Capturing domain-level detail of molecular interactions in the IMEx Consortium binding domain data set
本文介绍了 IMEx 结合域数据集，这是一个大规模、经人工策展的、将实验衍生的蛋白质相互作用区域映射到 UniProtKB 序列上的集合，它可作为基准测试界面预测方法以及阐明疾病相关突变机制基础的金标准。
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
在每一个活细胞内部，都进行着一个庞大的对话网络。蛋白质作为生命的劳动力，并非孤立存在；它们必须通过物理接触并与其它分子相连，才能发送信号、构建结构并执行维持生物体生存的化学反应。这些连接并非随机的碰撞，而是高度特异性的会面，通常发生在蛋白质表面的精确位置。正如钥匙契合特定的锁一样，蛋白质利用其特定形状的一个区域来抓取伙伴。科学家们将这些特定的抓取点称为“结合区域”。了解这些位点确切位于何处至关重要，因为这不仅揭示了细胞如何正常运作，也同样揭示了当疾病发生时，它们是如何崩溃的。如果基因突变改变了结合区域的形状，蛋白质可能会失去连接的能力，从而导致整个细胞层面的对话失效。
二十多年来，一个全球性的科学家团队一直在细致地收集这些特定会面点的证据。这项被称为 IMEx 联盟的工作涉及多位专家，他们阅读了数千篇科学论文，以提取关于蛋白质如何相互作用的细节。他们不仅仅记录两个蛋白质是否接触，还确定了使这种连接成为可能的特定氨基酸序列（即蛋白质的构建模块）。在这次对这一庞大集合的最新更新中，该团队发布了一个包含近 23.3 万个经实验验证的结合区域的综合数据集。这一新资源充当了一张详细的地图，将蛋白质序列的特定部分与其介导的相互作用联系起来，并将此信息与蛋白质家族及人类遗传疾病的更广泛图景相连。
这些数据集背后的研究人员在欧洲及其他地区开展工作，数十年来一直在从同行评审的文献中整理这些信息。他们根据实验进行的具体方式，将数据分为三个主要类别。最大的组别包含超过 17.9 万条条目，代表“充分结合区域”（sufficient binding regions）。这些是蛋白质的片段，当被分离并进行测试时，足以引起与伙伴的连接。第二个组别有 48,000 多条，描述的是“结合相关区域”（binding-associated regions），即被怀疑参与相互作用但其确切边界尚不明确的区域。最小的组别约有 5,300 条，列出了“必需结合区域”（necessary binding regions）。这些是最精确的注释，识别了实现连接所绝对必需的特定氨基酸。该数据涵盖了 1,000 多个不同物种的相互作用，尽管大部分信息来自于研究较深入的生物体，如人类、小鼠、果蝇和酵母。
为了使这些数据对现代研究更有用，该团队开发了一种新方法，能够自动将这些结合区域与已知的蛋白质家族联系起来。虽然人类策展人此前仅在论文明确命名了特定结构域时才会添加这些链接，但新的自动化流水线会扫描整个数据集以寻找重叠部分。研究人员发现，近一半的人类结合区域包含至少一个已知的蛋白质结构域，但在许多情况下，结合区域的范围远超该结构域的边界。这表明，蛋白质用来抓取伙伴的“握力”往往比科学家通常研究的标准模块化部分更大、更复杂。通过将这些区域与已知蛋白质结构数据库进行系统性匹配，该团队成功为数千个此前缺乏身份标识的结合区域分配了结构域身份，从而填补了我们在蛋白质架构理解方面的空白。
该团队还探讨了这些结合区域如何与蛋白质序列中的短小、简单的模式——即线性基序（linear motifs）相联系。与大型、复杂的结构域不同，这些基序是仅由几个氨基酸组成的微小序列，可以触发相互作用。分析显示，数据集中的许多结合区域都对应于这些已知的基序，特别是那些参与对接位点或化学修饰（如磷酸化）的基序。这一发现架起了大型结构域与调节细胞行为的微小、瞬时相互作用之间的桥梁。它证实了该数据集捕捉到了广泛的相互作用类型，从稳固、定义明确的结构域到允许快速细胞响应的灵活、短序列。
该数据集最显著的应用在于理解人类疾病。研究人员将数千个遗传变异（包括已知会导致疾病的变异）映射到了这些结合区域上。他们发现，近 1.2 万个疾病相关突变直接落在经实验定义的结合区域内。这是一个强有力的洞察，因为它超越了仅仅知道某个突变是有害的这一层面；它解释了“为什么”。通过将突变定位到特定的相互作用界面，科学家们可以观察到，疾病的产生很可能是因为蛋白质无法再与其伙伴连接。研究强调，这些破坏性的突变常见于从免疫疾病、激素失调到各种形式的癌症及神经退行性疾病等多种情况。对于效应目前尚不明确的变异，将其置于结合区域内提供了一个具体的进一步研究起点，有助于研究人员优先考虑哪些突变值得首先研究。
该数据集免费向科学界开放，随 IntAct 数据库的每一次发布而更新，并以适合人类阅读和计算机分析的格式提供。它作为测试预测蛋白质如何相互作用或遗传变化如何影响健康的各类工具的金标准。虽然该数据反映了科学文献中的偏差（即过度关注研究深入的蛋白质和一些大规模研究），但它仍然是同类中最完整的集合。通过提供一张经实验验证的、关于蛋白质如何连接的清晰地图，这项工作为破译生命的分子逻辑以及这种逻辑在疾病中出错的具体方式提供了基础性资源。
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。