GeoSeq-EGNN：一种用于预测内在无序区域中短线性基序的几何-序列融合等变图神经网络

《Journal of Molecular Graphics and Modelling》：GeoSeq-EGNN: A Geometry-Sequence Fused Equivariant Graph Neural Network for Predicting Short Linear Motifs within Intrinsically Disordered Regions

　　

● GeoSeq-EGNN整合了一维序列与三维空间动力学信息，用于预测短线性基序（SLiMs）。● 该模型将混合等变消息传递（GLH-EMPL）与双向长短期记忆网络（BiLSTM）相结合。● 自适应坐标更新和动态门控机制可有效防止网络过度平滑。● 置信度感知焦点损失函数有效缓解了预测中的严重类别不平衡问题。

## 引言

内在无序蛋白和内在无序区域（IDPs/IDRs）对传统的"序列-结构-功能"范式提出了挑战。它们并非形成稳定的三维结构，而是以一系列自由能相近、可相互转换的动态构象集合存在[1]，[2]，[3]。尽管缺乏明确的三维结构，IDRs在所有生命领域中普遍存在，并承担着重要的生物学功能[4]，[5]。它们主要通过折叠蛋白结构域的相互作用来执行这些功能，这一过程主要由短线性基序（SLiMs）促进[6]，[7]。SLiMs也被称为真核线性基序（ELMs）或微型基序，是一种紧凑、高度简并的蛋白质相互作用模块，通常由3至10个氨基酸残基组成[7]，[8]，[9]，[10]。SLiMs是模块化真核蛋白质中最小且数量最多的结构和功能单元[11]。据估计，人类蛋白质组中包含超过100,000个SLiMs，涵盖350多个类别，介导高度特异性但微弱且短暂的蛋白质-蛋白质相互作用（PPIs）[12]，[13]。此类瞬时相互作用对于协调快速且动态的分子事件至关重要，包括底物招募（例如细胞周期中的cyclin-CDKs[12]）、亚细胞定位、多蛋白复合物组装和信号转导[14]。

SLiMs和内在无序区域（IDRs）的功能失调或突变与其在调控中的关键作用密切相关，因而与人类疾病发病机制紧密相关。约20%的致病性错义突变位于IDRs内部[4]，而SLiMs则经常与异常致癌信号通路相关联[15]，[16]。此外，SLiMs的紧凑相互作用界面和进化适应性使其成为病原体觊觎的目标。多种远缘病原体，包括心病毒、卡波西肉瘤相关疱疹病毒和耶尔森氏菌属等，已独立进化出模拟宿主SLiMs的能力。以"DDVF"基序为例，该基序被利用来劫持RSK激酶[17]，[18]。作为基因组大小受限的专性胞内寄生生物，病毒利用SLiM模拟作为一种精妙策略，在有限的蛋白质序列中提高功能密度[19]。这种分子模拟使病原体能够战胜内源性结合伴侣，重塑宿主细胞网络，从而促进病毒入侵、复制和免疫逃逸[20]。因此，阐明SLiMs介导的相互作用不仅对于推进我们对基础细胞生物学的理解至关重要，也有助于揭示病毒-宿主依赖性关系并发现新的治疗靶点[21]。

尽管SLiMs介导的相互作用具有重要的生物学意义，其结构和功能表征仍面临巨大挑战。在人类蛋白质组中约一百万个短功能肽基序中，目前仅注释了约2,000个，凸显了SLiMs作为关键但研究不足的调控模块的重要性[7]。传统的生化实验难以检测这些相互作用，原因在于其亲和力弱且持续时间短，构成了重大的实验障碍[23]。虽然诸如"MRBLE-pep"检测等创新高通量生物物理方法能够同时定量肽段结合亲和力，但它们受限于对专业仪器设备的依赖，缺乏全面蛋白质组学分析所需的可扩展性[24]。

从计算角度而言，由于SLiMs序列长度短、序列简并度高等特性，以及宿主IDRs构象异质性的影响，其精确识别面临计算挑战[25]。传统的基序发现方法主要依赖统计学和机器学习方法进行一维序列分析[26]，[27]，但IDRs介导的相互作用往往涉及"折叠与结合耦合"机制，即SLiMs在结合其配体结构域时采取有序构象[28]。这种结构灵活性凸显了仅依赖一维序列的局限性。尽管深度学习和蛋白质语言模型（pLMs）的进展提升了基序识别工具的性能[29]，[30]，例如AlphaFold-multimer可预测SLiMs在对接凹槽中的结合[31]，[32]，但仍存在显著的技术挑战。大多数PPI的结构数据仍然有限[28]，且标准计算模型难以将一维序列信息与IDRs的动态三维构象相整合。此外，由于SLiMs相比非基序序列极为罕见，该任务中存在严重的类别不平衡问题，导致现有模型容易产生较高的假阳性率。

近期研究越来越多地采用端到端图神经网络框架进行蛋白质-蛋白质相互作用（PPI）预测。[51]提出了一种端到端知识图谱融合图神经网络（KGF-GNN），通过将蛋白质关联网络与观测到的PPI数据相整合，并利用图神经网络进行拓扑和语义特征提取，以实现精确的PPI预测。在此基础上，[52]提出了一种混合集成端到端神经网络（HEENN），将图注意力网络用于局部特征提取、自编码器用于全局特征表示，并结合注意力增强融合机制。这些研究证明了端到端图学习在捕获PPI网络中复杂关系信息方面的有效性。然而，这些方法主要针对蛋白对或PPI网络层面的预测。相比之下，本研究聚焦于从预构建的单体蛋白图中进行残基水平的SLiM预测。该任务需要节点级别的判别能力和E(3)-等变的几何推理，而非成对相互作用预测。因此，我们将这些端到端PPI框架作为相关工作纳入讨论，同时区分其任务形式与本研究所解决的残基水平SLiM预测问题。

为应对这些复杂的计算挑战，我们提出了GeoSeq-EGNN（几何-序列融合等变图神经网络），一种专为稳健识别IDRs内SLiMs而设计的双模态深度学习框架。与传统工具仅限于纯一维序列或静态结构快照不同，GeoSeq-EGNN将蛋白质的三维空间几何信息与其一维序列上下文无缝整合。该架构的核心是全局-局部混合等变消息传递层（GLH-EMPL），它在保持三维几何等变性的同时，自适应地捕获IDRs的动态空间折叠模式。为增强空间推理能力，多尺度几何-序列融合网络层（MSGS-FNL）利用双向LSTM和动态门控机制提取三维图可能忽略的关键一维序列拓扑特征。此外，为直接应对严重的类别不平衡及其导致的假阳性率升高问题，我们创新性地引入了置信度感知焦点损失函数。该损失函数通过显式惩罚过度自信的错误预测，显著提升了精确率和马修斯相关系数（MCC）。通过协同解码物理三维空间和生物一维序列信息，GeoSeq-EGNN提供了一个高度准确、可扩展且稳健的计算框架，用于阐明SLiMs介导的调控网络的庞大而未探索的领域。

## 数据集

本模型用于构建训练集和测试集，包含两类关联数据。第一类是从MobiDB数据库（https://mobidb.org/）获取的实验验证的蛋白质数据，附有SLiMs注释，共计1007个有效蛋白质条目[33]，[34]。第二类是从AlphaFoldDB（https://alphafold.ebi.ac.uk/）获取的蛋白质PDB结构数据[36]，与上述蛋白质数据一一对应。

## SLiMs与宿主蛋白长度分布比较

为考察SLiMs在宿主蛋白中的分布情况，我们对SLiMs的序列长度分布进行了分析。图3中的直方图显示，全长宿主蛋白呈现明显的右偏分布，大多数（约68%）的蛋白质长度落在100至500个氨基酸（aa）范围内，少量（约8%）为超长蛋白（>1000 aa）。该分布与真核蛋白质组的已知特征一致，表明

## 结论

在本研究中，我们提出了GeoSeq-EGNN，即几何-序列融合等变图神经网络，以应对IDRs内SLiMs识别所面临的重要计算挑战。通过将一维序列模式与三维空间动态相结合，GeoSeq-EGNN能够精确捕捉SLiMs中结构与序列之间的复杂关系，从而超越了传统单模态预测器的特征提取局限。

该双模态的有效性

## CRediT作者贡献声明

Jun Zhang：撰写——审阅与编辑，撰写——初稿，可视化，验证，方法学，调查研究，形式化分析，数据整理，概念化。Jinming Zhang：撰写——审阅与编辑。Yuxiang Li：撰写——审阅与编辑。Yi Li：撰写——审阅与编辑，验证，监督指导，调查研究，概念化。Liting Zheng：撰写——审阅与编辑。Huiqiong Ruan：撰写——审阅与编辑。Guilan Luo：撰写——审阅与编辑，验证，监督指导。

## 未引用参考文献

[22]。

## 数据可用性

源代码已在GitHub上公开，仓库链接见正文。

mobidb（参考数据）（GitHub）

## 利益冲突声明

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

## 致谢

本工作得到国家自然科学基金（62366002）的支持。

Jun Zhang | Jinming Zhang | Liting Zheng | Huiqiong Ruan | Yuxiang Li | Yi Li | Guilan Luo