《Bioinformatics and Biology Insights》：Towards Automated Protein Family Annotation in SCOPe Using Protein Language Models
编辑推荐：
SCOP和CATH数据库是公开可用的资源，提供描述蛋白质结构域的结构和进化关系的层次化注释。尽管已有大量研究致力于开发基于人工智能的方法用于CATH中的大规模注释，但在SCOPe方面的相应发展仍相对有限。CATHe及其后续版本CATHe2最近证明了将蛋白质语言
SCOP和CATH数据库是公开可用的资源，提供描述蛋白质结构域的结构和进化关系的层次化注释。尽管已有大量研究致力于开发基于人工智能的方法用于CATH中的大规模注释，但在SCOPe方面的相应发展仍相对有限。CATHe及其后续版本CATHe2最近证明了将蛋白质语言模型（pLM）嵌入与前馈神经网络相结合，在CATH中进行远程同源检测和超家族分类的有效性。在本研究中，研究人员将CATHe2框架适配到SCOPe层次结构中，并探究其仅利用氨基酸序列执行蛋白质家族分类的能力。实验在最大序列同一性为40%条件下筛选的包含15,177个结构域的ASTRAL SCOPe 2.08数据集上进行。所提出的方法在Top50和Top1000家族分类任务中分别达到了80.6%±2.9%和68.5%±2.1%的F1分数。当考虑所有至少包含两个结构域的2,158个家族时，获得了58.0%±1.6%的F1分数。这些结果表明，尽管面临挑战性的远程同源性设定以及许多家族训练样本数量有限的情况，基于pLM的嵌入仍能有效捕获SCOPe内的家族水平关系，这为向SCOPe结构域的大规模自动化注释迈出了有希望的一步。
研究背景与问题
蛋白质是生命细胞的基本组成单元，其功能密切依赖于三维（3D）结构。蛋白质错误折叠与癌症等多种疾病相关，而准确的结构信息对药物设计等应用至关重要。除了存储超过25万个实验测定结构的蛋白质数据银行（PDB）外，UniProt和AlphaFold DB（包含2亿多个预测结构）等大型资源库提供了海量的蛋白质序列和结构数据。CATH（Class, Architecture, Topology, Homology）和SCOP（Structural Classification of Proteins）是基于结构和进化关系对蛋白质结构域进行层次分类最广泛使用的数据库之一。然而，随着蛋白质序列和结构数据的快速增长，维持最新的注释需要大量的手动工作，因此自动化方法变得不可或缺。虽然CATH已成功采用了基于人工智能的方法，但SCOPe在此方面的发展相对滞后。现有针对SCOPe的研究如DeepSF主要关注折叠水平的预测，且在家族水平的评估缺乏类平衡指标；Bepler和Berger提出的SSA-LSTM和MT-LSTM模型采用成对相似性预测范式，不直接解决逐序列分类问题。因此，本研究旨在将CATHe2框架适配到SCOPe层次结构，探究仅利用氨基酸序列进行蛋白质家族分类的可行性。
研究方法与技术路线
研究人员采用了ASTRAL SCOPe 2.08数据集，该数据集是基于序列同一性阈值过滤后减少冗余的SCOPe精选子集。主要使用了最大序列同一性≤40%的子集，同时≤95%版本也用于比较。由于缺乏类似于CATH-HMM的SCOPe对应工具，无法依赖类似CATHe中使用的大规模训练数据集，因此研究人员将每个数据集按80%训练和20%测试比例划分。参照CATHe的做法，研究人员构建了Top50、Top250、Top1000和TopX（X为至少含两个结构域的家族数）子集，并将不满足条件的家族归入“Other”类别。关键技术方法包括：（1）使用ProstT5蛋白质语言模型（pLM）生成1024维残基级嵌入，并通过均值池化获得单个结构域表示；（2）采用单层前馈神经网络架构（1024→512→N），包含全连接层、LeakyReLU激活函数、批归一化和dropout（0.5），最终通过Softmax输出N个SCOPe家族类别的概率；（3）使用Adam优化器和分类交叉熵损失函数进行训练，初始学习率0.001，最多200个epoch，并采用早停和学习率衰减策略。
研究结果
TopK Families Only设置下的结果：F1分数随家族数量增加而单调下降，这是因为引入更多类别尤其是小样本家族增加了分类难度。≤40%数据集上的性能始终低于≤95%数据集（平均低约6.4%），这归因于前者每家族序列更少、训练数据有限，以及更严格的远程同源性设定。例如，在≤40%数据集的Top50设置下F1分数约为81%，而TopX（X=2,249）设置下约为58%。
TopK Families + Other类别设置下的结果：纳入高度异质的Other类别导致所有设置下性能进一步下降，因为分类任务变得更加复杂，引入了严重的类不平衡和巨大的类内异质性。≤40%数据集相比≤95%数据集性能退化更为显著，部分原因是其Other类别包含更多单例家族（2,454个 vs. 1,771个）。
混淆矩阵分析：在≤40%数据集Top50设置的91个错误分类案例中，约96%（87例）仍被分配到正确的超家族，表明大多数误分类发生在同一超家族内的近缘家族之间，而非远缘进化组之间。在≤95%数据集中，这一比例高达约99.3%。这说明模型在很大程度上保留了底层的进化关系，即使家族级预测出错，也倾向于产生最良性的分类错误。
与DeepSF的比较：在家族分类任务中，本研究的模型在≤40%子集的TopX设置下达到66.0%的准确率，高于DeepSF报告的61.2%。此外，DeepSF的训练集使用≤95%序列同一性过滤，可能存在残留冗余，使模型偏向学习局部序列模式。
讨论与结论
研究人员指出，本研究的实验结果应被视为计算预测而非经过实验验证的官方SCOPe注释，可作为序列缺乏实验测定结构时的可扩展注释和假设生成工具。结论部分翻译如下：本文研究了将CATHe2框架应用于SCOPe层次结构的可行性，通过在ASTRAL SCOPe 2.08数据集上进行蛋白质家族分类实验。实验涵盖了≤95%和≤40%序列同一性子集，以及多种分类设置（Top50、Top250、Top1000和TopX家族，含或不含Other类别）。结果表明，由ProstT5生成的蛋白质语言模型嵌入包含足够的信息来区分SCOPe家族，在仅依赖氨基酸序列且未纳入任何显式结构信息的情况下，最高达到87.6%±1.6%的F1分数（Top50，≤95%）。实验结果进一步显示，分类性能随家族数量增加和序列同一性阈值变严格而下降，但所提出的方法即使在≤40%序列同一性数据集的挑战性远程同源性条件下仍然有效。混淆矩阵分析揭示，大多数误分类发生在属于同一超家族的家族之间，表明模型即使在家族级预测错误时也能捕获有意义的进化关系。未来工作方向包括整合结构信息、探索替代蛋白质语言模型、评估更新的SCOPe版本，以及改进对小规模和高度不平衡蛋白质家族的性能。
