利用神经网络修正FoldX自由能估计值
《ACS Omega》:Leveraging Neural Networks to Correct FoldX Free Energy Estimates
【字体:
大
中
小
】
时间:2026年05月13日
来源:ACS Omega 4.3
编辑推荐:
高分辨率图像
下载MS PowerPoint幻灯片
由于蛋白质突变导致的 folding 稳定性和结合亲和力的快速准确预测是结构生物学中的关键需求。虽然实验方法很准确,但它们通常耗时且成本高昂。像 FoldX 这样的计算方法通过从单个 3D 结构估计自由能变化(ΔΔG)
高分辨率图像
下载MS PowerPoint幻灯片
由于蛋白质突变导致的 folding 稳定性和结合亲和力的快速准确预测是结构生物学中的关键需求。虽然实验方法很准确,但它们通常耗时且成本高昂。像 FoldX 这样的计算方法通过从单个 3D 结构估计自由能变化(ΔΔG)提供了快速且经济的替代方案,但其准确性仍然有限。在这项工作中,我们提出了 dFX,这是一种基于神经网络的残差校正框架,通过学习其底层的能量项来提高 FoldX 的自由能预测准确性。我们首先收集了一组实验测量的 ΔΔG 值及其相应的 3D 结构。使用这些结构,我们用 FoldX 获得了基线 ΔΔG 预测及其贡献的能量项。然后,我们使用这些 FoldX 能量项作为输入特征,并以校正因子作为目标来训练 dFX,其中校正因子是实验 ΔΔG 与 FoldX ΔΔG 之间的差异。我们的 dFX 模型相对于 FoldX 提高了预测准确性。dFX 的校正提高了实验和预测 ΔΔG 之间的皮尔逊相关性。在 folding 和结合任务中,基于较低阶突变的模型仍保留了对较高阶突变的预测能力。我们的 dFX 模型还相对于 FoldX 改进了上位性预测,表明更好地捕捉了非叠加效应。为了测试我们模型的泛化能力,我们使用了一个外部 SARS-CoV-2 数据集,发现针对结合的单一突变的 dFX 模型表现优于 FoldX 和其他机器学习方法。一旦训练完成,我们的神经网络模型几乎不增加计算时间,但提高了准确性,使其成为任何 FoldX 自由能预测流程的宝贵补充。我们的 dFX 方法可以进一步优化,以预测抗体逃逸,有助于高效地开发监视列表。
**引言**
蛋白质在许多生物过程中起着核心作用,从结构支持到细胞通信。它们的功能取决于精确的氨基酸序列,这些序列会折叠成独特的三维结构。这些蛋白质序列中的突变可以改变蛋白质的 folding 和/或蛋白质-蛋白质相互作用,导致功能障碍。这些分子变化在疾病中有着广泛的影响,例如朊病毒疾病、遗传病、癌症和病毒致病性。(1?6)在病毒中,表面蛋白质的突变可以增强传染性或促进逃避基于抗体的治疗。(7?10)另一方面,突变也可以用于治疗目的,例如提高抗体性能。(11)鉴于蛋白质突变的重要性,迫切需要快速准确的方法来预测它们对蛋白质生物物理性质(如 folding (ΔΔGfold)和结合(ΔΔGbind)自由能变化的影响。
已经开发了实证和计算技术来评估突变对蛋白质稳定性和结合亲和力的影响。表面等离子体共振、等温滴定量热法和其他实验技术(12,13)仍然是量化突变引起的结合亲和力和 folding 稳定性变化的黄金标准。近年来,高通量实验平台的进步使得大规模突变数据集的生成成为可能(14),大大扩展了可用的实验覆盖范围。尽管如此,许多实验方法仍受成本、实验复杂性和系统特异性的限制,这可能限制了它们的常规应用和广泛可访问性。因此,计算方法继续作为探索各种蛋白质和条件下突变效应的宝贵补充工具。计算方法从基于物理的方法到知识驱动的方法不等。(15?24)Lazaridis 和 Karplus(25)将这些方法分为三大类有效的能量函数:(1)基于分子力学和力场的物理有效能量函数;(2)从结构数据库分析中得出的统计有效能量函数;(3)依赖于实验数据参数化的实证有效能量函数。在实证类别中,FoldX(26,27)力场是最广泛使用的工具之一(28?38),用于预测由于突变引起的 folding 稳定性和结合亲和力的变化,因为它在速度和准确性之间取得了良好的平衡。
FoldX(26,27)是一个半经验力场,结合了多个能量项来预测自由能的变化。在我们实验室的一项基准研究中,Gonzalez 等人(32)评估了 FoldX 与其他七种计算工具相比,预测单点突变对蛋白质-蛋白质结合亲和力的影响。虽然 FoldX 提供了快速的估计,但其准确性有限,皮尔逊相关系数(r)总体为 0.37,抗体-抗原复合物为 0.19。结合分子动力学(MD + FoldX)将性能适度提高到 0.39,但计算成本更高。最近,这种组合方法针对 SARS-CoV-2 抗体的深度突变扫描数据进行了评估,平均 r 为 0.52(31)。在其他基准研究和数据集中,FoldX 与实验自由能值的关联度为中等,通常范围从 0.39 到 0.53(33,39?45),只有在某些选定的蛋白质(如溶菌酶)中报告了最佳性能(41)。总体而言,这些研究表明,尽管 FoldX 及其衍生物在区分稳定性和破坏性突变方面很有效,但在量化结合亲和力的变化方面往往缺乏精确性。此外,像许多现有工具一样,FoldX 主要针对单点突变进行了优化,在处理涉及多个同时突变的复杂非线性突变效应时遇到困难。这些发现突显了 FoldX 在预测准确性和较高阶突变泛化能力方面的局限性。
为了填补 FoldX 准确性的这一空白,我们引入了 dFX,一种将机器学习(ML)与 FoldX 相结合的方法,旨在通过数据驱动的校正来提高准确性,同时保持计算效率,并能够捕捉多个突变中的复杂依赖性。神经网络已在化学信息学和分子性质预测中得到广泛应用(46?48),证明了它们捕捉分子特征与生物学结果之间复杂非线性关系的能力。虽然大多数基于 ML 的方法试图直接建模自由能变化(15?24),但只有少数研究调查了将 ML 与已建立的计算方法(如 FoldX)结合,以增强其预测性能。一个例外是 Prethermut(49),它之前已将来自 FoldX 的能量作为输入特征用于预测突变后蛋白质热稳定性的变化。我们的工作与 Prethermut 的不同之处在于:(i)我们仅使用 FoldX 内部能量项作为输入;(ii)将分析扩展到蛋白质-蛋白质结合;(iii)明确设计为基于神经网络的残差校正模型,而不是独立的评分函数,以学习在 FoldX ΔΔG 估计之上的校正因子 δ;(iv)系统地评估单点突变和较高阶突变,包括上位性,使用 SKEMPIv2、ProTherm 4.0 和外部 SARS-CoV-2 基准测试。重要的是,dFX 模型显示出对多种突变的可转移性,表明在捕获上位性效应方面有所改进,并且在外部数据集中也是如此。该方法简单,不需要任何外部数据或密集计算,能够提高单点突变和多重突变的准确性。
**方法**
在这项工作中,我们开发了 dFX,这是一种基于神经网络的方法,通过使用 FoldX 内部能量项计算校正因子来提高 FoldX 自由能预测的准确性(图 1)。简而言之,我们的过程首先涉及整理现有的实验结合亲和力或 folding 稳定性数据集及其相应的 3D 实验结构。然后我们使用标准的 FoldX 协议预测可用数据的 folding(ΔΔGfold)和结合(ΔΔGbind)自由能变化,提取每个估计的 FoldX 能量项。这些能量项作为特征选择过程的输入,以识别最具信息量的子集进行训练。在这些特征集上训练神经网络,以预测 folding 和结合的校正因子,显著提高了原始的 FoldX 估计。最后,我们进一步评估了 dFX 模型对较高阶突变和未见过数据集的泛化能力,并通过分析双重突变及其组成的单个突变来量化偏离加性的程度。详细的方法在下面描述。
**图 1**
图 1. 使用神经网络(NNs)改进 FoldX 预测的校正建模流程(dFX 方法)概述。使用 FoldX 生成突变结构、预测的自由能变化(ΔΔGFoldX)并提取内部能量项作为输入特征。实验 ΔΔG 值间接用于训练和评估神经网络模型。通过我们的 ML 流程,模型学会了预测校正因子(δ),并将其添加到原始 FoldX 输出中以生成校正后的预测(ΔΔGdFX)。
**数据集整理和预处理**
我们研究的第一步是整理和处理现有的蛋白质 folding 和结合的实验自由能数据集及其相应的 3D 实验结构。实验结合亲和力数据来自 SKEMPIv2(50),折叠数据来自 ProTherm 4.0(51)。对于 SKEMPIv2 数据集,使用以下关系从解离常数(Kd)得出实验自由能值:
Δ??=????ln(??d)
ΔG=RTln(Kd)
(1)
其中 R 是气体常数(1.987 cal mol–1 K–1),T 是温度(298.15 K)。ProTherm 4.0 数据已经提供为负 ΔG 值,因此只需格式化。格式化后,将 SKEMPIv2 和 ProTherm 4.0 的突变型和野生型 ΔG 数据结合在一起,为每个系统和突变生成实验 ΔΔG 值:
ΔΔ??=Δ??mut?Δ??wt
ΔΔG=ΔGmut?ΔGwt
(2)
其中 ΔGmut 和 ΔGwt 分别是突变型和野生型的自由能。对于 folding 稳定性,我们编译了单点、双点和“所有多个”(双点到十五点)突变的数据集。然而,由于缺乏训练数据,最终只使用单点突变数据集训练和测试 dFX folding 模型(dFXsingles-fold)。对于结合亲和力,我们编译了单点、双点、三点和所有多个(双点到十五点)突变的数据集。单点、双点和所有多个突变数据集用于训练和测试我们的主要 dFX 结合模型(dFXsingles-bind、dFXdoubles-bind 和 dFXmultiples)。三点突变数据集用于开发评估对较高阶突变泛化能力的 dFX 模型(dFXtriples-bind),而四点突变数据集仅用于评估交叉突变泛化能力,未用于任何 dFX 模型的训练。由于较高阶突变的数据有限,我们将上位性分析限制在结合亲和力和双点突变上。然后在一个包含双点、双点-上位性及其相应组成单点“singles-epistasis”的外部上位性子集上评估了在单点和双点突变上训练和测试的模型(dFXepistasis)。这些完整的数据集和模型分别在表 1 和图 2 中概述。
**表 1. 本研究中使用的数据集摘要,包括突变类型和来自 SKEMPIv2(结合)和 ProTherm 4.0(折叠)数据库的数据点数量**
突变类型 | 结合 | folding
--- | --- | ---
单点 | 369 | 617
双点 | 714 | 4
单点 + 双点(S + D) | 44 | 10
三点 | 299 | 9
四点 | 223 | 9
所有多个 | 159 | 0
“所有多个”类别包括双点及更高阶的突变,最多 15 个突变。我们在组合的单点 + 双点数据集上训练和测试了一个模型,然后使用两个外部子集评估上位性:双点-上位性(双点突变)和单点-上位性(它们相应组成的单点)。四点数据集作为外部测试集,用于评估较高阶突变的泛化能力。
**图 2**
图 2. 开发的模型及其用于训练和测试的数据集摘要。每个模型分别在不同的突变顺序(单点、双点、三点和更高阶组合)和预测类型(折叠和结合)上单独训练。粗体模型被认为是主要模型。我们在组合的单点 + 双点(S + D)数据集上训练和测试了一个模型,然后使用两个外部子集评估上位性:双点-上位性(双点突变)和单点-上位性(它们相应组成的单点)通过方程式 3。
对于双点突变,上位性定义为:
??=ΔΔ??1,2?(ΔΔ??1+ΔΔ??2)
ε=ΔΔG1,2?(ΔΔG1+ΔΔG2)
(3)
其中 ε 是上位性(加性的偏差),ΔΔG1,2、ΔΔG1 和 ΔΔG2 分别是双点突变及其组成单点的自由能值。
在整理完所有自由能数据集后,我们从 RCSB Protein Databank(52)获取了所有系统的 3D 实验结构。然后使用 PDB Fixer(53)处理这些结构,添加缺失的原子/侧链/残基,以便用作 FoldX 的输入。
**FoldX 计算和特征提取**
为了获得预测的 ΔΔGFoldX 值及相关自由能项,使用我们之前发布的协议(31,32,35,38)和 FoldX v4.0(28)进行了 FoldX 计算。简要来说,使用 RepairPDB 命令准备结构,并连续应用六次以确保收敛。然后使用 BuildModel 命令生成单点、双点和所有更高阶突变,以进行自由能预测。在进行结合亲和力计算时,我们对未突变的野生型和突变型结构使用了AnalyseComplex命令来计算ΔGwt和ΔGmut的估计值,然后通过方程2计算出ΔΔGbind值。同样地,对于折叠结构,我们使用Stability命令来预测野生型和突变型的ΔGfold,从而生成ΔΔGfold的估计值。得到的自由能预测(ΔΔGFoldX)和能量项被整理出来用于特征选择。对于结合和折叠分析,那些显示出无方差、特征间强相关性或与响应变量高度相关的特征被从最终集合中移除(详见支持信息中的图S1和S2)。本研究选择的响应变量是校正项(δ),其定义如下:??=ΔΔ??exp?ΔΔ??FoldXδ=ΔΔGexp?ΔΔGFoldX(4)。一旦使用我们的模型计算出这个校正项,它会被加到ΔΔGFoldX的基线预测中,得到我们的ΔΔGdFX值:ΔΔ??dFX=ΔΔGFoldX+??(5)。
在机器学习建模方面,我们利用神经网络构建了dFX模型,以估计校正项δ,这对方程5中的ΔΔGdFX预测是必要的。我们选择使用神经网络,因为它们提供了一个框架,可以自动地学习特征之间的复杂关系。此外,我们的数据集规模适中,不需要大量的计算资源。数据集首先被80:20划分为训练集和测试集。划分是基于目标变量(δ)的分位数进行的分层抽样,这与SKEMPI基准研究中的标准做法一致。在训练集中,有10%的数据被保留用于模型超参数调整的验证。输入特征使用Scikit-Learn Python包中定义的StandardScaler进行了标准化(54),该标准化是在训练集上进行的。
我们所有的神经网络模型都是在PyTorch(v2.7.1 + cu126)中实现的。架构采用了类似金字塔的多层感知器结构,包括线性层→批量归一化层→激活层→dropout层,随后是一个线性输出层。超参数使用Optuna(v4.5.0)和基于目标变量分位数的分层K折交叉验证(K = 10)进行调整。调整的超参数包括隐藏层的数量、初始层宽度、激活函数、批量大小、损失函数、dropout层的比率、单循环计划的最大学习率以及AdamW优化器的权重衰减(详细信息见支持信息中的表S2)。超参数搜索和早期停止(最多100个周期,耐心值=15,基于验证折叠进行监测)是在训练集上进行的。每个模型总共进行了500次试验。模型性能是通过10次交叉验证的平均绝对误差(MAE)来评估的,选择值最低的模型。
生产模型随后使用优化后的超参数进行训练,采用相同的训练-验证划分,最大训练周期为400个周期,并进行耐心值为80的早期停止监测。通过这种彻底和系统的方法,我们确保了得到的dFX模型既健壮又高效,具有最小的过拟合风险和最佳的预测性能。最终的dFX模型配置在表2中列出。
表2. dFX模型的最终超参数和设置:单突变、双突变和多突变
| dFX模型 | 数据集 | 训练集大小 | 测试集大小 | 全数据集大小 |
|-------------------|-------------------------|--------------|-------------|
| singles-bind | 14 | 35 | 17 |
| doubles-bind | 10 | 37 | 17 |
| multiples-bind | 29 | 39 | 36 |
| | 57 | 57 | 69 |
| | 11 | 14 | 15 |
生产模型的训练还遵循了相同的训练-验证划分、最多400个周期的训练周期以及耐心值为80的早期停止监测。通过采用这种方法,我们确保了dFX模型的稳健性和效率,同时最小化了过拟合的风险,并实现了最佳的预测性能。最终dFX模型的配置在表2中概述。
我们进一步测试了dFX模型将其预测改进能力推广到不同阶数的突变的情况。首先在单突变情况下训练的dFX模型(dFXsingles-bind)被应用于双突变、三突变和四突变情况。然后在双突变情况下训练的dFX模型(dFXdoubles-bind)被应用于单突变、三突变和四突变测试集。还有一个dFX模型是在三突变情况下训练的,并在所有其他突变测试集上进行了评估(详见支持信息中的表S3)。由于只有223个突变数据可供使用,因此没有为四突变情况训练模型。由于折叠数据稀缺,这项分析仅针对结合模型进行了。
在表型互作分析中,双突变子集(doubles-epistasis)和单个突变子集(singles-epistasis)被作为外部测试集,用于在单突变/双突变和结合情况下训练的dFXepistasis模型(详见支持信息中的表S3)。预测的表型互作通过方程3计算得出。
所有实验都使用了固定的随机种子42,以确保可重复性;完整的特征列表、预处理脚本、数据集划分和训练好的模型文件可以在https://github.com/Pateldrylab/FoldX-NN和支持信息中找到。
在本研究中,我们开发了预测模型,利用机器学习来改进FoldX的自由能估计。我们的dFX方法使用FoldX能量项作为输入特征来构建神经网络校正模型或dFX模型,并评估了它们在单突变、双突变和更高阶突变情况下的性能。以下部分分别介绍了结合亲和力和折叠稳定性预测的结果。
结合亲和力数据来自SKEMPIv2.0数据集(50),这是公开可用的最大数据集之一。按照方法部分中概述的预处理步骤,数据被分类为不同的子集以进行综合分析(表1)。主要的单突变集包含3696个突变,双突变集包含714个突变,这两个集合都足够大,可以支持可靠的模型训练和评估。相比之下,更高阶突变的数据较为有限:三突变子集只有299个例子,因此80:20的划分会产生大约239个训练样本和60个测试样本。因此,我们主要开发三突变模型来探究跨阶数的泛化能力,而不是作为核心预测模型。单突变+双突变(singles和doubles)和所有多突变(doubles和更高)的组合数据集分别包含4410个和1590个突变,这些都足够大,可以支持基于机器学习的健壮建模。
我们对所有可用的突变数据进行了FoldX计算。使用自定义的Python脚本,我们从FoldX输出中提取了内部能量项并预测了自由能值(ΔΔGFoldX)。这些能量成分被用作输入特征来确定响应变量(方程4)。值得注意的是,这些特征完全来自FoldX,没有结合其他计算方法的数据或对分析的蛋白质或氨基酸的先验知识。与独立的(ΔΔG)机器学习预测器(例如STAB-DDG(55)、GearBind(56)不同,这些预测器不依赖于FoldX,以及像Prethermut(49)这样的混合方法,后者通过额外的序列或结构特征来增强FoldX,dFX是一个基于神经网络的残差校正模型,它完全依赖于FoldX的内部能量项。这种公式在折叠和结合任务中一致应用,涵盖了从单突变到多突变的情况,包括跨阶数的转移和表型互作。我们强调这是一个有意的设计选择,也是该方法的一个关键优势:它保留了广泛使用的基于物理的框架的优势,同时提供了更高的预测准确性,并且引入了有限的额外计算成本,便于集成到现有的基于FoldX的工作流程中。
接下来,我们评估了所有特征的可变性及其特征间的相关性(详见支持信息中的图S1和S2)。那些在数据点和数据集之间显示出无方差或接近零方差的特征被移除。结合项loop_entropy、disulfide、部分共价相互作用、cis_bond和Entropy Complex因为它们在突变之间的值几乎为零或接近零,限制了它们的预测效用而被移除(见图S1C),而Energy_SolvP和Energy_SolvH则由于特征间的高相关性而被Energy_VdW取代。最终的数据集包含13个结合特征(详见支持信息中的表S1)。对于结合亲和力模型,我们排除了loop_entropy、disulfide、部分共价相互作用、Entropy Complex和cis_bond。进一步使用额外的FoldX输出分析确认,零方差特征在数据集之间保持不变。由于FoldX是一个封闭源程序,我们推测其中一些项可能在其力场计算中作为无效占位符,因此被从后续分析中排除。对于高度相关的特征,只保留了一个代表性特征;例如,Energy_SolvP和Energy_SolvH被Energy_VdW取代。
尽管ΔΔGFoldX最初被认为是一个潜在的预测因子,但由于它与响应变量有很强的相关性,可能导致目标泄露,并使模型继承FoldX自身的系统误差或数据不平衡,因此被排除。此外,因为ΔΔGFoldX是已经作为输入使用的相同FoldX能量项的线性组合,包含它会增加冗餘信息并可能引入统计偏差。使用选定的特征作为输入,我们基于深度神经网络架构构建了用于改进FoldX预测的dFX模型。对于结合亲和力,基于不同突变类型子集训练了三个主要的dFX模型:单突变dFX模型(dFXsingles-bind)、双突变dFX模型(dFXdoubles-bind)和一般多突变dFX模型(dFXmultiples-bind)。尽管现代实践通常使用大小统一的隐藏层,但我们最终采用了类似金字塔的收缩架构,因为它在这种特定情况下获得了更好的整体性能。如表2所总结的,模型选择始终倾向于使用六个隐藏层的收缩金字塔架构(512 → 256 → 128 → 64 → 32 → 16),无论是对单突变还是双突变的预测,都强调了这种架构在数据集上的稳健性。同时,对于多突变,模型选择倾向于使用四个隐藏层的收缩金字塔架构(128 → 64 → 32 → 16)。dFX模型之间的网络架构有所不同:dFXsingles-bind和dFXdoubles-bind使用了较大的第一层,而dFXmultiples则使用了较小的第一层。这些选择表明,单突变/双突变受益于更多的深度,而多突变则通过更紧凑的网络获得了更好的性能。
表3总结了dFX模型在主要结合亲和力和折叠稳定性数据集上的性能。对于结合亲和力预测,我们观察到所有模型的性能都有显著提升。dFXsingles-bind模型的r值提高了59%以上(见图3A中的代表性相关图),dFXdoubles-bind模型相对于FoldX提高了43%。当应用于多突变数据集时,我们的方法也实现了更高的准确性(r = 0.76),远优于FoldX(r = 0.68)。在某些情况下,一个或两个突变的ΔΔGFoldX值超过了±20 kcal/mol,这可能导致了校正前的低线性相关性。虽然我们的dFX模型在不稳定突变的错误和相关性方面始终优于FoldX(表S6),但在稳定突变方面的改进较为温和且不均衡。这表明,整体性能的提升主要来自于对大多数不稳定突变的改进建模。持续的不对称性反映了数据集的偏差(例如SKEMPI),这也影响了FoldX本身,表明未来的工作如果采用类平衡或对称意识训练策略可能会进一步改善稳定效应的预测。我们注意到,预测校正因子δ而不是直接预测ΔΔG在某种程度上缓解了这种类不平衡问题:虽然单突变数据集中的实验ΔΔG分布明显偏向于不稳定突变(79%为正,21%为负),但校正因子δ的平衡性要好得多(60%为正,40%为负;比例为1.5:1)。因此,dFX在更对称的目标上运作,尽管不对称性并未完全消除,这与表S6中的结果一致。
表3. 主要结合亲和力和折叠稳定性在测试集上的结果
| dFX模型 | 数据集 | 训练集大小 | 测试集大小 |
|-------------|-------------------------|--------------|-------------|
| singles-bind | 14 | 35 | 17 |
| doubles-bind | 10 | 37 | 17 |
| multiples-bind | 29 | 39 | 36 |
| | 57 | 57 | 69 |
| | 11 | 14 | 15 |
结果和讨论
在本研究中,我们开发了预测模型,利用机器学习来改进FoldX的自由能估计。我们的dFX方法使用FoldX能量项作为输入特征来构建神经网络校正模型或dFX模型,并评估了它们在单突变、双突变和更高阶突变情况下的性能。以下部分分别介绍了结合亲和力和折叠稳定性预测的结果。
结合亲和力结果
结合亲和力数据来自SKEMPIv2.0数据集(50),这是最大的公开可用数据集之一。按照方法部分中概述的预处理步骤,数据被分类为不同的子集以进行综合分析(表1)。主要的单突变集包含3696个突变,双突变集包含714个突变,这两个集合都足够大,可以支持可靠的模型训练和评估。相比之下,更高阶突变的数据较为有限:三突变子集只有299个例子,因此80:20的划分会产生大约239个训练样本和60个测试样本。因此,我们主要开发三突变模型来探究跨阶数的泛化能力,而不是作为核心预测模型。单突变+双突变(singles和doubles)和所有多突变(doubles和更高)的组合数据集分别包含4410个和1590个突变,这两个集合都足够大,可以支持基于机器学习的健壮建模。
对所有可用的突变数据进行了FoldX计算。使用自定义的Python脚本,我们从FoldX输出中提取了内部能量项并预测了自由能值(ΔΔGFoldX)。这些能量成分被用作输入特征来确定响应变量(方程4)。值得注意的是,这些特征完全来自FoldX,没有结合其他计算方法的数据或对分析的蛋白质或氨基酸的先验知识。与独立的(ΔΔG)机器学习预测器(例如STAB-DDG(55)、GearBind(56)不同,这些预测器不依赖于FoldX,以及像Prethermut(49)这样的混合方法,后者通过额外的序列或结构特征来增强FoldX,dFX被设计为一个基于神经网络的残差校正模型,它完全依赖于FoldX的内部能量项。这种公式在折叠和结合任务中一致应用,涵盖了从单突变到多突变的情况,包括跨阶数的转移和表型互作。我们强调这是一个有意的设计选择,也是这种方法的一个关键优势:它保留了广泛使用的基于物理的框架的优势,同时提供了更高的预测准确性,并且引入了有限的额外计算成本,便于集成到现有的基于FoldX的工作流程中。
接下来,我们评估了所有特征的可变性和特征间的相关性(详见支持信息中的图S1和S2)。那些在数据点和数据集之间显示无方差或接近零方差的特征被移除。结合项loop_entropy、disulfide、部分共价相互作用、cis_bond和Entropy Complex由于在突变之间的值几乎为零或接近零,限制了它们的预测效用而被移除(见图S1C),而Energy_SolvP和Energy_SolvH由于特征间的高相关性而被Energy_VdW取代。最终的数据集包含了13个结合特征(详见支持信息中的表S1)。对于结合亲和力模型,我们排除了loop_entropy、disulfide、部分共价相互作用、Entropy Complex和cis_bond。进一步使用额外的FoldX输出的分析确认,零方差特征在数据集之间保持不变。由于FoldX是一个封闭源程序,我们推测其中一些术语可能在其力场计算中只是作为无效的占位符,因此被从后续分析中排除。对于高度相关的特征,只保留了一个代表性特征;例如,Energy_SolvP和Energy_SolvH被Energy_VdW取代。
尽管ΔΔGFoldX最初被认为是一个潜在的预测因子,但由于它与响应变量有很强的相关性,可能导致目标泄露,并使模型继承FoldX自身的系统误差或数据不平衡,因此被排除。此外,因为ΔΔGFoldX是已经作为输入使用的相同FoldX能量项的线性组合,包含它会增加冗余信息并可能引入统计偏差。
使用选定的特征作为输入,我们基于深度神经网络架构构建了深度学习dFX模型来改进FoldX预测。对于结合亲和力,我们基于不同的突变类型子集训练了三个主要的dFX模型:单突变dFX模型(dFXsingles-bind)、双突变dFX模型(dFXdoubles-bind)和一般多突变dFX模型(dFXmultiples-bind)。尽管现代实践通常使用统一大小的隐藏层,但我们最终采用了类似金字塔的收缩架构,因为它在这种特定情况下获得了更好的整体性能。如表2所总结的,模型选择始终倾向于使用六个隐藏层的收缩金字塔架构(512 → 256 → 128 → 64 → 32 → 16),无论是对于单突变还是双突变的预测,这突显了该架构在数据集上的稳健性。同时,对于多突变,模型选择倾向于使用四个隐藏层的收缩金字塔架构(128 → 64 → 32 → 16)。dFX模型之间的网络架构有所不同:dFXsingles-bind和dFXdoubles-bind使用了更大的第一层,而dFXmultiples的第一层较小。这些选择表明,单突变/双突变从额外的深度中受益,而多突变则通过更紧凑的网络获得了更好的性能。
表3总结了dFX模型在主要结合亲和力和折叠稳定性数据集上的性能。对于结合亲和力预测,我们观察到所有模型的性能都有显著提升。dFXsingles-bind模型的r值提高了超过59%(见图3A中的代表性相关图),dFXdoubles-bind模型相对于FoldX提高了43%。当应用于多突变数据集时,我们的方法也取得了更高的准确性(r = 0.76),远优于FoldX(r = 0.68)。在某些情况下,一个或两个突变的ΔΔGFoldX值超过了±20 kcal/mol,这可能导致了校正前的低线性相关性。虽然我们的dFX模型在不稳定突变的错误和相关性方面始终优于FoldX(表S6),但在稳定突变方面的改进较为温和且不均衡。这表明,整体性能的提升主要来自于对大多数不稳定突变的改进建模。持续的不对称性反映了数据集的偏差(例如SKEMPI),这也在这个背景下,SHAP作为一个诊断工具,能够确定哪些FoldX术语(如熵贡献和范德华冲突惩罚)被神经网络最一致地重新加权,从而为未来工作中完善FoldX能量公式提供方向。校正的一个重要组成部分是下调极端的Energy_vdwclash和Entropy_sidec惩罚,这与FoldX因使用硬壁Lennard-Jones排斥力而产生物理上不现实的ΔΔGFoldX异常值(>±20 kcal/mol)的已知倾向一致。然而,“平滑异常值惩罚”和“捕捉依赖于上下文的误差模式”并不是互相排斥的:校正在不同能量术语组合上以非线性方式变化,而不是遵循简单的全局重缩放,这表明模型在FoldX的系统误差中学习了有结构的模式,而不仅仅是进行简单的减弱处理。这些结果表明,我们dFX模型的改进很大程度上来自于纠正FoldX预测中的极端正异常值。这一趋势与我们小组之前的发现相吻合,其中Energy_vdwclash以及backbone_vdwclash和Entropy_sidec的变异性被发现是FoldX结合不确定性的关键预测因子。(37)研究更高阶突变可以提供关于蛋白质相互作用复杂性的关键见解,并有助于更好地理解和估计上位性,即突变之间的相互作用偏离预期的加性行为。尽管我们最初使用dFXsingles-bind模型进行单突变预测,使用dFXdoubles-bind模型进行双突变预测,但上位性估计(?)取决于两者,导致它们之间的错误传播,从而降低了整体性能。图4显示了我们的dFXepistasis模型的结果,该模型是在单突变和双突变上共同训练的,以直接预测上位性。校正后的dFX预测在上位性估计方面显示出令人鼓舞的改进,与仅使用FoldX相比,r提高了85%,而FoldX假设没有上位性(即假设ΔΔG的加性),其回归斜率接近于零。相比之下,dFXepistasis的回归斜率明显更陡峭,与1:1(灰色)参考线更为吻合,表明更好地恢复了非加性效应。然而,Spearman等级相关性仅略有提高(从0.15提高到0.17),这表明皮尔逊相关性的提高部分是由于在正负尾部更好地处理了极端上位性值,而不是在整个分布上的普遍改进。因此,鉴于相对较小的测试数据集(100个双突变)和FoldX的严格加性假设,应该谨慎解释这些结果。我们强调,dFXepistasis预测的是对FoldX估计的校正,这些校正与观察到的加性偏差相关,而不是明确地对上位性的结构决定因素进行建模,准确预测整个分布上的上位性效应仍然是一个未解决的挑战。图4显示了结合亲和力的上位性预测结果。散点图显示了双突变的预测上位性(ε)与实验上位性(ε)之间的相关性。蓝色点对应于基于FoldX的ε预测,红色点对应于使用dFXepistasis模型的ε预测。高分辨率图像下载MS PowerPoint幻灯片。
上位性相互作用背后的精确机制尚未完全理解,尽管诸如突变间距离、静电相互作用和结构扰动等因素被认为是主要贡献者。(57,58) 在这种情况下,FoldX明确考虑了包括库仑相互作用、氢键和脱溶剂化在内的静电贡献,但没有明确建模之前被认为与上位性有关的其他因素,(57,58),例如长距离结构重排或突变之间的距离。在我们的案例中,对包括dFXepistasis模型(见支持信息中的图S3)在内的在多突变上训练的模型的SHAP分析反映了每个FoldX能量术语对ΔΔGFoldX校正的影响,而不是直接反映上位性的物理决定因素。然而,静电和氢键相关术语的显著影响表明,这些特征为改进FoldX估计提供了有用的信息,因此在通过我们的dFX方法塑造上位性预测中发挥了核心作用。为了评估泛化能力并进一步研究上位性效应,我们将分析扩展到包含数据的高阶突变。图5总结了dFX模型在不同突变复杂性水平上的性能。总体而言,dFX模型一致性地优于FoldX,尤其是在评估与其训练数据对应的突变阶数时。dFXsingles-bind模型对双突变表现出显著的改进,但对三重和四重突变仅显示出轻微的增益。相比之下,专门针对双突变训练的dFXdoubles-bind模型在双突变和三重突变测试中表现出最佳的整体性能,三重突变的准确率达到峰值(r = 0.79,ρ = 0.86)。然而,四重突变的增益趋于平稳。无论是三重还是四重突变,使用较低突变阶数训练的模型始终实现了最高的预测性能。这些结果表明,dFX模型能够捕捉到FoldX单独无法完全解释的高阶突变相互作用的方面,并强调了使用高阶数据训练对于准确建模上位性的重要性。我们承认,这种趋势可能反映了模型学习可转移相互作用模式的能力,或者突变类别之间存在重叠的特征表示(例如,学习到的双突变相互作用持续到更高阶)。阐明这些机制仍然是未来上位性建模工作的重要方向。图5显示了dFX结合模型在预测更高阶突变时的性能比较(左:r,右:ρ)。每个在单突变或多突变上训练的dFX模型都在其他突变阶数上进行了测试,以检验其泛化能力。高分辨率图像下载MS PowerPoint幻灯片。
我们的方法在很少有现有方法在多突变上经过严格评估的领域中脱颖而出。例如,DDAffinity(Yu等人,16)和mmCSM-PPI(Rodrigues等人,59)已在多突变上进行了评估,但通常报告的跨广泛基准的性能改进有限。此外,他们的评估通常将所有多突变归为同一类别,没有按突变阶数区分性能,因此无法判断这些方法在逐渐增加的突变复杂性上的泛化能力如何。与其他预测方法的比较受到几个限制:(1)来自SKEMPI v2.0的数据子集在不同研究中往往有很大差异;(60,61)(2)由于训练和评估数据集的重叠,可能会出现潜在的性能膨胀;(55,62,63)以及(3)数据集组成的变化意味着包含了不同的蛋白质,其中3D结构分辨率的差异可以直接影响FoldX的结果。(64)尽管不完全可比较,但讨论之前的结果有助于解释我们的发现。Dourado和Flores(39)报告了SKEMPI子集中65个不同的蛋白质-蛋白质复合物中981个单突变的适度皮尔逊相关系数(r = 0.39)。Huang等人(45)报告了177个蛋白质中2204个单突变的r = 0.47,Xiong等人(65)在114个蛋白质中实现了1131个单突变的r = 0.45。相比之下,我们的模型在保留的SKEMPI测试集(总共3696个突变中的739个)上达到了r = 0.62,这些单突变来自SKEMPI数据集中的300多种蛋白质,显示出显著的预测性能改进。最后,我们使用一个外部、广泛使用的独立基准验证了我们的结合亲和力计算方法,该基准包含了多种方法(RDE-Network、DiffAffinity和DDAffinity(16,66)的已发布结果,以便与其他机器学习方法进行比较,并测试dFX的泛化能力。这个数据集包含285个单点突变,来自涉及SARS-CoV-2 Wuhan株及其ACE2受体的深度突变扫描(DMS)实验。(67)Yu等人(16)在他们的DDAffinity方法中使用了这个数据集,使得可以与我们的dFX结果直接比较,如表4所示。我们仅使用FoldX的预测达到了r = 0.46,显著高于之前报告的FoldX性能(r = 0.39,(16,66))。我们将这种性能的提高归因于我们使用重复的RepairPDB步骤和初始结构准备的迭代最小化过程。dFXsingles-bind模型进一步提高了预测准确性,达到r = 0.61(见支持信息中的图S4)。值得注意的是,虽然相对于仅使用FoldX时皮尔逊相关性有所提高,但Spearman等级相关性在这个数据集上没有提高(见支持信息中的图S4)。SARS-285数据集的分布特征与SKEMPI显著不同:大多数突变集中在一个狭窄的正ΔΔG范围内,这与RBD上的ACE2结合约束一致,仅有少数具有较大效应的异常值。在这种情况下,皮尔逊相关性捕捉了这些异常值的改进处理,而Spearman等级相关性对密集聚集的中心区域更为敏感,在该区域方法之间的差异较小。这两个指标提供了互补的信息,依赖于单一指标可能会对这种偏斜的分布产生误导。在这个数据集上提高等级性能仍然是未来工作的一个重要方向。总体而言,dFX校正模型相对于现有的代表性方法取得了具有竞争力或更好的性能。尽管由于数据集处理和预处理的差异,直接比较仍然具有挑战性,但我们的dFX模型在预测单突变和更高阶突变的结合亲和力方面显示出明确且一致的改进。同时,我们的结果表明,该模型超越了简单的数据集特定重新校准。首先,dFX能够泛化到一个与训练数据完全独立的外部数据集(SARS-CoV-2 spike-ACE2 DMS),表明其可转移性超出了原始基准。表4显示了外部SARS-CoV-2数据集(Sars-285)上FoldX(Sars-285)、其他基于ML的方法(16)和我们的dFXsingles-bind校正模型的结果。对于数据集Sars-285,我们包含了我们的FoldX预测,而不是Liu等人(66)之前报告的预测。RDE-network、DiffAffinity和DDAffinity的皮尔逊相关值取自Yu等人(16)。我们的预测ΔΔG与实验ΔΔG值的Correlation图见支持信息中的图S4。我们还使用来自ProTherm 4.0数据库的突变数据评估了dFX模型在蛋白质折叠稳定性方面的性能。(51)实施了与结合亲和力相同的数据预处理步骤,以确保数据质量和方法学一致性。与结合情况类似,折叠术语entropy_complex、kn electrostatics、cis_bond、water bonds、loop_entropy、disulfide和partial covalent interactions被排除在外,因为FoldX对它们的赋值几乎相同,无论突变如何,使它们对预测稳定性效应毫无信息价值(见图S2C)。此外,由于Energy_SolvP和Energy_SolvH与Energy_VdW的高相关性,也将其移除。最终数据集包含11个用于折叠的特征(见支持信息中的表S1)。对于折叠稳定性模型,我们排除了water bonds、loop_entropy、kn electrostatic、partial covalent interactions、Entropy Complex、cis_bond和disulfide。在生成FoldX预测和特征提取之后,构建了一个折叠稳定性模型(dFXsingles-fold),如表3所示。如表3所示,最终的dFX模型相对于仅使用FoldX有了中等程度的改进,皮尔逊r增加了30%(见图6A)。图6B中的SHAP分析显示,熵术语(Entropy_sidec、Entropy_mainc)、范德华能量(Energy_VdW)、冲突(backbone_vdwclash、Energy_vdwclash)和氢键(SideHbond)是模型预测的主要贡献者。与结合模型类似,侧链氢键相互作用是影响预测的前六名特征之一。相比之下,折叠模型更加强调范德华能量,这对于实现最终的结构紧凑性至关重要,而结合模型则突出了主链氢键相互作用。这一模式与之前的研究一致,这些研究表明Energy_VdW、backbone_vdwclash和Entropy_sidec是FoldX折叠不确定性的主要预测因子。(37)图6显示了使用FoldX(ΔΔGFoldX)或dFXsingles-fold模型(ΔΔGdFX)预测折叠稳定性的dFX模型。(A)使用FoldX(ΔΔGFoldX)或dFXsingles-fold模型(ΔΔGdFX)的实验和预测ΔΔG值之间的相关性。(B)SHAP总结图显示了FoldX能量术语如何影响dFXsingles-fold的预测。高分辨率图像下载MS PowerPoint幻灯片。
折叠稳定性分析受到数据集规模较小和更高阶突变较少的限制,无法进行跨阶 genera lizability 分析。我们还观察到特征之间的强相关性以及几个零方差特征,导致该模型的有效预测因子较少。尽管有这些限制,dFX模型在皮尔逊r(0.35 → 0.45)和Spearman ρ(0.45 → 0.58)方面实现了显著提高,表明在线性预测准确性和排名性能上都有有意义的改进。dFX模型相比FoldX仍然取得了明显的改进,尽管通过扩展数据集和优化特征工程,可能会进一步提升性能。未来的工作可以探索纳入那些已被证明会影响FoldX预测不确定性的因素,例如总能量的变化、脯氨酸的参与度以及二级结构成分。(37)虽然我们的方法没有强制要求在蛋白质层面进行分离,但由于数据集的规模和结构,信息泄露的风险得到了缓解。单个数据集涵盖了超过300个不同的复合物,每个复合物平均有12个突变,从而限制了对任何单个系统的过拟合。像“留一复合物法”(LOCO)这样的严格交叉验证方法并不适合高阶突变数据集,因为数据存在严重的稀疏性:在双突变数据集中,77%的复合物仅有5个或更少的突变(39%仅有1个突变),而在三突变和四突变数据集中,这种稀疏性更为显著(中位数约为每个复合物2个突变)。在这些条件下,LOCO产生的测试集规模较小且统计上不稳定,使得基于相关性的评估 unreliable。这反映了当前数据集本身的局限性,而非建模框架的缺陷。相比之下,外部SARS-CoV-2基准测试集(单个保留系统中有285个突变)提供了一个更为稳健且易于解释的泛化能力评估。随着更大、更多样化的数据集的出现,可以系统性地评估更严格的蛋白质层面交叉验证策略。
dFX利用FoldX的内部能量项学习残差校正,有效地捕捉了FoldX与实验结果偏离的系统性误差。因此,该模型最适合那些FoldX能够提供合理基线但仍有不足的情况,在FoldX严重失效的情况下,其性能可能会下降。基于物理的方法,如基于Rosetta的预测器(例如Flex ddG (68)),虽然提供了更为严谨的替代方案,但计算成本显著更高。最近的深度学习和图基方法(例如DDAffinity (16), DeepPPAPredMut (20), ELASPIC2 (21), mmCSM-PPI (59))利用丰富的结构和序列特征来建模突变效应,在特定情况下常常能够获得良好的性能。然而,直接比较这些方法需要对数据集、评估指标和协议进行仔细对齐,这超出了本研究的范围。在这个领域中,dFX占据了一个互补的位置,它结合了物理衍生的特征和数据驱动的校正,实现了准确性、计算效率以及与现有FoldX工作流程的无缝集成之间的平衡。
未来的工作方向包括:SHAP分析表明FoldX系统性地高估了空间冲突的惩罚,并低估了在特定突变背景下的熵贡献,这为直接重新参数化FoldX力场(例如范德华排斥力或侧链熵项)提供了机会。(37)这样的改进可能会使得下一代经验势函数减少对事后校正的依赖。将dFX扩展到结构集合(例如MD + FoldX (31))或考虑到pH值的FoldX 5.0力场 (29),将进一步提升模型的鲁棒性和覆盖范围,特别是对于可调节的残基。加入类平衡或对称性感知的训练,以及校准的不确定性估计,也可能在稳化突变等具有挑战性的情况下提升性能。
**结论**:本研究引入了一个机器学习框架,提高了FoldX在相对结合亲和力(ΔΔGbind)和相对折叠稳定性(ΔΔGfold)方面的预测能力。dFX被明确设计为一个残差校正模型,它建立在FoldX的基础上,利用其内部能量项来识别和校正系统性的预测错误,而不是替代FoldX作为一个独立的评分函数。在特定突变顺序上训练的dFX模型不仅改进了该顺序突变的预测,还显示出对更高阶突变的泛化能力,准确度提升了高达60%。对于单突变和双突变,这些模型显著提高了结合亲和力的预测,皮尔逊相关性r值从约0.4提高到了超过0.6。在折叠稳定性方面,单突变dFX模型实现了30%的中等程度提升。这些改进也体现在表型关联预测上的提升上,dFX模型的性能几乎是单独使用FoldX时的两倍(相关性r值从0.26增加到0.48),尽管等级相关性的提升幅度较小,这表明表型关联预测仍然是一个具有挑战性的未解决的问题。当在包含SARS-CoV-2刺突蛋白与ACE2结合的单突变亲和力的外部数据集上进行评估时,我们的框架获得了r = 0.61的相关性,与现有的基于机器学习的方法相当或更优。尽管在SARS-CoV-2 ACE2数据集上的验证显示出了明显的改进,但未来需要在更多独立数据集上进行基准测试,以全面评估其在不同蛋白质系统中的性能提升和泛化能力。总体而言,我们的方法在大致相同的计算资源需求下,相对于FoldX实现了更高的准确性。除了性能提升之外,该框架还可以用于实际应用,例如为新兴病毒株或疾病相关变异体建立突变“观察列表”。我们的流程提供了一个易于使用的框架,只需使用标准的FoldX能量项,结合公开可用的dFX模型,即可无缝集成到现有的FoldX工作流程中。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号