《Journal of Chemical Information and Modeling》：The LiPP Benchmark Set for Modeling Lipid–Protein Complexes: Comparison of Co-Folding and Docking Methods
编辑推荐：
脂质-蛋白质相互作用是几乎所有细胞通路的普遍特征，对医学、制药和生物技术的进步至关重要。然而，脂质-蛋白质结合姿态的计算预测落后于蛋白质-蛋白质、蛋白质-小分子和蛋白质-核酸复合物，部分原因是缺乏包含真实结构（ground truth structures）的
脂质-蛋白质相互作用是几乎所有细胞通路的普遍特征，对医学、制药和生物技术的进步至关重要。然而，脂质-蛋白质结合姿态的计算预测落后于蛋白质-蛋白质、蛋白质-小分子和蛋白质-核酸复合物，部分原因是缺乏包含真实结构（ground truth structures）的全面数据集。在此，研究人员引入了脂质-蛋白质姿态（Lipid–Protein Poses，LiPP）基准数据集，这是一个经过整理的311个非冗余非环（nonannular）脂质-蛋白质复合物结构的数据集，涵盖了多种蛋白质折叠和脂质类型。利用LiPP，研究人员系统评估了三种基于人工智能（AI）的共折叠工具（AlphaFold 3、Chai-1、RoseTTAFold AA）、一种基于AI的对接工具（DiffDock-L）和一种基于物理学的对接工具（AutoDock Vina）在脂质-蛋白质复合物建模中的表现。不同软件生成的脂质结合姿态在物理合理性上存在差异：基于物理学的对接（AutoDock Vina）和某些AI预测器（AlphaFold 3、Chai-1）在很大程度上保持了分子内和分子间约束，而其他AI方法（DiffDock-L、RoseTTAFold AA）则频繁违反这些约束。AlphaFold 3在均方根偏差（RMSD）< 2 ?标准下表现出最高成功率（76.1%）；然而，对于训练期间未见过的结构，成功率降至47.2%。研究人员发现每种软件在生成可靠置信度指标以区分准确与不准确的脂质结合姿态方面存在显著差异。研究结果强调，在脂质大小、类别和柔性至关重要的脂质-蛋白质相互作用建模中，需要大幅改进基于AI和物理学的方法。LiPP基准数据集为探索一系列脂质-蛋白质复合物建模任务提供了新的标准化平台。LiPP突显了现代对接和共折叠方法在捕捉脂质-蛋白质相互作用特征方面的固有缺陷，并为开发下一代计算工具以推进脂质生物学研究提供了指导。
**论文解读文章**
**研究背景**
脂质是一类化学多样性的疏水或两亲性生物分子，其与蛋白质的相互作用是几乎所有细胞通路的基础，涵盖膜结构、能量代谢、信号传导、免疫调节、酶辅因子等功能。脂质-蛋白质相互作用在生物技术和医学中日益重要，例如脂质纳米颗粒药物递送、脂质疫苗佐剂以及调控脂质-蛋白质相互作用的疗法。LIPID MAPS将脂质分为八类：脂肪酸酰基类（fatty acyls）、甘油酯类（glycerolipids）、甘油磷脂类（glycerophospholipids）、鞘脂类（sphingolipids）、甾醇类（sterols）、异戊二烯类（prenols）、糖脂类（saccharolipids）和聚酮类（polyketides）。这些脂质在官能团化学、大小、极性、几何形状和柔性上差异巨大，导致脂质-蛋白质相互作用呈现高度异质性，从膜蛋白的非特异性接触到可溶性蛋白埋藏口袋中的高度特异性结合。目前，分子对接和共折叠方法在蛋白质-小分子、蛋白质-核酸等体系上表现良好，但脂质-蛋白质复合物的计算预测严重滞后。主要问题包括：缺乏经过精心整理的高质量脂质-蛋白质真实结构数据集；现有算法多针对小分子优化，在脂质分子（如长烷基链、柔性大）上的适用性未知；且缺乏系统性的基准评估。因此，研究人员旨在构建一个标准化的脂质-蛋白质复合物基准数据集，并系统评估当前主流对接与共折叠工具在该领域的性能，以指导未来方法改进。
**研究概述**
研究人员创建了脂质-蛋白质姿态基准数据集（Lipid–Protein Poses benchmark，LiPP），包含311个非冗余非环（nonannular）脂质-蛋白质复合物高分辨率晶体结构（分辨率优于2 ?），覆盖LIPID MAPS全部八类脂质和多种蛋白质功能类别（如酶、免疫受体、膜蛋白、信号受体、脂质转运蛋白）。基于LiPP，研究人员评估了五种开源工具：三种AI共折叠方法（AlphaFold 3、Chai-1、RoseTTAFold AA）、一种AI对接方法（DiffDock-L）和一种物理学对接方法（AutoDock Vina）。结论显示：AlphaFold 3在RMSD < 2 ?标准下整体成功率最高（76.1%），但训练集外结构成功率降至47.2%；所有方法在物理合理性上存在差异，RoseTTAFold AA频繁违反分子间约束；当同时要求RMSD < 2 ?和通过物理有效性测试（PoseBusters valid）时，AlphaFold 3（64.3%）和AutoDock Vina（45.9%）表现相近，而其他AI方法显著下降。研究强调，当前方法对脂质-蛋白质相互作用建模仍远未完美，尤其在脂质大小、类别和柔性方面存在显著挑战。该论文发表在《Journal of Chemical Information and Modeling》。
**主要关键技术方法**
1. **基准数据集构建**：从BioDolphin数据库（v1.1）中筛选脂质-蛋白质复合物，过滤标准包括：X射线晶体结构分辨率优于2 ?、无未知原子类型或非标准氨基酸、脂质通过RDKit清洁测试且不与蛋白质形成共价键、最小脂质-蛋白质距离在0.2–5 ?之间、去除生物组装中对称配体干扰、通过DIAMOND算法以90%序列同一性聚类去冗余，最后人工审核。最终获得311个非环脂质-蛋白质对，其中36个后于2021年10月1日发布的结构作为独立测试集（LiPP test set）。
2. **建模工具评估**：分别对五种软件使用默认参数运行。共折叠方法（AlphaFold 3、Chai-1、RoseTTAFold AA）输入蛋白质氨基酸序列和脂质标识（SMILES或CCD ID）；对接方法（AutoDock Vina、DiffDock-L）输入蛋白质和脂质的实验原子坐标。AutoDock Vina使用实验结合口袋定位，DiffDock-L不使用预定义口袋。所有计算在佐治亚理工学院PACE Phoenix高性能计算集群上完成。
3. **物理合理性检验**：采用PoseBusters测试套件评估生成模型的化学有效性、分子内有效性和分子间有效性。
4. **结构比较**：使用对称校正的RMSD（spyRMSD）比较预测的脂质姿态与实验结构，以小于2 ?、2.5 ?、3 ?的RMSD阈值定义成功预测。同时计算蛋白质结构的TM-score和RMSD评分。
5. **评分能力评估**：分析各软件内部置信度指标（ipTM、inter-PAE、置信度分数、亲和力分数）与脂质RMSD的相关性。
**研究结果**
**结果1：LiPP基准数据集的构建**
研究人员通过多步严格过滤从BioDolphin数据库中得到331个非冗余非环脂质-蛋白质复合物（其中36个作为测试集），覆盖全部八类脂质（脂肪酸酰基、甾醇、聚酮、异戊二烯最丰富），脂质分子量88–1229 Da，蛋白质序列长度107–856残基，功能类别包括酶、免疫受体、膜蛋白等。该数据集优先保证结构质量和一致性，虽未完全覆盖脂质-蛋白质相互作用组，但为基准测试提供了有价值的资源。
**结果2：脂质-蛋白质复合物模型的物理合理性**
使用PoseBusters测试套件评估所有生成模型：所有软件均能生成化学有效结构，但部分工具违反分子内/分子间约束。RoseTTAFold AA频繁失败于最小配体-蛋白质距离测试；AI方法（尤其是DiffDock-L和RoseTTAFold AA）常出现双键立体化学和四面体手性错误。AutoDock Vina、AlphaFold 3和Chai-1保持较高物理合理性。结果表明，下游分析前必须评估模型的物理合理性。
**结果3：现代计算方法远未完美**
以RMSD < 2 ?为成功标准，AlphaFold 3（76.1%）和Chai-1（60.7%）优于DiffDock-L（46.8%）、AutoDock Vina（47.7%）和RoseTTAFold AA（37.1%）。当同时要求物理有效性（PB-valid）时，成功率显著下降：AlphaFold 3为64.3%，AutoDock Vina为45.9%，其他AI方法更低。按脂质分子量分组，200–600 Da范围内各方法表现稳定，大于600 Da的脂质对对接方法（AutoDock Vina、DiffDock-L）尤为挑战。按脂质类别分组，甘油磷脂对所有方法均较难预测，而甾醇、脂肪酸酰基等类小分子脂质平均准确度更高。以CD1d-C8PhF鞘脂抗原为例，AlphaFold 3、Chai-1、DiffDock-L正确放置脂质，而RoseTTAFold AA和AutoDock Vina翻转了脂质方向。
**结果4：训练截止前后结构性能对比**
对仅包含36个训练集外结构的LiPP测试集，所有方法成功率下降。AlphaFold 3（47.2%）仍最高，其次为Chai-1（36.1%）、AutoDock Vina（30.5%）、DiffDock-L（30.5%）、RoseTTAFold AA（11.1%）。当结合物理有效性要求时，AlphaFold 3（25%）与AutoDock Vina（30.5%）表现接近，其他AI方法更低。通过蛋白质折叠相似性（ProteinCartography聚类）和脂质化学相似性（Tanimoto系数）分析，测试集与预截止集在蛋白质折叠上大致可比，但脂质相似性因蛋白质簇而异。高脂质相似性并不保证准确预测，提示预测性能可能更依赖于结合口袋的结构约束性。
**结果5：模型置信度与评分指标的判别能力**
分析各软件内部评分与脂质RMSD的相关性：AlphaFold 3的ipTM分数高（>0.8）时仍可能产生不准确姿态；Chai-1的ipTM分数分布更均匀，高低分数与准确度有一定关联但非完美；RoseTTAFold AA的inter-PAE分数与RMSD强相关，得分<5预示成功，>10预示失败；DiffDock-L的置信度分数与脂质准确度对应差；AutoDock Vina的亲和力分数与预测质量强相关（<-10 kcal/mol对应准确姿态）。结果表明，RoseTTAFold AA和AutoDock Vina判别能力最强，DiffDock-L最弱。
**结果6：结构预测方法中的蛋白质预测误差**
三种共折叠方法对蛋白质单体预测高度准确（TM-score下四分位数>0.9），但RoseTTAFold AA和Chai-1存在少量低TM-score异常值。即使在蛋白质预测准确的情况下，脂质RMSD变化范围仍然很大，表明脂质姿态预测失败主要源于共折叠方法难以准确捕捉脂质的相对位置，而非蛋白质折叠错误。
**讨论与结论**
讨论部分指出：LiPP为首个系统评估脂质-蛋白质复合物建模的标准基准集。AI共折叠方法（AlphaFold 3、Chai-1）在常规RMSD评估中表现优越，但考虑物理有效性后优势缩小，物理学方法（AutoDock Vina）在分布外数据上更稳健。所有测试工具对脂质-蛋白质相互作用的捕捉能力有限，尤其对大而柔性的脂质（如甘油磷脂）挑战巨大。脂质结合界面可能缺乏刚性的、定义明确的口袋，导致特异性较弱。置信度指标与预测准确度相关性因方法而异；共折叠方法有时生成物理上不合理的结构，建议结合物理学精炼（如能量最小化或分子动力学模拟）。最后，研究人员指出未来需要：1) 深入理解脂质-蛋白质结合机制以融入模型；2) 使用脂质特异性数据训练/微调AI或物理学方法；3) 开发能捕捉动态相互作用过程的模型。
**研究结论翻译**
分子对接和结构预测的最新进展使配体-蛋白质结构的准确建模成为可能，但由于缺乏针对这些复杂分子的经过验证的方法，研究脂质-蛋白质系统仍然困难。大多数对接工具针对小分子而非脂质进行了优化，脂质独特的结构对其适用性构成挑战。在本研究中，研究人员创建了LiPP，这是一个新的高质量脂质-蛋白质晶体结构的标准基准数据集，用于系统评估当前对接和结构预测方法在脂质-蛋白质复合物建模中的表现。研究结果表明，当前的配体-蛋白质建模方法，即使是那些基于在多样化生物分子上训练的基础模型的方法，也仅部分适用于预测大多数脂质-蛋白质复合物结构。这些发现强调，脂质-蛋白质系统的准确建模仍是一项重大挑战。脂质-蛋白质复合物的结合模式和机制可能与小分子-蛋白质相互作用存在显著差异，凸显了未来需要努力描绘脂质-蛋白质结合独特特征的必要性。建模方法的进步对于捕捉脂质-蛋白质相互作用的独特结构特征至关重要。
