《Communications Biology》：PreStoi allows accurate prediction of protein complex stoichiometry by integrating AlphaFold3 and template information
编辑推荐：
本研究致力于解决蛋白质复合物功能研究中的一个关键瓶颈——其化学计量比（即各亚基的拷贝数）往往未知，从而限制了复合物结构的准确预测。研究团队开发了名为PreStoi的新方法，通过整合AlphaFold3结构预测与同源模板信息，来精准预测未表征多聚体的化学计量比。在CASP16实验中，该方法成功将71.4%目标的正确化学计量比预测为最优结果，准确率在同类方法中领先。这项工作为缺乏化学计量比数据的蛋白质复合物研究提供了强大的计算工具，具有重要的理论和应用价值。
在生命的微观世界里，蛋白质很少“单打独斗”，它们更倾向于组成精密的“团队”——蛋白质复合物，来协同执行细胞中诸如信号传导、物质运输、催化反应等诸多关键功能。理解这些团队如何高效运作，核心在于解析其三维结构。然而，在尝试为这个“团队”绘制一幅精确的成员分布图（即结构）之前，一个更基本的问题常常横亘在研究者面前：这个团队到底由哪些成员组成，每个成员又有多少个拷贝？这个看似简单的问题，被称为蛋白质复合物的化学计量比（Stoichiometry），却往往是未知的。对于大量未被充分研究的复合物，其亚基的精确数量与比例犹如一个“黑箱”，直接阻碍了后续精确结构预测的开展，成为了功能机理研究的瓶颈。尽管其重要性不言而喻，但专门用于预测化学计量比的计算方法却寥寥无几。为了破解这一难题，一项发表于《Communications Biology》的研究应运而生。
研究人员开展了一项旨在精准预测蛋白质复合物化学计量比的创新性研究。他们巧妙地结合了前沿的深度学习方法与传统的生物信息学策略。具体而言，研究团队开发了一套流程，其核心是集成AlphaFold3和同源模板信息。该方法首先生成一系列合理的亚基组合假说，接着利用强大的AlphaFold3为每个假说构建结构模型，并依据AlphaFold3的预测得分对这些模型进行初步排序。当存在已知的、相关的蛋白质复合物结构信息（即模板）时，该方法会进一步利用这些模板信息来精化预测结果。在被誉为“蛋白质结构预测奥林匹克”的第16届社区范围内蛋白质结构预测技术关键评估（CASP16）实验中，这一整合策略展现出了卓越的性能。最终结论表明，该方法能够以高准确率预测未知复合物的化学计量比。它将71.4%目标的正确化学计量比列为最优预测，更有92.9%目标的正确化学计量比位列前三预测之中，整体表现优于其他方法。这项研究不仅证明了AlphaFold3与基于模板的预测方法具有互补优势，更凸显了该策略对于解决缺乏化学计量比数据的、未表征蛋白质复合物研究难题的强大适用性，为计算结构生物学领域提供了一个有力的新工具。
为开展此项研究，作者主要应用了以下几个关键技术方法：1. 算法流程设计：构建了可生成多种潜在亚基组合并进行建模与排序的计算流程。2. AlphaFold3结构预测：利用先进的AlphaFold3模型为生成的每种亚基组合假说构建三维结构模型，并获取其预测置信度分数用于初步排名。3. 模板信息整合：当存在已知同源蛋白复合物结构时，提取并利用其模板信息（包括界面、相互作用等特征）对AlphaFold3的初步预测结果进行进一步优化和重排序。4. 性能评估基准：在第16届社区范围内蛋白质结构预测技术关键评估（CASP16）实验的标准靶点集上，系统性地评估了该方法预测化学计量比的准确性，并与其它方法进行了比较。
研究结果
1. 整合AlphaFold3与模板信息的方法框架
本研究提出了一种名为PreStoi的计算方法，用于预测蛋白质复合物的化学计量比。该方法的流程是，首先枚举目标复合物可能的亚基组成（化学计量比）假说；然后，针对每一个假说，使用AlphaFold3进行结构建模，并依据AlphaFold3模型输出的评分（预测的精度指标）对这些假说进行初步排序；最后，如果存在已知的、与目标复合物相关的同源复合物结构（模板），则提取模板中的界面信息和亚基排列特征，用于对初步排名结果进行优化和重新校准，从而得出最终的化学计量比预测排名。通过这一设计，研究将深度学习方法（AlphaFold3）的“从序列到结构”的强推理能力，与传统模板比对方法的进化约束信息相结合。
2. 在CASP16实验中展现高预测准确率
为了客观评估PreStoi方法的性能，研究将其应用于第16届社区范围内蛋白质结构预测技术关键评估（CASP16）实验的靶点上。这些靶点是当时尚未公开结构的新颖蛋白质或多聚体，代表了前沿的预测挑战。分析结果显示，PreStoi方法表现突出。在所提供的测试案例中，该方法能够将正确的化学计量比预测为排名第一（最优预测）的比例达到了71.4%。如果将范围放宽至排名前三的预测，这一比例更是高达92.9%。这一成绩表明，对于大多数测试目标，PreStoi都能非常精准地锁定其真实的亚基组成。
3. 相较于其他方法的优势
研究进一步将PreStoi的预测结果与CASP16实验中其他参赛团队或基准方法的预测结果进行了比较。综合评估表明，PreStoi方法的整体预测准确率优于其他参与比较的方法。这验证了本研究提出的整合策略的有效性。特别值得注意的是，在那些缺乏高质量同源模板的“困难”靶点上，依赖AlphaFold3的初步预测起到了关键作用；而在模板信息可用的靶点上，模板的优化则能进一步提升排名可靠性。这具体体现了两种信息来源的互补价值。
4. 方法对各类型复合物的适用性
通过对CASP16中不同靶点的案例分析，研究展示了PreStoi方法对多种类型蛋白质复合物的适用性。无论是由相同亚基组成的同源多聚体，还是由不同亚基组成的异源多聚体，该方法都能进行处理。结果表明，整合策略能够有效区分正确的化学计量比与大量可能但不正确的假说，最终将正确的亚基组成排名提前。
结论与讨论
本研究的核心结论是，通过整合前沿的AlphaFold3结构预测模型与进化的模板信息，可以高精度地预测未知蛋白质复合物的化学计量比。所开发的PreStoi方法在严格的CASP16盲测中取得了成功，能够将超过七成目标的正确化学计量比列为最优预测，显著超越了已有方法。
这项工作的意义重大。首先，它直接解决了一个长期存在的、基础性的生物学问题——确定蛋白质复合物的亚基组成比例。化学计量比是理解复合物组装、功能和调控的基石，此前的预测工具稀缺且精度有限。PreStoi提供了一种强大、可靠的计算解决方案，填补了该领域的方法学空白。其次，研究证实了“深度学习方法”与“基于模板的传统方法”在解决此类问题上的强互补性。AlphaFold3擅长从序列出发进行“从无到有”的建模，尤其在缺乏同源模板时价值凸显；而模板信息则蕴含了进化过程中保守的相互作用模式，能提供重要的约束条件。两者的结合实现了“1+1>2”的效果，为未来开发更强大的复合物分析工具指明了方向。最后，也是最重要的，该方法对于“未表征”的蛋白质复合物研究具有突出的应用价值。在许多前沿生物学和疾病相关研究中，研究者会面临大量功能重要但结构未知、化学计量比不明的复合物。PreStoi方法为此类研究提供了关键的先验信息，能够指导后续更精细的结构测定实验（如冷冻电镜）或功能研究，从而加速对生命复杂分子机器的解密进程，并为靶向这些复合物的药物设计提供潜在的起点。总之，这项工作不仅是计算结构生物学领域的一项技术进展，更是为整个生命科学领域探索蛋白质复合物世界提供了一把极具价值的钥匙。
