CASP16中模型质量评估(MQA)的创新突破：多聚体组装体全局与局部精度评估及大规模模型筛选策略

这篇综述系统总结了CASP16（第16届蛋白质结构预测关键评估）中模型质量评估（MQA/EMA）领域的最新进展，重点分析了多聚体组装体的全局（QMODE1-SCORE/QSCORE）和局部（QMODE2）精度评估方法，以及从大规模模型库（MassiveFold）筛选最优模型的QMODE3挑战。文章通过五大顶尖团队（如MIEnsembles-Server、ModFOLDdock2等）的案例，揭示了共识方法（c）、准单模型方法（q）和单模型方法（s）的优劣，并探讨了AlphaFold2/3衍生特征（如pLDDT、ipTM）在评估中的关键作用，为结构生物信息学和下游应用提供了重要方法论参考。

　　

1 引言

CASP16的模型质量评估（MQA）类别聚焦于多聚体组装体的精度评估挑战，新增的QMODE3任务要求从MassiveFold生成的数千模型中筛选最优五个。研究揭示了MQA对结构预测者和实验者的双重价值，尤其关注界面残基评估和模型置信度判定的难点。

2 结果

2.1 MIEnsembles-Server方法

该团队开发的StrMQA方法整合了DMFold生成的参考模型结构相似性（TM-score/LDDT/DockQ）、模板比对特征和深度学习预测分数（如DeepAccNet的pLDDT）。在QMODE1中，其全局拓扑评估（SCORE）排名第一，但依赖参考模型质量的局限性在靶点T1249v1中暴露——错误构象因AlphaFold2默认排名缺陷被选为参考，导致评估失败。

2.2 ModFOLDdock2方法

通过三种变体（标准版、排名优化版、准单模型版）参与QMODE2评估。其核心创新包括：

• •

  OpenStructure工具计算QS/DockQ等9种共识分数

• •

  VoroIF-GNN预测界面CAD-score

• •

  神经网络架构优化局部界面残基评分（图2D）

  尽管在靶点T1292o中实现近乎完美的QS-loss（0.005），但对T1218o的误判揭示了大规模模型筛选时链间碰撞检测的不足。

2.3 MULTICOM方法

采用混合策略：

• •

  单模型评估：3D等变网络EnQA用于早期靶点（如H1204纳米抗体）

• •

  多模型共识：MMalign计算的PSS分数主导后期评估

  在QMODE3中，其结合AlphaFold-Multimer置信度筛选和GCPNet-EMA几何评估的方法，使MULTICOM_LLM在同源多聚体评估中排名第一，但异源多聚体界面精度预测仍存短板。

2.4 GuijunLab方法

DeepUMQA-X框架的创新点包括：

• •

  GraphCPLMQA2L：图耦合网络预测残基级plDDT

• •

  DeepUMQAS：分层网络架构评估pTM-score

• •

  轻量级界面比对策略提升大组装体评估效率

  虽然局部界面评估（如T1206的lDDT）表现优异，但全局Oligo-GDTTS相关性（Pearson=0.643）逊于官方共识基线（AC）。

2.5 Shortle方法

独辟蹊径采用统计力学思路：

• •

  8项物理化学参数（如原子重叠、氢键分布）

• •

  高分辨率晶体结构库（>1.4?）校准能量阈值

  在QMODE3中，其简单加和策略使单体评估排名第三，但异源多聚体（11/24）表现暴露了未区分单体/多聚体参数库的缺陷。

3 启示与挑战

共识方法（c）虽整体占优，但实际应用中常缺乏多样化模型库；准单模型方法（q）通过生成自有参考模型展现了替代潜力。AlphaFold3衍生的原子级pLDDT值（如不同原子差异评分）成为新兴评估维度，但纳米抗体等特殊靶点仍考验方法普适性。未来需开发动态构象评估框架，并整合预测工具的自我评估机制（如ipTM/pTM加权）以突破现有瓶颈。