Cooper-Beta：基于β-链连接图的资源高效β-桶样折叠筛选框架及其在病毒结构暗物质中的应用

《Proteins: Structure, Function, and Bioinformatics》：Geometric Intuition Enables Resource-Efficient Screening for β-Barrel-Like Folds in Viral Structural Dark Matter

　　

预测的蛋白质结构现已使折叠发现能够超越序列同源性的范围，但可扩展且可解释的方法仍然有限。研究人员提出Cooper-Beta，一种资源高效、按链解析的框架，用于从链连接性检测β-桶样折叠（β-barrel-like folds）。Cooper-Beta将由DSSP指定的物理β-链转换为邻接图（adjacency graph），并使用校准的直接规则或逻辑回归（logistic regression）评估四个测量指标。在包含466条阳性链和1063条阴性链的分组留出（grouped held-out）基准上，直接分类器达到87.77%的召回率（recall）和97.65%的特异性（specificity），而学习分类器达到94.42%的召回率和97.08%的特异性。对114条人工分类的CATH Class II非桶状结构的独立评估分别产生95.61%和92.98%的特异性。在1.0 ?高斯C_α扰动（Gaussian C_α perturbation）下，两个分类器均保持低于3%的预测翻转率（prediction-flip rate），学习模型在更高噪声下具有更强敏感性。筛选来自Big Fantastic Virus Database（BFVD）的351 242个结构产生5803个联合阳性候选（joint-positive candidates）；序贯Swiss-Prot和UniRef50搜索鉴定出1568个序列可用且没有通过Swiss-Prot或UniRef50匹配的候选。Cooper-Beta为从预测结构库到用于实验随访（experimental follow-up）的β-桶样候选提供了可解释路径。

研究背景与总体研究：序列测序成本下降而实验结构解析仍慢，主流分析以序列为主体；深度学习结构预测使大规模预测结构可用，但面向三维几何、可扩展且可解释的折叠发现方法仍有限。病毒宏基因组中“病毒暗物质”常缺乏可检测同源关系，传统序列同源性方法易失效；β-桶（β-barrel）在革兰氏阴性菌外膜、线粒体和叶绿体中有广泛分布，其链间氢键闭合和负高斯曲率等几何特征为基于链连接性的识别提供依据。研究人员因此提出Cooper-Beta，将DSSP（蛋白质二级结构定义程序）定义的物理β-链作为节点、链间梯关系和分布式C_α接触作为边，构建链内β-链邻接图（adjacency graph），用邻接数、循环链计数（cycle-strand count）、循环链比例（cycle-strand fraction）和环秩（cycle rank）四个测量，经校准直接规则或逻辑回归（logistic regression）判别β-桶样折叠，并在分组留出（grouped held-out）基准、独立CATH Class II挑战集和BFVD（Big Fantastic Virus Database）结构库中评估。研究结论强调该框架为预测结构库提供可解释、资源高效的折叠级候选优先级分层，但不提供膜插入、功能或突变效应读出；其意义在于连接预测结构库与实验随访候选。

关键技术方法概述（≤250字）：样本来源包括MPstruc衍生实验结构链及CATH抽样手动确认的桶状链作为阳性，PISCES pc20 X-ray列表（2026-08-01）与CATH（蛋白质结构分类数据库）4.4.0抽样并人工复核作为阴性，最终1529条靶链（466阳性、1063阴性，来自1513个结构；682个关系组）；独立CATH Class II集为114个非桶、9个桶和14个模糊靶。方法核心为DSSP二级结构赋值、物理β-链合并为图节点、梯关系与C_α接触建边、四图测量、直接阈值规则与标准化逻辑回归，五折分组交叉验证和关系组自助法置信区间；外部比较Foldseek、IsItABarrel、PRED-TMBB2/JUCHMME；坐标稳健性采用高斯C_α扰动；BFVD筛选后以Swiss-Prot和UniRef50序列搜索注释。

3.1 基准性能与CATH Class II特异性。通过1529靶链分组留出基准和114个CATH Class II非桶独立挑战集评估，直接分类器召回87.77%、特异性97.65%，学习分类器召回94.42%、特异性97.08%；CATH II上特异性分别为95.61%和92.98%。外部方法呈不同操作区间：IsItABarrel特异性高，Foldseek未观察假阳性但召回较低，PRED-TMBB2召回高而阴性调用多。结论为学习模型召回点估计更高、直接规则CATH II特异性更高。

3.2 消融与解释强调邻接和环状链支持。通过直接规则消融、学习特征消融、SHAP（SHapley Additive exPlanations）和偏依赖分析，移除邻接或循环链测量会降低性能或召回，联合循环链规则移除13个假阳性而不改变阳性数；SHAP平均绝对贡献以邻接数和循环链比例最大。结论为邻接与环状链支持是主要拟合贡献。

3.3 坐标扰动揭示特征依赖敏感性与组特异性泛化。通过对C_α坐标施加0–2.0 ?高斯扰动并固定外层模型阈值，σ=1.0 ?时两分类器预测翻转率均约2.51%，σ=2.0 ?时直接与学习召回分别为87.05%和36.05%，特异性94.95%和98.02%；logit分解显示环秩贡献负向最大；fold 3留出组集中导致基线泛化差距。结论为高噪声响应具特征依赖性且基线泛化受关系组构成影响。

3.4 结构案例区分图闭合与方法特异错误模式。通过7个选定基准链案例，OmpT和VDAC1显示无检测环的阳性或学习模型救援，BamA显示闭合支持阳性；BpaC/GCN4为稠密图直接规则假阳性，BamB为学习模型有限环支持假阳性，PcyA仅IsItABarrel阳性，oligopeptidase仅PRED-TMBB2阳性。结论为案例区分图闭合证据与不同方法的错误模式。

3.5 结构一致性与序列证据优先化BFVD候选。通过筛选351 242个BFVD结构并用两种分类器取交集，得到5803个联合阳性候选；5801条有完整序列，Swiss-Prot通过1299个信息性加72个低信息匹配，UniRef50通过2862个，818个低于阈值和750个无报告subject，合并1568个优先候选（其中967个平均pLDDT（预测置信度指标）≥70）。六例展示家族支持、单成员簇和无序列匹配状态。结论为结构一致性与序列证据可用于候选优先级分层。

3.6 软件与计算资源。通过同一时间工作负载测量端到端推断，Cooper-Beta在8+8工作进程下221.36 s、6.89结构/s、峰值常驻内存（RSS）3.946 GiB，快于IsItABarrel、慢于PRED-TMBB2/JUCHMME；Foldseek完整评估2837.97 s。结论为该框架具资源高效部署特征。

讨论与结论：讨论指出学习模型召回点估计较高但配对区间含零；自包含单体和同源寡聚体表现较好，含伙伴组装体召回较低；消融和SHAP支持邻接与循环链支持；坐标压力测试将高噪声响应与测量变化联系起来；外部方法因信息类型不同而处于不同操作区间；参考标签人工复核集中于预测错误靶，限制泛化；BFVD候选仍需膜环境、功能和实验证据。局限包括链解析图依赖坐标完整性、残基映射和DSSP梯或链赋值，未按预测置信度加权，闭合仅限链内且排除链间梯关系，稠密环状β丰富图可触发直接规则假阳性，CATH II经过与训练集相关性过滤，且方法只作折叠级候选。研究结论（译）：在结构库尺度上，该工作流可基于低维测量和校准决策函数提供第一层过滤；后续分析可检查链取向、膜朝向化学、靶向信号、孔道几何、相互作用和模型置信度；将该方法应用于其他折叠需要折叠特异性描述符、校准和独立参考集。Cooper-Beta评估几何假设，不提供突变效应读出。