整合蛋白质稳定性与AlphaMissense评分提升p53错义及框内氨基酸缺失变异的生物信息学预测效能

编辑推荐：来自国际团队的研究人员针对TP53 VCEP分类中现有工具（BayesDel/Align-GVGD）未直接评估蛋白折叠稳定性（ΔΔG）的局限，创新性整合AlphaMissense评分、ΔΔG（FoldX/RosettaRelax计算）及残基表面暴露度（RSA），显著提升p53错义变异（ΔΔG≥2.5 kcal/mol）和缺失变异（ΔΔG≥4.8 REU）的致病性预测准确性，为临床遗传解读提供新范式。

　　在临床遗传学领域，TP53基因的胚系错义变异和单氨基酸缺失变异的分类始终充满挑战。当前ClinGen TP53变异解读专家小组（VCEP）依赖的BayesDel和Align-GVGD工具虽广泛应用，却未能直接捕捉蛋白质折叠稳定性的改变——这一关键指标可通过计算去稳定化能量（ΔΔG评分）量化。谷歌DeepMind最新开发的AlphaMissense工具（基于AlphaFold2架构训练）为人类全蛋白质组错义变异致病性预测带来突破。本研究巧妙融合蛋白稳定性数据与AI预测：利用FoldX计算错义变异的ΔΔG，通过AlphaFold2/RosettaRelax协议解析缺失变异的能量变化，并结合相对溶剂可及性（RSA）划分残基表面暴露类型。基于功能定义的参考集，采用Boruta算法和二元逻辑回归分析发现：对于部分埋藏/埋藏残基的错义变异，整合ΔΔG≥2.5 kcal/mol能优化现有VCEP标准；而AlphaMissense联合ΔΔG与RSA则展现更优性能。对于缺失变异，埋藏残基ΔΔG≥4.8 Rosetta能量单位（REU）的预测效能超越传统方法。这项研究为TP53 VCEP指南更新指明方向——错义变异推荐采用AlphaMissense+ΔΔG+RSA组合策略，而缺失变异仅需ΔΔG单一指标即可实现精准预测。