🧬 biology

AminoGrapes: Structure-Weighted Evolutionary Scoring for Viral Protein Fitness Prediction

本文评估了 AminoGrapes，一种用于病毒蛋白质适应度预测的无参数、结构加权进化评分方法，发现虽然它在病毒实验测试中显著优于 ESM2-650M 语言模型，但未能达到现有顶尖方法的水平或提升集成性能，这可能是由于受基准测试结果先验知识影响的设计选择所致。

原作者： MUHAMMAD Saad

发布于 2026-10-05

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： MUHAMMAD Saad

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

病毒是变化的专家。为了生存，它们不断重写自己的遗传指令，通过更换被称为氨基酸的微小构建模块，来逃避我们的免疫系统或更好地感染细胞。科学家们希望预测这些变化中哪些会对病毒有利，哪些会破坏病毒，这项任务对于设计疫苗和理解疾病传播至关重要。挑战在于，病毒进化得如此之快，以至于研究它们的实例往往非常稀少，这使得学习它们的规则变得困难。传统上，研究人员使用两种主要方法来推测突变的结果。一种方法关注历史，扫描数千个相关的病毒序列，观察哪些部分在时间长河中保持不变；如果一个位置从未改变，它很可能是至关重要的。另一种方法依赖于蛋白质的物理形状，即知道对分子紧密堆积的隐藏核心进行改变，比对暴露表面的改变更容易导致损伤。

一位名叫 Muhammad Saad Khan 的研究人员在巴基斯坦伊斯兰堡的 Afrium 工作室，将这两种方法结合成了一种名为 AminoGrapes 的新工具。其目标是创造一种简单、快速的方法，来预测病毒蛋白质在发生突变后功能的表现，特别是针对那些由于数据不足而无法让最先进计算机模型发挥作用的困难案例。该方法获取一个病毒蛋白质序列并执行两件事。首先，它构建一个相似病毒的家族树，以计算蛋白质中每个位置在进化过程中被保守程度。其次，它使用计算机生成的蛋白质 3D 模型来确定每个位置是埋藏的还是暴露的。然后，该工具将这两个信息量相乘。如果一个位置在历史上既高度保守又深埋在蛋白质核心内部，那么该处的突变会被给予严厉的惩罚。如果一个位置位于表面或在过去频繁发生变化，则惩罚会轻得多。这产生了一个单一的分数，用于预测特定的变化是否能被病毒所容忍。

研究人员在三十一个不同的病毒蛋白质实验（称为测定实验）标准集上测试了这一工具，这些实验在实验室中测量突变蛋白质的实际功能表现。他们将这个新工具与一种强大的、广泛使用的先进人工智能模型 ESM2 进行了对比，ESM2 是一个在数百万个蛋白质序列上训练的大型语言模型。结果显示，AminoGrapes 在预测病毒蛋白质适应度方面明显优于这种标准的 AI 模型。平均而言，新工具与现实世界实验结果的相关性为 0.430，而 AI 模型仅达到 0.269。在三十一个测试中的二十五个测试中，AminoGrapes 都是更准确的预测器。这种改进源于新工具明确使用了蛋白质的物理结构和其家族的历史，而 AI 模型则是试图仅根据遗传密码中的字母序列来进行猜测。

然而，这个故事并非完全的胜利。当研究人员将 AminoGrapes 与目前科学界最顶尖的方法进行比较时，它显得力有不逮。其他成熟的工具通常使用更复杂的数学或更大的数据集，并取得了更高的分数，其中表现最好的达到了 0.480。值得注意的是，AminoGrapes 在相同的测定实验中得分显著低于原始的 RSALOR 实现版本，后者的得分为 0.480。作者谨慎地指出，当他们的工具与这些顶级方法结合使用时，并没有增加任何新的价值；事实上，将 AminoGrapes 加入到一组现有的最佳模型中，实际上使组合后的预测效果略有下降。这表明，虽然这个新工具是针对病毒蛋白质的一个坚实的、独立的进步，但它尚未超越现有技术水平。此外，研究人员承认，该工具是在观察这些特定病毒测试结果的过程中开发的，这意味着数字可能略显乐观，未来需要在新的、未见的数据上进行验证。

研究还探讨了将新工具与旧 AI 模型混合使用的情况。他们尝试将两者的预测结果融合在一起，以看看能否兼顾两者的优势。在非病毒蛋白质（AI 模型表现非常强劲的领域）上，这种融合效果良好。但在病毒蛋白质上，融合后的表现比单独使用新工具时更差。这是因为 AI 模型在处理病毒时通常表现较弱，将其较低质量的预测与新工具较高的质量预测混合在一起，拉低了整体平均水平。这一发现凸显了当前 AI 模型在应用于快速进化的病毒时的特定弱点，并表明对于这些特定的生物学问题，一种直接使用进化历史和 3D 结构的简单方法，目前比大规模的通用语言模型更可靠。

最终，这项工作证明了对于病毒蛋白质而言，一种尊重病毒深厚历史和物理形状约束的直接计算方法，可以超越复杂的艺术智能。它并不声称已经解决了预测病毒进化的难题，也不声称自己是目前最强大的工具。相反，它为生物学中一个特定且困难的角落提供了一个清晰、可解释且有效的替代方案。研究人员强调，他们的工具并不是万能灵药，而是一个实用的工具，填补了当前 AI 难以应对的空白，为理解哪些突变能让病毒生存以及哪些会导致其失败提供了更好的途径。

技术摘要：AminoGrapes

问题陈述
通过零样本（zero-shot）方法预测病毒蛋白的突变适应度（fitness effects）具有挑战性。病毒家族进化迅速，且在数据库中的采样较为稀疏，导致蛋白质语言模型（PLMs，如 ESM2）在这些目标上的表现不佳。虽然深度突变扫描（DMS）为特定实验提供了地面真值（ground truth），但要推广到未见的病毒变体需要鲁棒的预测模型。现有的 PLMs 在病毒蛋白上的表现存在性能差距（在 ProteinGym 病毒实验中的平均 Spearman 相关系数为 0.269），低于非病毒蛋白。

方法论
AminoGrapes 是一个独立位点模型，它结合了进化保守性和结构上下文来为突变评分。它并未引入新的评分公式，而是实现了针对病毒数据进行特定工程化处理的 RSALOR 公式（Tsishyn 等人）。评分计算如下：

序列加权： 对多序列比对（MSAs）进行处理以处理冗余。序列权重与其在恒定恒等距离 $\theta = 0.2$ 内的序列数量成反比。空位（Gaps）被视为第 21 种状态。
位点频率： 加权计数经过归一化，并使用伪计数（ $\epsilon = 0.01$ ）进行平滑处理，以防止出现零概率。
结构埋藏度： 利用 Shrake-Rupley 算法从 AlphaFold2 预测的结构中计算相对溶剂可及性（RSA）。仅当结构映射到目标蛋白 $\ge 30\%$ 且恒等性 $\ge 80\%$ 时才使用结构；否则，应用常数回退方案。
评分公式： 突变 $m$ 的最终得分是突变位点处埋藏权重乘以突变残基相对于野生型残基的对数优势之和：
$s_{AminoGrapes}(m) = \sum_{i \in m} (1 - RSA_i) [\log f_i(a_i^{mut}) - \log f_i(a_i^{wt})]$
较高的分数表示突变更有可能被耐受。该模型没有用于病毒实验的拟合参数。
可选混合： 评估了与 ESM2-650M 的线性混合。两个得分在混合前都会针对每个实验进行 z-score 标准化。混合权重 ( $\lambda$ ) 在 30 个非病毒实验上进行了优化 ( $\lambda=0.7$ )，并在评估前保持冻结。

核心贡献

实现： 一个干净、无参数的 RSALOR 概念实现，专门针对病毒蛋白基准测试进行了定制，包括处理 MSA 加权和结构映射。
评估： 在 ProteinGym v1.3 的 31 个病毒实验上进行了严格的零样本评估，将 AminoGrapes 与 ESM2（各种尺寸）、官方 RSALOR 得分以及自定义的公开模型集成进行对比。
透明度： 作者明确详细说明了开发历史，指出某些设计决策（例如全局比对偏移）是在检查病毒得分后做出的，并澄清该模型并不具备与最先进（SOTA）集成方法竞争的能力。

结果

相对于 ESM2 的表现： AminoGlia 在 31 个病毒实验中的平均 Spearman 相关系数为 0.430，显著优于 ESM2-650M (0.269)，增益为 +0.162 (95% CI 0.078 至 0.245)。它在 31 个实验中的 25 个中胜出。
组件分析： 相对于 ESM2 的增益归功于进化保守性 (+0.124) 和结构埋藏项 (+0.038)。
与最先进方法的比较： AminoGrapes (0.430) 仍不及这些实验中表现最好的已发表方法，例如 RSALOR (0.480)、S3F_MSA (0.504) 或公开模型的集成 (0.573)。
混合表现： 与 ESM2 ( $\lambda=0.7$ ) 的混合在病毒实验上的得分为 0.376。这低于 AminoGrapes 单独的表现，因为权重是在 ESM2 更强的非病毒蛋白上优化的。
集成贡献： 当加入到最强的公开模型集成中时，AminoGrapes 的权重为零，表明它未能提供超出顶级公开模型已捕获的信息之外的额外信息。

意义与主张
本文将 AminoGrapes 定位为一个简单、廉价且具有可解释性的模型，它在病毒蛋白上的表现优于标准的蛋白质语言模型（特别是 ESM2）。作者明确指出：

该模型不是一种新的评分公式，而是现有思想（RSALOR）的一种实现。
它在 ProteinGym 基准测试上不具备与最强已发表方法或集成方法竞争的能力。
它不是 ESM2 的通用替代品，因为其优势在于 PLMs 表现挣扎且进化保守性和结构信号较强的特定病毒蛋白领域。
鉴于该流水线是在用于评估的相同病毒实验上进行调试的，因此应将结果视为开发集表现而非样本外验证。

其核心价值主张在于证明，对于病毒适应度预测，一种轻量级的、经结构加权的进化评分可以弥补 PLMs 与更复杂预测器之间的性能差距，且无需大型语言模型的高昂计算成本或数据需求。

技术摘要：AminoGrapes

类似论文