［本站讯］近日，山东大学公共卫生学院生物统计学系侯庆振课题组，依托国家健康医疗大数据研究院平台，在国际知名学术期刊《Advanced Science》（影响因子14.1）发表最新研究成果，提出了一种面向蛋白质组与代谢组联合分析的可解释人工智能新算法ProMetNet。该算法将生化反应知识转化为神经网络的结构约束，为复杂疾病的智能分析和分子机制解析提供了新的计算工具。山东大学公共卫生学院硕士研究生赵明慧为论文第一作者，侯庆振副教授为通讯作者，国家健康医疗大数据研究院院长薛付忠教授对本研究给予重要指导，山东大学为论文第一作者单位和通讯作者单位。

蛋白质与代谢物通过酶促反应和代谢通路形成紧密的功能联系，联合分析二者有助于从功能调控和代谢表型两个层面认识疾病发生发展过程。然而，临床多组学研究通常面临样本量有限、特征维度高、数据噪声大等问题，现有算法多依赖统计相关性或特征拼接，难以充分利用已知的生化反应结构，分析结果也往往缺乏明确的生物学解释。

针对上述问题，研究团队构建了ProMetNet算法。该算法将Reactome和KEGG数据库中的蛋白质—代谢物反应关系及层级通路结构转化为与疾病标签无关的神经网络连接约束，使多组学信息沿具有明确生化依据的路径进行传递，从而减少缺乏生物学依据的跨组学连接，提高模型在高维、小样本条件下的稳定性和可解释性。同时，ProMetNet引入拓扑校正机制，可逐层追踪蛋白质、代谢物及其所在生化通路对疾病预测的贡献，从而增强人工智能模型疾病预测结果的生物学可解释性。

研究团队在阿尔茨海默病、2型糖尿病、新冠病毒感染和胶质母细胞瘤四类疾病数据中对ProMetNet进行了系统评估。结果显示，与多种代表性多组学整合算法和传统机器学习模型相比，ProMetNet在疾病分类和分子分型任务中表现出更优且稳定的预测性能，并在样本量减少及不同数据处理条件下保持较好的稳健性。

此外，ProMetNet能够识别传统差异分析和相关性分析难以发现的蛋白质—代谢物依赖关系。研究团队进一步利用英国生物样本库中47,507名参与者的大规模蛋白质组数据，对算法筛选出的关键通路进行了独立验证，进一步支持了相关信号的稳定性和可重复性。

该研究将生化反应知识、稀疏神经网络与可解释人工智能相结合，为高维、小样本生物医学数据提供了新的智能分析框架，也为复杂疾病的多组学研究和机制解析提供了新的方法支持。