基于持续同调分析的AlphaFold预测碎片化特征刻画

《Bioinformatics Advances》：Characterizing the fragmentation of AlphaFold predictions

　　

摘要 动机：诺贝尔奖获奖程序AlphaFold2能够计算（良好折叠）蛋白质的合理结构。其主要质量评估基于预测的局部距离差测试（predicted local distance difference test，pLDDT），这是一种逐氨基酸置信度评分。 结果：为了增强质量评估，本研究提供了新颖的定量度量方法，用于识别沿序列在pLDDT值方面具有一致性的氨基酸（amino acid，a.a.）片段。这些构造基于拓扑数据分析（topological data analysis）和组合数学中的标准技术，为识别沿蛋白质主链的区域并分析其性质（例如其无序倾向性以及与零模型的一致性）提供了一个规范框架。本研究的分析结果可直接用于选择pLDDT值跨越整个pLDDT范围的蛋白质内的可靠区域/结构域。 可用性与实现：伴随本工作的软件可在Structural Bioinformatics Library的Alphafold_analysis包中获取。

论文解读：基于持续同调的AlphaFold预测碎片化特征分析

一、研究背景与问题

AlphaFold2作为获得诺贝尔奖的蛋白质结构预测工具，能够从氨基酸序列可靠地预测蛋白质三维结构。其每个预测结果都附带一个逐氨基酸的置信度评分——预测的局部距离差测试（predicted local distance difference test，pLDDT）。AlphaFold2团队根据pLDDT值定义了四个置信度等级：极高（pLDDT≥0.9，深蓝色）、高（0.7≤pLDDT<0.9，青色）、低（0.5≤pLDDT<0.7，黄色）和极低（pLDDT<0.5，橙色）。

尽管pLDDT已被广泛使用，但其与生物物理性质之间的精确关系仍不明确。现有研究表明，低pLDDT区域与实验观察或预测的内在无序区域（intrinsically disordered regions，IDRs）相关，但pLDDT并不与灵活性直接相关。此外，对于许多模式生物，AlphaFold数据库中30%至40%的氨基酸属于低或极低置信度类别。然而，目前缺乏对pLDDT值沿序列的异质性或一致性的定量评估方法。

因此，研究人员提出了一种新的分析框架，旨在量化蛋白质序列中pLDDT值的“碎片化”程度，即识别具有一致pLDDT值的连续氨基酸片段，从而为结构预测的质量评估提供更精细的工具。

二、主要研究方法

研究人员采用了几种关键技术方法：

1. 1.
   基于路径图的滤流（filtration）构建：将多肽链视为包含n个顶点和n-1条边的路径图，以-pLDDT值为参数构建嵌套子图序列。通过按pLDDT值递增顺序插入氨基酸，并利用Union-Find算法追踪连通分量（connected component，c.c.）的数量变化。
2. 2.
   持续同调分析（Persistent Homology）：记录每个连通分量的诞生和消亡时间，构建持续性图（persistence diagram，PD），并定义了一系列统计量，包括正临界点分数（fraction of positive critical points，f_cp⁺）、平均持续性（mean persistence，p?）、归一化持续性熵（normalized persistence entropy，H_p）以及最大连通分量数（N_cc^max）。
3. 3.
   零模型构建：假设一个虚构蛋白质的pLDDT值在固定区间内均匀随机分布，则氨基酸的排序对应于随机排列。研究人员推导了Doob鞅，给出了关于连通分量数量的浓度结果，并通过定理1给出了概率质量函数和期望值的解析表达式。
4. 4.
   P值计算：基于零模型，研究人员定义了两种假设检验方法——一种基于固定k值的精确P值计算，另一种基于蒙特卡洛置换检验（permutation test，PT）的全序列P值估计。

三、研究结果

1. 基于pLDDT的滤流

研究人员使用-pLDDT作为参数u构建滤流G_pLDDT，按-pLDDT值递增顺序插入氨基酸。持续性图恰好包含n-1个临界点，对应连接n个残基的n-1条边。其中一些临界点的持续性为零，对应“附着”（accretion）事件——即新插入的氨基酸立即与其左邻或右邻合并。沿滤流出现的连通分量代表独立形成的蛋白质单元，最终合并形成完整的主链。这为研究蛋白质区域的属性（如内在无序倾向性和与零模型的一致性）提供了规范框架。

2. 零模型的理论结果

定理1给出了零模型中连通分量数量C_k的概率质量函数：

P[C_k=r] = C(k-1, r-1)·C(n-k+1, r) / C(n, k)，其中r的取值范围为1到min{k, n-k+1}。

期望值为μ_k = E[C_k] = k(n+1-k)/n，最大值约为n/4 + 1/2 + 1/(4n)。

此外，研究人员证明了max_1≤k≤n|C_k - E[C_k]| = O(√(n log n))以至少1-1/n²的概率成立。

模拟结果给出了不同蛋白质长度下的近似值：n=100时，f_cp⁺≈0.33，H_p≈0.36；n=1000时，f_cp⁺≈0.33，H_p≈0.45；n=10,000时，f_cp⁺≈0.33，H_p≈0.47。

3. P值计算方法

研究人员利用定理1定义了两种P值计算方法。第一种针对固定k值（如k₀=?(n+1)/2?），通过公式(5)计算双侧检验的P值。第二种针对全序列观测值，基于Azuma界给出保守的P值估计，同时推荐使用更强大的蒙特卡洛置换检验，其P值由公式(6)给出。研究人员还分析了置换检验P值的方差特性，给出了控制蒙特卡洛误差所需的置换次数条件。

四、讨论与结论

本文提出的方法填补了pLDDT值异质性/一致性/碎片化定量评估的空白。通过将拓扑数据分析中的持续同调技术与组合数学中的零模型相结合，研究人员建立了一套完整的框架来识别和分析蛋白质主链上的连贯区域。这些方法可以直接用于选择蛋白质内可靠的区域/结构域，即使这些区域的pLDDT值可能跨越整个pLDDT范围。

研究结论表明，基于pLDDT值的滤流分析能够提供一种规范的方式来发现蛋白质中的区域，并研究其内在无序倾向性以及与零模型的符合程度。这一框架不仅适用于pLDDT值，还可扩展到其他参数（如原子堆积度量等）。相关软件已在Structural Bioinformatics Library的Alphafold_analysis包中公开发布。