SMSTPred 只看序列就能判甲基转移酶底物类型:同源隔离交叉验证 MCC 0.94,胜过序列与结构同源检索
核心概要
SMSTPred 是一个多标签分类器,用蛋白质语言模型嵌入判断 SAM 依赖甲基转移酶的底物类型(DNA、RNA、蛋白质或小分子代谢物),不需要结构输入。在同源簇不重叠的交叉验证中,它的平均 MCC 为 0.94,高于序列同源最近邻 MMseqs2 的 0.848、结构同源检索 Foldseek 的 0.887 和 profile-HMM 的 0.519。把模型用于 1,249 个参考蛋白质组中的 115,850 条候选甲基转移酶后,预测显示小分子底物类在植物和放线菌门中占比更高,但植物中的扩张主要随蛋白质组规模变化。
深度剖析
底物类型现在可以直接从氨基酸序列读出,不必先有结构或可对齐的近亲。 此前,底物类型只能靠同源检索把最近已注释酶的标签转移过来,而 Class I 甲基转移酶共享的 SAM 结合核心并不决定底物,序列数据库里绝大多数条目没有实验支持的催化活性注释。 在按 30% 序列一致性聚簇、训练与测试不共享同源簇的十六次划分上,部署的 ProtT5 多层感知机平均 MCC 为 0.940,MMseqs2 为 0.848,Foldseek 为 0.887,profile-HMM 为 0.519,后三者与它的差异经 Holm 校正后显著。
做法是把整条序列压成一个定长向量,再让一个小网络为四个底物类别各给一个独立概率。 ProtT5 蛋白质语言模型在数亿条序列上自监督训练,把每个残基的表示取平均得到嵌入,分类头是两层全连接网络加四个 logit,用二元交叉熵训练,因此四个标签互不排斥。 部署版本是六个同架构网络组成的集成,各自在不同折上训练,取六个概率的均值在固定阈值 0.5 下判定,并用六者标准差作为不确定性、以与训练集最高余弦相似度 0.81 为适用域边界。
把分类器铺到生命之树上,底物组成随类群变化,而植物的小分子甲基转移酶增多主要来自更大的蛋白质组。 已审核的 Swiss-Prot 集合以 RNA 类为主,预测结果则显示小分子代谢物类最多,约占 40.9%,提示此前的组成偏向反映的是研究历史而非天然丰度。 在 1,249 个参考蛋白质组的 115,850 条候选酶中,放线菌门典型基因组约 72% 的甲基转移酶被判为小分子类,其他细菌约 35%;植物中位数 42% 对非植物真核生物 34%,但植物蛋白质组中甲基转移酶所占比例与其他真核生物相近(1.14% 对 1.02%)。
启示与展望
已展示的范围是 Class I SAM 依赖甲基转移酶的四类底物判定,训练标签来自 Swiss-Prot 中有文献或 curated 规则支持的催化活性注释,评估限于同源簇不重叠的交叉验证与 1,249 个参考蛋白质组的预测;作者把暗簇的底物调用定位为线索,并指出确定反应仍需实验。
作者说明谱系层面的趋势与预测一致,但本身不能确立类群间甲基化策略的差异;植物在相同蛋白质组规模下的小分子类水平更高只是被提示而未被分辨,植物与真菌的拟合区间重叠;53 个暗簇中 CLEAN 只有 10 个给出可靠调用、27 个不可靠,两法仅在四个簇上收敛到具体化学。
