膜蛋白界面不再依赖复合物结构:只给序列,跨家族语言模型集成把界面残基排到0.643
核心概要
膜蛋白相互作用界面的预测此前受限于实验复合物稀少,且跨疏水跨膜区的序列比对不可靠。CHORUS把ESM-2、ESM-C与ProtT5三个蛋白语言模型家族、不同层深与三种下游网络组合成六模型集成,仅凭单条序列输出逐残基界面概率,在4,655个同源隔离测试链上取得0.643的链宏平均精度,高于覆盖完整的结构方法ScanNet-MSA的0.613。该框架还发布了覆盖80,619条已审阅跨膜蛋白、4,918个物种的预计算界面图谱。
深度剖析
膜蛋白的物理相互作用界面现在可以只从一条氨基酸序列推断,不需要三维结构、多序列比对,也不需要事先指定结合伙伴。 此前的界面预测要么依赖实验解析的复合物结构,要么依赖在疏水跨膜区容易失效的序列比对,而膜蛋白在PDB高分辨率结构中仅占约3%至5%。 在4,655个与训练集序列一致性低于30%的独立测试链上,六模型集成的链宏平均精度为0.643,高于覆盖完整的结构方法ScanNet-MSA的0.613,也高于GPSite的0.583、PeSTo的0.581和Seq-InSite的0.556。
预测精度在脂双层内部反而更高,说明序列表示捕捉到了跨膜螺旋紧密堆积的物理特征。 在胞质与胞外区域,CHORUS与ScanNet-MSA精度接近,分别为0.626对0.621和0.632对0.637。 在跨膜区内,CHORUS的上下文宏平均精度为0.746,ScanNet-MSA为0.645,合并残基精度为0.754对0.623,AUROC为0.889对0.814。
集成由三个语言模型家族各自保留两个最优配置组成,而不是单一模型放大。 把训练随机种子、特征坐标、同家族层深、重复预测流或下游参数量作为对照,都无法复现这一精度。 六模型集成在测试集上达到0.643,而改变随机种子为0.621、改变坐标基为0.618、同家族层深为0.588、重复相同预测流为0.575,参数更多的单模型为0.557,配对聚类自助置信区间均排除零。
在兆道尔顿级呼吸链超复合物上,仅凭序列即可勾出亚基间接触边界。 该评估不提供空间坐标,也不提供四元组装上下文,每条链序列独立推断。 在猪源I2III2IV2呼吸体(PDB 8UGN,140条链)的12,337个残基上,实体宏平均精度为0.984,AUROC为0.970;六个冷冻电镜组装体上的实体宏平均精度保持在0.945至0.984之间。
启示与展望
已展示的范围是α螺旋跨膜蛋白的伙伴无关、逐残基界面预测,评估覆盖4,655个同源隔离测试链、167个外部膜蛋白靶标,以及六个呼吸链超复合物冷冻电镜组装体。图谱覆盖80,619条已审阅UniProt跨膜蛋白记录、70,247条非冗余序列、4,918个物种和超过3,370万个残基,并提供网页查询与结构映射。适用读者是需要为无结构膜蛋白排定候选界面残基的实验与计算研究者。原文提出的下一步是压缩多语言模型集成并发展伙伴条件化表示。
5Å重原子距离阈值是几何接触的代理,不等同于热力学结合贡献;伙伴无关推断无法刻画构象动态变化或脂质环境改变。精度在含七个以上跨膜段的多次跨膜架构上下降,对可溶性非跨膜伙伴的瞬时界面预测也明显变弱,查询三个语言模型带来可观计算开销。可溶性蛋白上的零样本迁移结果参差,固定校准阈值在部分可溶性类别上无法平衡精确率与召回率。预测界面与BioLiP小分子结合位点的重叠接近随机期望,与CATH FunFam保守位点的富集总体有限,胞质区最明显。
