同一蛋白在不同脑细胞里有了不同表示:SEMPER对齐序列与互作网络,零样本找回五种神经退行病的临床靶点
核心概要
SEMPER把蛋白语言模型给出的序列表示与成人脑442种细胞类型的蛋白互作网络对齐,使同一蛋白在表达它的每种细胞类型中获得一个保留序列信息、又随互作环境变化的表示。在零样本检索中,它找回帕金森病、阿尔茨海默病、多发性硬化、亨廷顿病和肌萎缩侧索硬化中已进入临床的靶点的比例高于只用细胞类型互作网络的模型;与大型语言模型结合后,在帕金森病等五种疾病上,前25名候选中的靶点回收均值从8.3升到9.2。
深度剖析
同一蛋白在不同脑细胞类型中现在可以拥有不同的表示,而每种表示仍锚定在该蛋白的序列上。 此前的蛋白语言模型只按序列给出一个与细胞类型无关的表示,基于网络的模型则只用互作信息、且只覆盖基因在该细胞类型中表达的蛋白。 在30个中枢神经系统细胞类型超级簇中,同一细胞类型内蛋白对的平均余弦相似度在每一个超级簇都高于跨细胞类型蛋白对,经Benjamini-Hochberg校正的Mann-Whitney U检验校正P值均小于0.001。
表示空间按细胞类型和生物功能组织蛋白,并能在没有任务专门训练的情况下用于预测。 共享同一Gene Ontology术语的蛋白在嵌入空间中彼此更近,生物过程、细胞组分和分子功能三个域的平均距离分别比随机蛋白低0.08、0.13和0.15。 在置换检验中重新分配嵌入后,同术语蛋白的紧凑程度仍比置换均值高至少49个标准差(2000次置换,三个域P值均小于5×10⁻⁴)。
在零样本检索中,SEMPER找回五种神经退行病已进入临床的靶点的比例高于所有细胞类型特异的基线模型。 PINNACLE、PPI-GT和ORCA-CT等细胞类型特异基线在每种疾病中平均Hits@10不超过0.3,而SEMPER在亨廷顿病中平均Hits@10达到7.0(共10个),在129种细胞类型中有81.4%至少找回6个留出靶点。 五种疾病中与三个细胞类型特异基线的配对单侧Wilcoxon符号秩检验P值均小于10⁻²¹;不过与细胞类型无关的ProTrek-Seq相比,SEMPER在帕金森病(2.2±1.0对3.2±1.6)、阿尔茨海默病(1.4±1.0对2.0±1.1)和多发性硬化(1.1±0.8对1.5±0.9)中更低。
把SEMPER的候选基因交给大型语言模型重排,可以补上实验数据与文献知识各自缺失的部分。 在五种疾病各取10个高回收细胞类型共50个疾病—细胞类型对上,仅用大型语言模型时平均Hits@25为4.7,SEMPER为8.3,按SEMPER候选打分重排后为9.2。 在人多巴胺能神经元全基因组CRISPR筛选上,SEMPER在Hits@25、Hits@50、Hits@75三个阈值上都优于大型语言模型(1.8±1.5对1.1±1.2、3.4±1.7对2.7±1.5、4.9±2.2对4.1±1.9,Wilcoxon符号秩检验P值≤2.3×10⁻³)。
启示与展望
已展示的范围是成人中枢神经系统的442种细胞类型,以及由单核RNA测序图谱与细胞类型无关互作组相交构建的细胞类型特异互作网络;评测覆盖蛋白复合物预测、五种神经退行病的零样本靶点检索和多巴胺能神经元CRISPR筛选的必需基因预测。
零样本检索基准只衡量已带临床证据和ChEMBL机制注释的靶点能否彼此靠近,并未测量尚未被 pursued 的靶点排序;临床 pursued 也不等于治疗有效。嵌入邻近是关联性的,预测属于需要实验检验的假设。多发性硬化的许多疾病修饰靶点作用于外周免疫细胞,不在SEMPER覆盖的脑细胞类型中,因此不在其候选基因里。
