技术摘要：MPFIL —— 用于预测突变诱导的蛋白质-蛋白质结合亲和力变化的多层蛋白质特征集成方法

1. 问题陈述

预测突变诱导的蛋白质-蛋白质结合亲和力变化 ($\Delta\Delta G$) 是理解疾病机制和开发治疗药物的关键任务。然而，这种预测具有挑战性，因为突变既会影响局部残基环境，也会影响蛋白质复合物的全局结构组织。

现有的计算方法面临以下局限性：

• 依赖手工特征： 许多方法依赖于复杂的物理化学、能量或进化特征，这需要特定领域的知识并增加了计算成本。
• 结构差异建模有限： 虽然一些深度学习方法利用了蛋白质结构，但它们往往无法显式地建模突变在野生型（WT）与突变型（MT）复合物之间引起的差异性结构变化。
• 序列上下文不完整： 当前基于序列的模型未能充分探索突变位点与相邻残基之间的内在关系，以及长程依赖关系。

作者提出了 MPFIL（多层蛋白质特征集成），通过构建一个集成了结构和序列信息且不依赖复杂手工生物学描述符的泛化框架来解决这些问题。

2. 方法论：MPFIL 框架

MPFIL 是一个深度学习框架，通过两种并行的表示形式处理蛋白质复合物：序列与无向图。该架构由四个主要部分组成：

A. 蛋白质复合物表示

• 序列特征： 蛋白质语言模型（PLM）将蛋白质链编码为高维嵌入向量。使用特殊的 [CLS] token 来捕捉全局序列特征。
• 图特征： 蛋白质复合物被表示为一个以突变位点为中心节点的图。边连接中心节点与 10 Å 半径内的周围残基。
  • WT 图根据 PDB 文件构建。
  • MT 图使用通过 FoldX 生成的结构构建。
  • 节点特征源自序列嵌入，邻接矩阵基于欧几里得距离。

B. 图级结构特征编码

该模块用于捕捉突变诱导的结构变化和差异信息。

1. GNN 编码： WT 图和 MT 图通过带有残差连接的图神经网络（GNN）进行处理，生成图级表示（$G_{wild}$ 和 $G_{mut}$）。
2. 差异特征提取：
   • 隐式： 一个多头自注意力模块处理拼接后的 WT 和 MT 图的池化表示。
   • 显式： 计算 WT 与 MT 图表示之间的元素级差异，进行池化后通过一个 MLP。
   • 这些特征通过一个非线性层进行组合，生成最终的图级结构表示（$p_{graph}$）。

C. 多视角序列特征编码

该组件从三个不同的视角利用序列信息：

1. 全局层面差异特征：
   • 拼接复合物内蛋白质链的全局表示。
   • 使用蛋白质级多头自注意力模块来建模链间相互作用。
   • 通过复合物对自注意力模块整合 WT 和 MT 表示，以捕捉全局生物调节和差异信息（$p_{global}$）。
2. 全序列上下文层面特征：
   • Transformer 编码器处理全长氨基酸序列以捕捉长程相互作用。
   • 加权求和池化机制生成上下文层级的表示（$\tilde{p}$）。
   • 成对序列特征提取模块（涉及 1D 卷积）对这些特征进行压缩和精炼，得到上下文层级表示（$p_{context}$）。
3. 残基层面序列特征：
   • 采用具有不同卷积核大小的多层 CNN 来检测局部模式（短基序、中程依赖和保守片段）。
   • 通过交替的卷积、激活和最大池化层提取局部特征，随后通过成对提取模块产生残基层级表示（$p_{residue}$）。

D. 预测器与优化

最终的表示是通过拼接以下四个特征向量形成的：
$$P = [p_{graph}; p_{global}; p_{context}; p_{residue}]$$
一个多层感知器（MLP）预测器将该拼接向量映射到预测的 $\Delta\Delta G$。模型使用均方误差（MSE）损失函数进行训练。

3. 核心贡献

作者将其贡献总结如下：

1. 新颖框架： 提出了 MPFIL，这是一个系统地结合结构-序列特征的多层集成框架，同时避免了对复杂手工生物学特征的依赖。
2. 图级编码： 设计了一个专门用于捕捉突变诱导的结构变化以及 WT 与 MT 复合物之间差异信息的 GNN 模块。
3. 多视角序列编码： 引入了利用全局差异特征、全序列上下文（长程依赖）以及残基级局部模式的模块。
4. 实证验证： 证明了其在三个基准数据集上的性能优于现有最先进的方法。

4. 实验结果

该模型在三个数据集上进行了评估：S1131（SKEMPI 的子集）、S2398（SKEMPI-2.0 的子集）和 MPAD（膜蛋白数据集）。

性能指标

MPFIL 在所有数据集的皮尔逊相关系数（PCC）、均方根误差（RMSE）和平均绝对误差（MAE）方面均取得了最佳结果：

• S1131: PCC = 0.917, RMSE = 0.983, MAE = 0.718。
• S2398: PCC = 0.882, RMSE = 0.891, MAE = 0.613。
• MPAD: PCC = 0.713, RMSE = 0.729, MAE = 0.545。

对比分析

• MPFIL 的表现优于基于结构的方法（如 GeoPPI, SFM-Net）和基于序列的方法（如 SAAMBE-SEQ, PIPR+S2F）。
• 在 MPAD 数据集（结构数据有限的膜蛋白数据集）上，MPFIL 较基准方法表现出显著的改进，证明了即使在结构信息匮乏时也具有鲁棒性。

消融实验

移除单个组件的过程证实了每个模块的必要性：

• 移除结构特征（w/o structure）： 导致性能下降最为显著，尤其是在 MPAD 数据集上。具体而言，完整的 MPFIL 模型在 MPAD 数据集上的 PCC 比不含结构特征的变体高出 16.5%，凸显了捕捉结构差异信息的重要性。
• 移除序列特征： 缺少全局、上下文或残基级特征的变体也显示出性能退化，证实了每种视角都对预测准确性做出了独特贡献。

分布分析

散点图和分布对比显示，MPFIL 的预测值与实验值高度吻合，所有数据集中的数据点都集中在回归线附近。

5. 意义与主张

论文声称，通过集成多层特征，MPFIL 为理解蛋白质复合物的性质和行为提供了更全面、更系统的理解。其意义在于：

• 泛化能力： 能够有效地为可溶性和膜蛋白预测 $\Delta\Delta G$，而无需进行大量的手工特征工程。
• 机制洞察： 该框架成功地模拟了突变位点与相邻残基之间的内在关系，以及长程依赖关系，这对于理解突变效应至关重要。
• 未来应用： 作者指出，该方法模拟突变效应的能力可以扩展到分析疾病相关突变，从而潜在地辅助癌症和神经退行性疾病的精准医疗策略开发。

作者保持了谦逊的语气，指出虽然该方法很有效，但蛋白质数据的快速增长和专家知识数据的匮乏仍然是此类泛化框架旨在解决的挑战。