AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models
AmyloCore-ML 是一种新型的基于序列的预测器，它利用蛋白质语言模型嵌入（特别是 ESM-2）来准确识别结构解析的淀粉样纤维核心区域，其性能优于 CrossBeta 和 AggrescanAI 等现有工具。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
蛋白质是生命的劳动力，它们折叠成复杂的形状，在细胞内执行各种基本任务。然而，当这些蛋白质发生功能障碍时，它们可能会发生错误折叠并聚集在一起，形成被称为淀粉样纤维（amyloid fibrils）的坚硬、绳索状结构。这一过程是包括阿尔茨海默病和帕金森病在内的多种毁灭性神经退行性疾病的核心。几十年来，科学家们已经了解到这些纤维并非随机堆积的蛋白质，它们拥有一个高度有序且稳定的核心，蛋白质链以特定的模式锁定在一起。然而，一个关键的谜题仍然存在：虽然一个蛋白质可能很长且很复杂，但实际上只有其中的一段会成为这种坚硬、有序核心的一部分。蛋白质的其余部分通常保持无序状态，或松散地悬挂在外部。准确了解哪些氨基酸构成了这个坚固的核心，对于理解这些疾病如何发展以及设计能够阻止这一过程的药物至关重要，但仅凭蛋白质的遗传密码来识别这些特定区域已被证明是一个极具挑战性的难题。
长期以来，研究人员一直试图利用计算机程序来预测这些危险的聚集区域，这些程序通过寻找简单的化学模式（例如自然倾向于相互粘附的氨基酸序列）来进行工作。然而，一项新的研究表明，传统方法之所以失准，是因为它们混淆了蛋白质的一般聚集倾向与最终进入坚硬、有序结构的特定现实。为了解决这个问题，一个研究团队开发了一种名为 AmyloCore-ML 的新工具。该工具不再仅仅寻找“粘性斑块”，而是被训练去识别构成纤维内部固体核心的序列所具备的精确“语法”，从而将核心部分与同一蛋白质中不属于核心的部分区分开来。通过学习来自真实纤维的高分辨率图像，该系统学会了识别有序核心与无序剩余部分之间的细微差别，从而为危险所在提供了更清晰的视野。
该团队首先从一个名为 Amyloid Atlas 的公开数据库中收集了大量的实验解析纤维结构。他们仔细筛选了 69 种不同的蛋白质，检查了它们纤维形式的详细图谱，以观察哪些残基被锁定在有序核心中，而哪些被留在外部。他们将锁定的残基视为“核心”，并将来自同一分子的其余部分视为“非核心”对照组。这种方法至关重要，因为它允许计算机在相同的条件下学习同一蛋白质内部两个部分的差异，而不是比较互不相关的蛋白质。随后，研究人员将这些蛋白质序列分解为不同长度的重叠窗口，并将其输入机器学习系统。他们测试了描述蛋白质的两种不同方式：一种使用标准的化学性质，另一种使用先进的语言模型，后者能够理解氨基酸的上下文语境，就像读者理解一个词的意思如何随句子变化一样。
结果显示，先进的语言模型明显优于传统的化学描述。系统学到，核心的身份不仅仅取决于一段短小的、具有粘性的序列，还高度依赖于氨基酸周围的“邻里环境”。当研究人员测试他们最好的模型时，发现能够以极高的准确度区分核心区域与非核心区域，得分约为 0.88（在 1.0 为完美的量表中）。更重要的是，当他们扫描完整的全长蛋白质以观察是否能定位核心时，该工具成功地精准定位了实验性的核心区域。表现最好的模型版本可以将核心中心定位在平均仅 12.4 个残基的距离内，这比现有工具往往错失较大范围的性能有了显著提升。
为了确保研究结果的稳健性，团队将这种新预测器与另外两种旨在寻找聚集倾向区域的知名工具进行了对比。新工具的表现始终优于它们，不仅在对最有可能是核心的残基进行排序方面表现出色，而且在物理定位蛋白质正确片段方面也更胜一筹。研究人员指出，虽然其他工具可能会将某个区域识别为具有一般性的聚集倾向，但他们的模型专门识别了那些在成熟纤维中实现结构整合的部分。这种区别至关重要，因为一个区域可能具备引发聚集的能力，但不一定会最终进入稳定的结构中。研究还证实，使用较长的氨基酸窗口可以获得更好的结果，这表明形成核心的信号分布在较广的区域，而非局限于一个微小的孤立点。
团队通过在完全陌生的蛋白质上进行测试验证了其方法的有效性，这些蛋白质包括马肌球蛋白、P02070、燕麦 11S 球蛋白、燕麦 12S 种子贮藏球蛋白 2 以及人类整合膜蛋白 2B。在没有经过任何重新训练或调整的情况下，该工具成功识别出了高概率的核心片段，这些片段与这些未见蛋白质的实验解析结构相重合。这证明了该系统学习到的是关于蛋白质如何折叠成纤维的一般规律，而非仅仅记住了特定的示例。研究人员通过一个交互式在线界面免费发布了他们的工具，使其他科学家能够输入蛋白质序列，并立即看到淀粉样核心可能形成的图谱。通过将焦点从一般的“粘性”转向纤维核心的特定架构，这项工作为理解这些疾病的分子机制提供了一种更清晰、更精确的方式，有望引导未来针对这些有害结构组装处的精确表面设计疗法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。