跳到主要内容
返回时间线
bioRxiv来源发表:

ProtCOVER把保形校准的单位从变异换成同源家族:无偏移时新家族致病覆盖从0.823–0.873回到0.90目标

核心概要

零样本变异效应预测器按变异做保形校准,误差率会被研究充分的蛋白家族主导,新家族致病覆盖只有0.823–0.873。ProtCOVER把同源家族而非单个变异当作可交换单位,并在无标签家族描述符上做条件校准;在由这些描述符定义的偏移下,最差类别缺口为0.000,分组加权为0.010、分层保形为0.029,代价是集合更大。在基准之外的12,225个蛋白上,所有方法仍低于目标,ProtCOVER缺口0.027,与分组加权0.034的差距在0.01以内。

AI-generated editorial illustration: ProtCOVER: Family-Aware Conformal Prediction for Variant Effect Predictors on Unseen Protein Families

深度剖析

变异效应预测器的误差控制单位从单个变异改成同源蛋白家族,使“新家族里随机一个变异被覆盖”成为可校准的目标。 按变异校准对自身目标有效,但家族贡献的标记变异数从2到741不等,最大的家族会决定误差率,于是0.90的目标实际只描述研究充分基因的变异。 在ProteinGym临床替换上,类别条件(Mondrian)分裂保形对五个预测器中的四个距自身变异级目标在0.005以内,但五个预测器的家族加权致病覆盖在0.90目标下只有0.823–0.873,且没有任何分布偏移。

阈值不再对所有测试家族统一,而是随家族的无标签描述符变化,描述符包括序列相似度、比对深度和嵌入距离。 家族级池化本身已有分层保形预测,但它给每个测试家族同一个阈值,无法针对描述符可见的偏移调整。 在由这些描述符定义的偏移S2下,ProtCOVER的平均最差类别缺口为0.000,分组加权为0.010,分层保形为0.029;在孤儿家族与留出嵌入区域上为0.002,分组加权为0.003。

校准通过家族加权分位数回归完成,测试家族的分数被置于正无穷,阈值取最优拟合值中的最大者。 测试家族标签未知,最优解也可能不唯一或程序无界,直接求解不能保证按实际计算出的阈值有效。 求解走对偶线性规划,测试家族只改变右端项,HiGHS从上一基重新求解;返回的基在精确有理算术下被认证为扰动程序的最优解,拟合值向上取整,因此计算出的集合保留全部保证。

启示与展望

结论适用于ProteinGym临床替换基准上的五个零样本预测器、以30%一致度和80%双向覆盖聚出的2,081个家族,以及两项按预注册协议执行的ClinVar外部评估;覆盖是对随机家族中随机一个变异的边际保证,不针对某个具体蛋白。

保证要求家族可交换,或家族级偏移的密度比是特征张成空间内的非负函数,且估计比值所用的家族与校准家族独立;其他偏移下损失只由无标签数据无法估计的总变差距离界定。在S5这类预测器准确率发生偏移的压力测试中,所有家族级方法的最差类别覆盖降到0.761–0.825,校准权重的有效样本量为家族数的0.98,比值既不纠正也不提示这种偏移。基准之外蛋白上比值几乎不离1(有效样本量0.96),223个长于任何基准蛋白的家族承担了大部分缺口,比值与门控都没有标记它们;这些是探索性诊断给出的可能解释,不是已证实的成因。