CASP16-CAPRI大规模采样数据集：蛋白质结构与复合体预测的系统性突破

《Proteins: Structure, Function, and Bioinformatics》：MassiveFold Data for CASP16-CAPRI: A Systematic Massive Sampling Experiment

这篇研究系统性评估了AlphaFold2(AF2)大规模采样策略在蛋白质结构预测中的应用，通过CASP16-CAPRI竞赛中71个靶标（含39个多聚体）的8040个模型/靶标的数据集，创新性提出基于DockQmax和ipTM的界面难度分级体系，证实选择性采样策略可将计算量减少69%而保持精度。研究为资源受限团队提供开源数据集，并揭示当前评分方法的局限性。

摘要

MassiveFold数据集通过极端并行化生成8040个模型/靶标的蛋白质结构采样库，聚焦CASP16-CAPRI竞赛中31个多聚体靶标的65个界面分析。研究证实大规模采样对"困难"界面（DockQ_max 0.4-0.6）提升最显著，而AF2基准运行的ipTM中位数可提前预测界面难度（AUC=0.821）。通过优化采样策略将模型数从8040减至2475，实现计算效率与预测精度的平衡。

1 引言

AlphaFold2(AF2)大规模采样已成为蛋白质复合体预测的金标准。Wallner团队在CASP15-CAPRI中证实，增强采样能发现常规方法遗漏的解决方案。本研究通过MassiveFold v1.2.3在法国IDRIS超算中心实现最大并行化，生成包含单体和多聚体的系统性数据集。关键挑战在于从海量模型中筛选最优结构——当前依赖AF2内部评分（如多聚体的ipTM）存在明显局限。

2 材料与方法

2.1 靶标

选取CASP16与CAPRI第57轮的71个蛋白质靶标（32单体+39多聚体），重点分析31个共有靶标的65个界面。

2.2 大规模采样集生产

使用V100/A100 GPU运行8组参数组合（6组AFmassive+2组ColabFold），每组含15种神经网络模型。多聚体采用3变体×5基础模型的15NN架构，每个模型生成67个预测；单体则用5NN模型各生成201个预测。关键参数包括：进化层dropout（0-1）、结构模块dropout（0-1）、模板使用、21次循环迭代等。

2.3 预测筛选与评估

基于AF2置信度评分：单体采用pLDDT（0-100），多聚体采用0.8×ipTM+0.2×pTM（0-1）。提交每组前5高置信度模型作为"Brysbaert"预测集。

2.4 界面难度分级

建立三级分类体系：

• •

  "简单"（41个）：DockQ_max>0.6且DockQ_max-Q3≤0.2

• •

  "困难"（17个）：0.4<>_max<0.6或(0.6<>_max<1且DockQ_max-Q3≥0.2)

• •

  "极端"（7个）：DockQ_max<0.4

2.5 采样策略优化

开发6种渐进式方案：

• •

  MF-S1/S2/S3：基于ipTM中位数阈值（0.8/0.65/0.57）选择性采样

• •

  MF-S4/S5/S6：进一步将采样量减至33预测/模型，保留5组核心参数

3 结果与讨论

3.1 难度分级验证

"困难"界面在MassiveFold中呈现显著离群值分布（图1c），其AF2基准ipTM中位数（0.57-0.65）显著低于"简单"界面（>0.8）。最大ipTM<0.72可有效识别"极端"界面。

3.2 预测质量比较

在17个"困难"界面中，MassiveFold最佳模型显著优于AF2基准（图2）。但AF2基准集在"简单"界面表现更优，而"极端"界面两类方法均失效。关键发现：单纯依赖ipTM评分会遗漏23%的高质量模型。

3.3 计算效率优化

MF-S5方案（ipTM<0.65阈值+2475预测/靶标）实现最佳平衡：

• •

  计算量减少69%

• •

  保留92%高质量预测

• •

  在CAPRI评分中保持领先地位

4 结论

研究建立首个系统性大规模采样数据库，证实选择性采样策略的可行性。界面难度预判体系（基于ipTM中位数）和优化采样方案为资源节约提供范式。未来需开发不依赖AF2评分的结构基筛选方法，以充分释放深度采样潜力。所有数据集已开源（https://github.com/GBLille/CASP16-CAPRI_MassiveFold_Data）。