亲和力预测

1  “预测蛋白 - RNA 结合亲和力” 是什么意思？

  • 所预测的量。 结合亲和力通常以标准态结合自由能ΔG（kcal·mol⁻¹）表示。ΔG 越负，表明相互作用越紧密、越有利。计算 “亲和力预测” 即：在不进行体外结合实验的情况下，针对特定的蛋白 - RNA 复合体，估算其ΔG。 在 CoPRA 中，这是通过将复合体输入模型，利用小型多层感知机（MLP）头部从界面融合的序列 - 结构表征中输出一个标量ΔG 值来实现的。

  • 它的重要性。 准确的ΔG 预测使你能够在计算机中筛选大量复合体，优先选择候选对象进行湿实验验证，或者量化体内蛋白调控因子与其 RNA 靶标结合的强度。

2  “理解突变引起的结合亲和力变化” 是什么意思？

  • 所预测的量。 此处目标是ΔΔG = ΔG_突变体 - ΔG_野生型。ΔΔG 为正意味着突变削弱了结合；为负则表明突变加强了结合。CoPRA 通过使用 相同 的骨架坐标（仅序列嵌入发生变化），分别预测突变体和野生型的ΔG，然后相减来计算ΔΔG。

  • 它的重要性。 ΔΔG 能够让你评估点突变（例如，单核苷酸多态性（SNPs）、工程变异体）如何破坏或增强蛋白 - RNA 识别。这对于解读致病变异或设计高亲和力治疗药物至关重要。CoPRA 在盲测 mCSM 数据集上的基准测试表明，经过微调后，它能够泛化到这项任务上，超越了 FoldX 等传统工具。

3  进行这些预测必须提供哪些数据？

CoPRA（以及大多数现代亲和力预测器）针对 每个 蛋白 - RNA 复合体，需要以下三种成分：

所需输入 CoPRA 获取 / 使用方式 备注
完整蛋白序列 通过冻结的蛋白语言模型（ESM-2 650 M）获取上下文化氨酸残基嵌入。 允许任意数量的蛋白链。
完整 RNA 序列 通过冻结的 RNA 语言模型（RiNaLMo 650 M）获取核苷酸嵌入。 可处理单 RNA 链或多 RNA 链。
主链（Cα / P 原子）三维坐标 用于构建界面处残基的成对几何特征（距离、取向）。 可以是实验（PDB）或高质量预测（例如 AlphaFold + RoseTTAFold）的坐标。

嵌入后，CoPRA 会 裁剪 至多 256 个位于界面处的残基 / 核苷酸，添加三个特殊读出标记（复合体 -、蛋白 -、RNA - 层级），并在轻量级双路径 Transformer（“Co - Former”）中融合序列和结构对特征。然后将复合体标记的读出结果输入回归头以预测ΔG（或同时输入野生型和突变体头以预测ΔΔG）。

是的 —— 如果你能为复合体提供完整的序列和合理的骨架结构，CoPRA（或类似模型）将输出亲和力估计值。
额外的裁剪和特殊标记机制是内部运作的；作为用户，你仍然提供 完整 的链。

4  你的任务是否 “相似”？

如果你的目标是：

  1. 将蛋白链（或链组）和 RNA 链（或链组）输入模型，并且
  2. 在特定突变后接收绝对ΔG 或ΔΔG，

那么是的，你的任务与 CoPRA 的设置相符。需要注意的细微差别：

  • 界面聚焦。 CoPRA 的准确性部分来源于聚焦界面残基；如果你的复合体具有较大、界定不清的界面，或需要建模长程效应，你可能需要调整裁剪策略。
  • 结构可用性。 CoPRA 需要至少主链坐标。如果你没有结构，你需要使用仅基于序列的变体，或先加入结构预测步骤。
  • 突变粒度。 CoPRA 目前仅处理单点蛋白突变（ΔΔG）。对于多点同时突变或 RNA 侧突变，你可以沿用相同的ΔG - ΔΔG 逻辑，但应使用适当数据重新训练。

总体而言，从完整序列和结构预测ΔG 和ΔΔG 正是 CoPRA 解决的问题；采用类似的流程应能满足你的需求。

评估指标

该论文通过两种主要方式评估 亲和力预测准确性：

1. 绝对结合亲和力（ΔG）预测评估

他们使用 蛋白 - RNA 界面数据库（PRIDB） 数据集，对 CoPRA 的 绝对 ΔG 值 预测进行基准测试。

  • 数据集：具有实验结合亲和力的 PRIDB 复合体。

  • 评估指标：预测 ΔG 和实验 ΔG 值之间的 皮尔逊相关系数（PCC）。

    • PCC 越高，表明预测亲和力与实际亲和力之间的线性相关性越好。

  • 结果：CoPRA 的 PCC 达到 0.72，显著优于 FoldX 等基线方法。

为何有效：结合亲和力是连续值，相关性是衡量预测质量的直接指标。

2. 结合亲和力变化（ΔΔG）预测评估

他们还使用 mCSM-NA 数据集评估 ΔΔG 预测（突变对结合的影响）。

  • 数据集：mCSM-NA 包含已知 ΔΔG 值的突变（突变体与野生型对比）。
  • 评估指标：同样使用预测 ΔΔG 和实验 ΔΔG 之间的 PCC。
  • 结果：经过微调后，CoPRA 在 ΔΔG 预测中超越了 mCSM-NA 和 FoldX 等传统方法。

为何重要：ΔΔG 预测对于理解突变影响至关重要，而 PCC 反映了模型根据结合扰动效应对突变进行排序的能力。

3. 消融研究与泛化性检查

他们进一步通过以下方式验证 CoPRA 的设计：

  • 进行 消融实验（移除结构信息、移除序列嵌入等）。
  • 显示当移除结构或序列上下文时 性能下降，证明两者均不可或缺。
  • 在 未见复合体类型 上进行评估，以检查超出训练数据的泛化能力。

📊 摘要表（来自论文）：

任务 数据集 评估指标 结果
ΔG 预测 PRIDB PCC 0.72
ΔΔG 预测 mCSM-NA PCC 高于 FoldX 和 mCSM-NA 基线

✅ 关键要点：

  • 他们通过将预测的 ΔG / ΔΔG 与实验值进行 皮尔逊相关性 比较来评估正确性。
  • 对于 绝对亲和力 和 突变诱导变化，CoPRA 均展现出强大的预测能力和比传统工具更好的泛化能力。

想让我用简单图表（输入 → 模型 → ΔG/ΔΔG → PCC 评估）直观呈现评估流程吗？如果需要，请回复 “yes diagram”。

湿实验和模型计算的区别

这个问题很有意思。我们可以把它分成两部分来分析：

🧪 1. 实验室如何测量ΔG（结合亲和力）？

在实际生物物理学中，ΔG 并不是按区域测量的，而是反映了 整个蛋白 - RNA 复合体形成时的总体自由能变化。

  • 测量结合亲和力的常见方法：

    • 表面等离子共振（SPR）： 测量实时结合动力学，给出结合（ka）和解离（kd）速率 → 计算平衡解离常数 Kd → ΔG = RT·ln(Kd)。
    • 等温滴定量热法（ITC）： 测量结合过程中热量变化，直接计算 ΔG。
    • 电泳迁移率变化分析（EMSA）： 通过电泳迁移率的变化推断结合强度。
    • 滤膜结合实验、荧光各向异性等。

🔗 关键点：

  • 这些技术测量的是 蛋白和 RNA 的整体结合。
  • 测得的 ΔG 反映的是 总相互作用，而非特定区域。
  • 不过，突变、截短或足迹实验 可以帮助确定 哪些区域对结合能贡献最大。

🧠 2. 模型（如 CoPRA）如何定义 “哪些区域” 用于计算亲和力？

  • 模型 为每个残基 / 核苷酸生成嵌入向量，但最终将这些信息聚合，为 整个复合体 预测 单一ΔG 值。
  • CoPRA 聚焦于 结合界面处的残基，通常选择那些与对方链距离在 10 Å 范围内 的残基。
  • 这种 “界面裁剪” 减少了远处非相互作用残基带来的噪声。
  • 但从根本上讲，模型仍然预测的是 整个复合体的总体ΔG。

湿实验和模型都预测总体ΔG，但：

  • 湿实验不知道 “区域”；它看到的是整个复合体。
  • 模型则智能地选择 “可能的相互作用区域” 进行计算，模仿物理结合位点。

✅ 区域是否相似？

  • 通常 是的，因为：

    • 模型基于 三维邻近性 选择界面残基（与物理结合逻辑相同）。
    • 实验足迹或突变扫描通常揭示出 相同的区域 对结合至关重要。

  • 例如：

    • 如果 SPR 或 ITC 显示突变界面残基后结合能力丧失，这验证了模型所识别的 “活性结合区域”。

🔑 总结对比

方面 湿实验 CoPRA 模型
ΔG 是什么？ 整体结合自由能 界面聚焦模型得出的总体ΔG
区域如何定义？ 整个复合体，但界面通过突变研究推断 界面区域由三维邻近性定义（如 ≤ 10 Å）
区域是否相似？ 是的，界面残基在实验ΔG 中也占主导地位 是的，模型模仿物理界面定义

想让我用一张简单图表直观呈现 湿实验 vs 模型：ΔG 区域与预测逻辑对比 吗？
如果需要，请回复 “yes comparison figure”。

模块聚合

好的，让我们一步一步来：

1. 数据集如何引入突变用于ΔΔG预测？

对于 基于突变的结合亲和力变化（ΔΔG）预测，像 mCSM-NA 这样的数据集提供了 经过实验验证的突变。这些突变 并非随机：

方面 解释
突变来源 来自真实实验研究（例如，与疾病相关的突变、功能分析、突变扫描实验）。
约束条件 通常选择那些位于或靠近结合界面的突变，或具有生物学相关性（例如，影响功能、已知的SNPs）。
突变类型 通常是蛋白中的 单点突变（氨基酸替换）。
不是随机的 设计用于捕捉对结合有意义的生化影响，而非随机噪声。

在训练增强中，一些方法可能会模拟突变以丰富数据，但 CoPRA 在经过精心整理的实验数据集（如 mCSM-NA）上进行评估，这些数据并非随机。

🔑 关键点：
评估所用的突变是 真实、经过整理、实验验证的——并非随机。

2. 论文中的 CPRI 和 MIDM 是什么？

➤ CPRI：复合体成对表示整合

  • 功能：CPRI 是整合蛋白 - RNA 界面处残基 成对几何特征（距离、角度） 的模块。
  • 原因：捕捉 细致的空间关系（例如，蛋白侧链如何与 RNA 碱基相互作用）。
  • 方式：为界面区域中的残基 / 核苷酸构建 二维成对特征矩阵。
  • 可以将其视为带有明确几何编码的 “成对注意力图”。

🔑 CPRI = 为界面残基 / 核苷酸制作结构信息的二维图。

➤ MIDM：多实例双路径模型

  • 功能：MIDM 是 核心模型架构，分别处理序列和结构路径，然后将它们融合。

  • 原因：因为序列上下文（来自语言模型嵌入）和空间相互作用（来自几何特征）是互补的。

  • 方式：使用两个轻量级的变换路径：

    • 一个用于 序列嵌入（来自 ESM-2 和 RiNaLMo）。
    • 一个用于 CPRI 结构特征。
    • 然后将它们结合起来进行下游的ΔG 或ΔΔG 预测。

🔑 MIDM = 双路径变换器，联合处理序列和结构特征。

✅ 快速总结：

术语 内容 用途
突变（ΔΔG任务） 经过整理、实验（来自mCSM-NA）、聚焦界面 预测现实世界中突变的影响
CPRI Complex Pairwise Representation Integration 编码界面残基之间的几何关系
MIDM Multi-Instance Dual-Path Model 双路径变换器，合并序列和结构特征

想让我用一张图表展示序列、结构、CPRI、MIDM 和ΔG/ΔΔG 预测是如何连接的吗？
如果需要，请回复 “yes pipeline figure”。

突变引起的亲和力变化

在 CoPRA 论文中，预测 ΔΔG（突变引起的结合亲和力变化）被表述为两个预测 ΔG 值的差值：

\[\Delta\Delta G = \Delta G_{\text{mut}} - \Delta G_{\text{wild}} \]

以下是模型中的处理流程：

🔹 结合亲和力变化预测的步骤

  1. 输入：

    • 野生型蛋白质-RNA 复合物和突变复合物，均包含：

      • 序列（野生型与突变型）

      • 相同的主链结构

        • CoPRA 仅使用主链原子（例如，蛋白质的 N、CA、C、O）来获取结构信息。即使对于突变体，也能沿用相同的 3D 结构（简化建模，避免需要完整的突变体 3D 结构）。

  2. 处理：

    • 将两个复合物输入 CoPRA 的 Co-Former 模块。
    • Co-Former 融合 PLM 和 RLM 的输出（来自序列）与结构嵌入（基于主链原子距离、角度等）。
    • 对于每个复合物，生成一个特殊复合物节点嵌入 (C_s)，作为复合物的全局表示。

  3. 预测：

    • 将每个 (C_s) 通过 MLP（多层感知机）头部预测结合亲和力：

      • (\Delta G_{\text{wild}} = \text{MLP}(C_s^{\text{wild}}))
      • (\Delta G_{\text{mut}} = \text{MLP}(C_s^{\text{mut}}))

  4. 输出：

    • 计算差值：

      \[\Delta\Delta G = \Delta G_{\text{mut}} - \Delta G_{\text{wild}} \]

🔸 因此，回答你的问题：

它是否仅计算突变能量并使用给定的原始能量？

不是，它预测两个能量值，均使用相同的模型流程。它并不依赖给定的野生型 ΔG 值。

野生型和突变型的 ΔG 值均通过序列 + 结构输入，利用 Co-Former 模块进行预测。ΔΔG 是从两个预测值的差值中计算得出。

这种方法的优势在于：

  • 端到端学习，无需为野生型和突变型提供明确的 ΔG 标签。
  • 零样本突变效应预测（即无需针对突变特定数据集进行再训练）。
posted @ 2025-05-17 17:10  GraphL  阅读(200)  评论(0)    收藏  举报