《Journal of Chemical Information and Modeling》：ORIGAMI: Orientation-Aware Graph Neural Network for Assessing Multimeric Interfaces of Protein Complex Structures
编辑推荐：
基于深度学习的蛋白质结构预测方法已经导致了计算结构生物学的范式转变，然而可靠地评估计算预测的多聚体结构质量仍然具有挑战性。近期方法展示了使用图神经网络（Graph Neural Network, GNN）评估蛋白质复合物多聚体界面的优势，但忽略了三维蛋白质构象
基于深度学习的蛋白质结构预测方法已经导致了计算结构生物学的范式转变，然而可靠地评估计算预测的多聚体结构质量仍然具有挑战性。近期方法展示了使用图神经网络（Graph Neural Network, GNN）评估蛋白质复合物多聚体界面的优势，但忽略了三维蛋白质构象空间中自然发生的几何方向特征，且仅作用于标量权重。研究人员提出了ORIGAMI，一种面向方向的图神经网络，用于评估蛋白质复合物结构的多聚体界面，该网络利用标量和三维向量节点表示，执行对称感知的几何操作，同时保持SO(3)-等变性（SO(3)-equivariance），捕捉蛋白质-蛋白质界面间残基的细粒度方向关系，以估计界面局部距离差异测试（interface Local Distance Difference Test, iLDDT）分数。在来自多轮蛋白质结构预测关键评估（Critical Assessment of Structure Prediction, CASP）挑战的目标上测试，ORIGAMI在多个界面质量评估基准中实现了优越性能，特别是在扩展的CASP16界面级评估以及与非等变和等变图神经网络基线的受控比较中，取得了显著提升。尽管仅训练用于估计无叠加的iLDDT分数，但ORIGAMI通过高保真度再现基于叠加的DockQ分数，展示了稳健的跨度量泛化能力。ORIGAMI可在https://github.com/Bhattacharya-Lab/ORIGAMI自由获取。
**研究背景与问题**
蛋白质在生物功能中发挥核心作用，从结构支撑到酶催化，使其成为治疗应用的关键。深度学习方法（如AlphaFold3、RFDiffusion、Boltz-2）在结构预测领域取得突破，但多聚体复合物中蛋白质-蛋白质相互作用的质量评估仍然面临挑战。现有方法主要分为三类：基于生物物理的方法（如分子动力学模拟、力场方法）、基于统计的方法（如知识打分函数）和基于机器学习的方法（如图神经网络、Transformer）。然而，当前方法存在两个关键局限：第一，多数方法依赖标量残基或接触表示，无法显式建模方向依赖的界面几何；第二，多数方法以叠加度量（如DockQ）作为训练标签，需要与天然结构对齐，可能引入界面特异性的偏差。因此，亟需开发一种能够捕捉方向几何特征、且无需叠加的评估方法。研究人员提出ORIGAMI，一种面向方向的图神经网络，首次以无叠加的界面局部距离差异测试（iLDDT）分数为标签，评估多聚体蛋白复合物界面质量。
**研究内容与结论**
研究人员构建了ORIGAMI框架，通过定向权重感知器（Directed Weight Perceptron, DWP）和SO(3)-等变消息传递，在残基局部坐标系中处理标量-向量特征，输出全局iLDDT分数。在CASP15和CASP16数据集上评估，ORIGAMI在多个指标（Pearson相关系数、Spearman相关系数、平均绝对误差）上优于VoroIF-GNN、DProQA、DeepRank-GNN-ESM等基线方法，并在CASP16单模型EMA组对比中取得最高AUC（0.930）和最低排名损失。此外，ORIGAMI在1BRS barnase-barstar复合物的分子动力学轨迹中，能动态捕捉界面亚态转变，与接触保存分数高度相关（ρ=0.64）。该研究发表在《Journal of Chemical Information and Modeling》。
**主要技术方法概述**
ORIGAMI采用以下关键技术：1）空间k-最近邻界面图构建：以24 ?截断半径提取界面残基，对每个残基选取40个最近邻（k=40）建立图，节点数为界面残基数，边数为残基间连接；2）标量-向量节点与边特征化：节点特征包括33维标量（氨基酸身份、二级结构、溶剂可及性等）和3×3向量（局部主链/侧链方向），边特征包括34维标量（残基间距离、序列分离等）和1×3向量（归一化位移向量）；3）定向权重感知器（DWP）层：包含点积、叉积、线性向量变换和标量到向量提升四种几何算子，结合非线性调制和标量-向量交互模块，实现SO(3)-等变；4）等变消息传递协议：在残基局部坐标系（由主链原子构建）中执行所有向量操作，确保全局刚性变换下的严格等变性；5）训练目标：结合Huber回归损失和成对排序损失，优化iLDDT分数预测；6）数据集来源：Voro-CASP（来自CASP13/14的1,541个目标，20,703个模型）、CASP15（24个二聚体目标，5,264个模型）和CASP16（39个多聚体目标，60,314个模型-界面实例）。
**研究结果**
**3.1 在CASP16数据集上的性能评估**
**3.1.1 39个CASP16多聚体目标的界面级评估**：通过对所有模型-界面实例进行全局池化分析，ORIGAMI在iLDDT和DockQ评估下均获得最佳Pearson相关系数（0.527/0.455）、Spearman相关系数（0.471/0.449）和最低MAE（0.155/0.158），优于VoroIF-GNN、DProQA和DeepRank-GNN-ESM。逐目标和逐界面分析显示，ORIGAMI的平均Spearman相关系数（iLDDT: 0.356±0.266; DockQ: 0.322±0.248）也最高，且分布更稳定。
**3.1.2 对AlphaFold生成的CASP16模型的泛化能力**：在CASP16 AlphaFold2和AlphaFold3模型上评估模型选择性能，ORIGAMI在iLDDT和DockQ下的平均排名损失最低（AF2: 0.023/0.024; AF3: 0.021/0.025），表明其能泛化到训练分布之外的模型。
**3.1.3 与CASP16顶级单模型EMA组的比较**：在12个共有二聚体目标上，ORIGAMI获得最高的iLDDT Pearson相关系数（0.778）和DockQ Pearson相关系数（0.729），以及最低MAE（0.174/0.191）。ROC曲线分析显示，ORIGAMI在iLDDT和DockQ下均取得最高AUC（0.930/0.925），优于AF_unmasked、VifChartreuseJaune等。
**3.2 在CASP15数据集上的性能**：在24个二聚体目标和5,264个模型上，ORIGAMI在Top-5命中率（0.917）上最高，优于Guijunlab-RocketX（0.875）和VoroIFGNN（0.875），在Top-1和Top-10中也处于前列。
**3.3 蛋白质-蛋白质界面动力学案例研究**：对1BRS复合物的300 ns GROMACS分子动力学轨迹分析，ORIGAMI分数在125 ns界面亚态转变点后从0.425降至0.292，与接触保存分数（0.892→0.737）变化一致，Spearman相关系数为0.64，表明其能敏感捕捉动态界面重排。
**3.4 消融研究**：在VoroIFGNN测试集上，ORIGAMI（r=0.640, ρ=0.620, MAE=0.173）优于SE(3)-Transformer（0.488/0.457/0.203）、EGNN（0.536/0.534/0.190）和Equiformer（0.337/0.341/0.234），证明定向权重和叉积滤波器的有效性。消息传递方案中，GNN_SVP（图神经网络与标量-向量感知器组合）表现最佳；最近邻图构建中，固定k=40最优（r=0.638, ρ=0.618, MAE=0.172），自适应k策略效果较差。
**讨论与结论**
总结讨论部分：ORIGAMI通过方向感知几何操作捕捉蛋白质-蛋白质界面的细粒度方向关系，在多个基准上取得竞争性或优越性能，尤其CASP16界面级评估和与等变/非等变基线的比较中表现突出。尽管仅训练于无叠加的iLDDT，但能高保真再现DockQ分数，表明跨度量泛化能力。在1BRS分子动力学轨迹中，ORIGAMI能跟踪界面亚态转变，显示对动态界面重排的敏感性。未来可扩展至动态集合、异质化学介质（水分子、金属离子、配体）和大型组装体。
翻译研究结论部分：研究人员提出了ORIGAMI，一种面向方向的图神经网络，用于蛋白质复合物质量评估，利用SO(3)-等变几何操作捕捉蛋白质-蛋白质界面的细粒度方向关系。通过引入超越标量表示的方向信息，ORIGAMI有效学习了区分高质量多聚体模型与错误预测的复杂几何特征。全面评估表明，ORIGAMI在多个界面质量评估基准上达到竞争性或优越性能，尤其在扩展的CASP16界面级评估以及与等变和非等变图神经网络基线的受控比较中取得了显著提升。尽管训练用于估计无叠加的iLDDT分数，ORIGAMI还通过高保真度再现基于叠加的DockQ分数，展示了稳健的跨度量泛化能力。此外，在1BRS barnase-barstar复合物的300 ns GROMACS分子动力学轨迹上的评估表明，ORIGAMI能跟随已报道的界面亚态转变，并与随时间变化的界面接触保存相关，提示其对动态蛋白质-蛋白质界面重排的敏感性。未来扩展可纳入额外几何描述符或将架构适配于相关任务，如蛋白质-蛋白质对接打分或界面设计验证。其他方向包括扩展至更广泛的动态集合、异质化学介质（如水分子、金属离子和配体）以及长程变构或多体效应可能影响界面质量的大型组装体。
