2026年9月16日，Plant Physiology在线发表了海南大学生命健康学院机器学习与多组学分析研究团队的成果“DeepEffector: a protein language model-driven deep learning framework for effector prediction in fungi and oomycetes”。该研究将预训练蛋白质语言模型的高维语义表征与几何过采样技术及多头自注意力-卷积神经网络混合架构相结合，构建了高精度效应蛋白预测框架DeepEffector。

图1. 文章首页截图

真菌和卵菌是重要的病原微生物类群，每年造成全球农作物减产达20%至30%，严重威胁农业生产。其分泌的效应蛋白能够操纵宿主细胞过程，在病原侵染和定殖中发挥关键作用。然而，效应蛋白序列多样性高、保守基序少，传统基于同源性的注释方法难以奏效，计算预测已成为效应蛋白发现不可或缺的环节。

图2. 模型构建流程图

研究团队系统比较了6类传统序列描述符与13种蛋白质语言模型，发现蛋白质语言模型提取的语义表征在灵敏度、F1分数和MCC等指标上全面优于传统特征。在此基础上，团队设计了融合多头自注意力与残差卷积神经网络的深度学习架构，兼顾全局上下文依赖与局部功能模式的捕捉。在独立测试集上，DeepEffector-Fungi的准确率达0.987，全面优于EffectorP 3.0、Fungtion、PPEPFinder等现有工具；DeepEffector-Oomycete同样在多项指标上取得最优表现。

图3. 模型性能比较

研究团队进一步以香蕉枯萎病病原菌Foc TR4为对象，从其22,487个蛋白质中筛选出531个候选效应蛋白，并选取4个高置信度候选蛋白进行功能实验。结果表明，4个候选蛋白均具有功能性信号肽，能够被分泌并在宿主相关亚细胞定位，且均显著抑制了Bax诱导的程序性细胞死亡，支持其作为免疫抑制效应蛋白的潜在功能。其中FOIG_09680在现有数据库中缺乏已知同源物或结构域，却被证实具有效应蛋白功能，说明DeepEffector能够发现传统同源搜索难以捕捉的“暗物质”效应蛋白。

图4. 候选效应蛋白的实验验证

该论文共同第一作者为海南大学生命健康学院硕士研究生李涛、王丹阳，博士研究生孟千琳，通讯作者为李宏副教授和王天鹏副研究员。该研究得到国家自然科学基金（32460244、32402919）和海南省自然科学基金（225MS009）的资助。

全文链接：https://academic.oup.com/plphys/advance-article-abstract/doi/10.1093/plphys/kiag691/8802561