近日，我院陈震副教授、豆根生副教授、李俊周教授合作在国际著名期刊Molecular Plant在线发表了题为“PlantPTM: A deep learning framework integrating protein language models with multi-view features for predicting diverse post-translational modification sites in plants”的论文研究。该研究基于蛋白语言模型与多视角特征融合策略，首次实现了对水稻、小麦、玉米等6种植物物种的9种翻译后修饰类型的高精度预测，为大规模植物功能蛋白质组学研究与作物分子育种提供了可扩展的AI辅助平台。        翻译后修饰（PTMs）通过共价连接化学基团调控蛋白质构象、活性与亚细胞定位，在植物生长发育、逆境应答和信号转导中发挥关键作用。研究首次构建了植物特异、支持9种翻译后修饰类型（N-糖基化、S-酰化、2-羟基异丁酰化、巴豆酰化、琥珀酰化、丙二酰化、乙酰化、泛素化、磷酸化）和6种植物物种（拟南芥、水稻、玉米、小麦、大豆、番茄）的深度学习预测框架。研究团队从CPLM、EPSD 2.0、PhosPhAt 4.0、Plant PTM Viewer、qPTMplants等数据库及文献中整合了211,535条蛋白上的657,623个PTM位点，经30%序列相似性去冗余后建模。PlantPTM采用多编码器-特征融合-预测解码三层架构，四路并行编码器（CNN捕获局部序列模式、BiGRU建模长程依赖、ProtBert蛋白语言模型提取隐含进化信息、手工特征编码器融合PSSM与one-hot编码）经自注意力机制加权融合后输出PTM位点概率。
       在独立测试集上，PlantPTM在9种PTM类型的平均AUROC达0.8640，其中N-糖基化位点预测AUROC最高达0.9699。与25种现有预测工具的系统对比表明，PlantPTM在所有PTM类型上均显著优于已有方法，AUROC提升幅度为2.90%–19.08%，平均提升15.46%。留一物种交叉验证显示，即使完全排除拟南芥或水稻等数据丰富物种参与训练，模型在未见物种上的AUROC仍稳定在0.8以上。进一步以水稻为材料开展了泛素化、乙酰化和N-糖基化三种修饰的独立质谱验证，PlantPTM预测的AUROC分别达到0.8089、0.8150和0.9073，且质谱鉴定肽段与模型预测肽段的保守motif高度一致。消融实验证实，各编码器模块对模型性能均有实质性贡献。团队搭建了免费在线预测服务（https://ai4bio.online/PlantPTM），支持批量提交并基于置信度对候选位点排序与可视化。
       PlantPTM是首个覆盖水稻、小麦、玉米等多种植物、支持多类PTM的植物专有深度学习预测工具，突破了现有方法在PTM类型覆盖面、物种泛化性和预测精度方面的多项局限。该框架不仅为模式和非模式植物蛋白的大规模PTM功能注释提供了高效计算方案，也为作物抗逆分子设计育种和植物合成生物学研究提供了AI辅助工具。未来，该平台将持续纳入新的PTM类型与物种数据，并整合蛋白结构信息与功能注释，提升翻译后修饰预测性能，服务作物分子育种。        我院豆根生、王开元、秦兆辉为共同第一作者，豆根生、李俊周、陈震为共同通讯作者。研究获国家自然科学基金（32570482）、河南省现代农业产业技术体系（HARS-22–03-G3）及河南省重点研发专项（261111113100）等项目的资助。
       论文链接：https://doi.org/10.1016/j.molp.2026.08.002