FireProtDB 2.0：面向蛋白质稳定性预测的大规模手动注释数据库革新

《Nucleic Acids Research》：FireProtDB 2.0: large-scale manually curated database of the protein stability data

本研究针对蛋白质稳定性数据质量不足、数据库架构僵化等问题，开发了FireProtDB 2.0数据库。通过重构抽象化数据存储方案，整合ProTherm、MegaScale等四大数据源，将实验数据规模从1.6万扩展至546万条，新增插入/缺失/多点突变等数据类型，并集成ΔΔG、ΔTm等专业测量指标。该平台支持机器学习模型训练与验证，为蛋白质工程领域提供符合FAIR原则的核心资源。

　　

在生物医药和工业生物技术领域，蛋白质犹如精密运作的分子机器，但其天然形态往往难以承受高温、极端pH等苛刻环境。提高蛋白质稳定性不仅能延长药物半衰期、提升工业酶效率，更是突破生物催化应用瓶颈的关键。然而，传统的蛋白质稳定性优化主要依赖实验室突变筛选，这种"盲人摸象"式的尝试不仅成本高昂，且难以覆盖庞大的突变组合空间。

计算生物学的发展为这一困境带来了转机——通过机器学习模型预测突变对稳定性的影响，可大幅缩减实验验证范围。但这类模型的预测精度严重受限于训练数据的质量与规模。早期数据库普遍存在数据格式不一致、注释信息缺失等问题，犹如残缺的地图难以指引精准导航。更棘手的是，现有数据库多局限于单点突变数据，无法适应人工智能蛋白质设计时代对复杂突变类型的分析需求。

针对这一挑战，由Milos Musil和Simeon Borko领衔的国际研究团队在《Nucleic Acids Research》发表了FireProtDB 2.0数据库。该研究通过革命性的数据架构重构，将蛋白质稳定性数据的存储、检索与分析能力提升至全新高度。新版数据库不仅保留了前代产品的手动注释优势，更通过抽象化密钥值存储方案，实现了对野生型蛋白绝对测量值（如ΔG、T_m）与突变体相对测量值（如ΔΔG、ΔT_m）的统一管理，同时支持插入、缺失及多点突变等复杂数据类型。

研究团队采用多源数据融合策略，整合了传统数据库ProTherm、大规模突变扫描数据集MegaScale、人类蛋白质组突变数据Human Domainome以及合作实验室提供的专有数据。通过PostgreSQL数据库构建三十张关联表，采用序列中心化架构实现序列与结构数据的解耦存储。关键技术包括：利用SIFTS工具实现序列与结构残基映射；通过ConSurf计算进化保守性；借助HotSpotWizard注释结构特征；建立物化视图优化查询效率。

数据规模与特征分析

通过系统整合，数据库收录了1,292万条测量值，涵盖2,762个独特蛋白质的546万次实验。统计显示，单点取代突变达477万例，多点突变18.6万例，首次系统收录插入（4.7万）与缺失（5.0万）突变数据。氨基酸取代矩阵揭示疏水性、电荷、极性和体积变化的突变分布规律，为突变效应机制研究提供量化基础。

稳定性效应分类体系

研究建立了多指标联动的突变效应分类标准：将实验ΔΔG<-0.5 kcal/mol或ΔT_m>1°C定义为稳定突变；ΔΔG>0.5 kcal/mol或ΔT_m<-1°C为不稳定突变；中性突变需同时满足ΔΔG∈[-0.5,0.5] kcal/mol等阈值。最终鉴定出21.8万稳定突变、138万不稳定突变及345万中性突变，尽管稳定突变占比有限，但其规模已足以支撑机器学习模型训练。

交互式查询平台创新

数据库提供双层级搜索接口：基础搜索支持全文检索，高级搜索支持26个字段的布尔逻辑组合查询。创新性开发蛋白质视图与突变视图双重视角——前者通过序列轨迹集成结构特征与实验数据可视化；后者提供野生型与突变型序列比对分析。查询结果可直接导出为CSV格式，满足个性化分析需求。

FireProtDB 2.0通过架构革新解决了蛋白质稳定性数据管理的核心痛点。其抽象化存储模型为未来数据类型的扩展预留了空间，而符合FAIR原则的标识符体系确保了数据的可持续利用。该平台既为计算生物学研究者提供标准化的训练数据集，又为实验科学家提供直观的蛋白质稳定性分析工具。特别值得关注的是，数据库明确标注了突变在各训练集中的出现情况，有效规避模型评估中的数据泄露风险，为蛋白质稳定性预测工具的公平比较树立了新标准。这项研究不仅推动了蛋白质设计领域的数据标准化进程，更通过可扩展的架构设计为生物大数据时代的数据资源建设提供了范本。