict(X_test) y_pred_proba = model.predict_proba(X_test)[:, 1] # 6. 评估 print("Accuracy:", accuracy_score(y_test, y_pred)) print("MCC:", matthews_corrcoef(y_test, y_pred)) print(classification_report(y_test, y_pred)) # 7. 特征重要性分析 importances = model.feature_importances_ # 将重要性值与特征名称对应起来进行分析

5.4 常见问题与排查技巧

1. 特征维度爆炸：拼接后特征维度可能超过1000维。在数据量不大时，需警惕过拟合。除了使用正则化强的模型（如随机森林），可以考虑使用特征选择方法（如基于模型重要性的筛选、递归特征消除）或降维（PCA），但要注意这可能损失可解释性。
2. 计算肽谱特征速度慢：构建边界矩阵\hat{B}_k和计算大矩阵的特征值是主要瓶颈。对于长序列，k较大时维度会急剧上升。优化策略：a) 只计算\tilde{L}_0和\tilde{L}_1，忽略更高阶。b) 使用稀疏矩阵格式存储\hat{B}_k，因为它是高度稀疏的。c) 使用高效的稀疏矩阵特征值计算算法（如ARPACK）。
3. 类别不平衡：ACP数据集中正负样本通常是平衡的（如1:1），但如果你处理自己的数据时遇到不平衡，需采取措施：a) 在评估时使用MCC、AUROC而非单纯准确率。b) 使用class_weight='balanced'参数。c) 对少数类进行过采样或对多数类进行欠采样。
4. 超参数敏感度：k（马格努斯向量窗口大小）、末端片段长度、f(w)的定义（频次vs平均位置）对结果有影响。必须通过交叉验证在你的特定数据集上进行选择，不要直接照搬论文参数。
5. 模型解释的陷阱：树模型的特征重要性是相对的，且可能存在共线性特征稀释重要性分数的情况。对于高度相关的特征（如自然向量和马格努斯向量都编码了氨基酸出现信息），其重要性可能被分散。解读时需结合领域知识综合判断。

6. 总结与展望

Top-ML模型为我们展示了一条将深刻的数学思想（拓扑数据分析）与实用的机器学习模型相结合，来解决具体生物医学问题的成功路径。它的优势在于：

• 性能强劲：用相对简单的模型达到了深度学习级别的精度。
• 原理新颖：引入了序列的拓扑和谱特征，提供了全新的特征视角。
• 解释性强：特征重要性分析能直接关联回序列的生化属性。
• 框架通用：其特征提取方法不局限于ACP预测，可推广至任何序列分类问题，如蛋白质功能预测、RNA结合位点识别等。

在我自己的尝试中，复现该模型的主要工作量集中在肽谱特征的高效实现上。一旦这个瓶颈突破，整个流程非常清晰。一个实用的建议是，在项目初期，可以先实现并测试自然向量和马格努斯向量这两类相对容易计算的特征，它们通常已经能提供很强的基线性能。肽谱特征可以作为后续提升模型性能的“进阶武器”。

未来的改进方向也很明确：一是将肽的预测理化性质（如疏水性、螺旋性）作为额外特征与拓扑特征融合；二是尝试将框架应用于修饰肽或多肽药物的活性预测；三是探索基于拓扑特征的图神经网络，或许能更直接地利用序列的图结构信息。

对于刚进入生物信息学或计算药物发现领域的朋友，我强烈建议深入理解Top-ML背后的特征工程思想，而不仅仅是调用代码。理解如何将生物序列转化为有意义的数学对象，是设计出更好模型的关键。这个项目是一个绝佳的范例，告诉我们好的特征设计有时比复杂的模型结构更重要。