《ACS Physical Chemistry Au》：Learning Protein–Protein Binding Free Energies from Interface Graphs and Physicochemical Descriptors
编辑推荐：
从结构预测蛋白质-蛋白质结合自由能（ΔG）仍然是计算生物物理学中的核心挑战。在此，研究人员提出了GULP（基于图的蛋白质结合统一学习），这是一种图神经网络（GNN），它联合学习结合界面的残基级图表示和全局物理化学描述符。研究人员通过比较完整训练集与富集极端亲和
从结构预测蛋白质-蛋白质结合自由能（ΔG）仍然是计算生物物理学中的核心挑战。在此，研究人员提出了GULP（基于图的蛋白质结合统一学习），这是一种图神经网络（GNN），它联合学习结合界面的残基级图表示和全局物理化学描述符。研究人员通过比较完整训练集与富集极端亲和力复合物的平衡子集，系统研究了训练数据分布如何影响模型性能。GULP计算效率高，并能提供对残基级和物理化学贡献的可解释性见解。在外部验证中，GULP实现了2.31 kcal/mol的平均绝对误差（MAE），并与实验ΔG值表现出中等相关性（Pearson r = 0.54，Spearman ρ = 0.58）。
蛋白质-蛋白质相互作用（PPI）是几乎所有细胞过程的基础，包括信号转导、免疫识别、代谢调控和疾病发病机制。准确预测PPI结合亲和力在治疗性抗体设计、药物发现和蛋白质工程中具有广泛应用。尽管等温滴定量热法和表面等离子体共振等实验技术可以高精度测量结合亲和力，但它们成本高且通量低，这推动了计算方法的开发。基于物理的方法如自由能扰动（FEP）和分子力学广义Born表面积（MM-GBSA）依赖于分子动力学模拟，计算成本高昂。统计和机器学习（ML）方法作为更快的替代方案出现，但现有模型往往分为两类，各有显著局限：第一类严重依赖基于物理的能量函数描述符（如Rosetta评分项），需要复杂的预处理流程；第二类为在大型数据集上训练的数据驱动深度学习模型，虽能捕捉复杂结构模式但可解释性低且易过拟合噪声。此外，现有PPI结合亲和力数据集存在强烈分布偏差，大多数复合物聚集在中等结合强度附近，这种不平衡可能导致模型偏向预测平均值，限制了准确捕捉极端结合物的能力。结构冗余也会导致性能估计过于乐观。
为解决这些问题，研究人员提出了GULP（Graph-based Unified Learning for Protein binding），一种联合学习残基层级界面图和全局物理化学描述符的图神经网络（GNN）框架。研究得出以下结论：GULP在外部验证中实现了2.31 kcal/mol的平均绝对误差（MAE），与实验ΔG值的Pearson r为0.54、Spearman ρ为0.58，优于基于物理的PRODIGY方法；训练数据分布对极端亲和力复合物的预测有显著影响，平衡采样可改善极端结合预测但会降低中等亲和力区域的稳定性；归因分析表明界面残基和物理化学描述符（如界面接触IC、埋藏表面积BSA、盐桥数量SB等）对预测贡献最大；模型在优化酶-抑制剂复合物、溶液NMR结构、依赖质子化状态的复合物及变构调控复合物上存在系统性误差。该研究的重要意义在于证明可解释模型在现实条件下能够实现有竞争力的性能，并指出当前限制更多来自数据集组成而非模型容量。论文发表在《ACS Physical Chemistry Au》。
研究人员开展研究主要采用以下关键技术方法：从PPB-Affinity数据库（样本队列来源）中筛选高质量二聚体PPI复合物，经过结构质量过滤（去除缺失残基>20%、卷曲含量>70%及含非标准配体/辅因子的结构）后得到训练集（n=517）和外部测试集（n=98）；构建残基层级图（将残基按结合界面、附近非界面表面NIS shell、远端非界面表面NIS distal分区编码），并提取7个全局物理化学描述符（界面氢键数、原子接触数、盐桥数、埋藏表面积、NIS组成等）；采用GNN框架（2个图卷积层加小型多层感知机）联合学习图结构和描述符特征；通过集成梯度（Integrated Gradients）进行归因分析；使用随机分割和基于序列相似性（Smith-Waterman评分）的聚类交叉验证评估模型。
研究结果：
1. 模型性能评估：通过随机分割和不同序列相似性阈值（τ=0.3–0.6）的聚类交叉验证，发现随机分割产生最高性能，而随着序列相似性阈值更严格，GULP性能逐渐下降，但始终优于单一物理化学描述符（Pearson r=0.38 vs 0.26），表明模型学到了可迁移的结构模式。在外部测试集上，GULP在高相似性区域（r=0.54，RMSE=3.04）优于PRODIGY（r=0.15，RMSE=3.68），在中低相似性区域仍保持中等预测相关性。
2. 训练数据分布影响：将全数据集训练模型与平衡数据集（n=202，富集极端亲和力复合物）训练模型比较，发现平衡模型在极端结合物（如1BRS、2PSM、6KBR）上误差降低>2 kcal/mol，但在中等亲和力区域（ΔG≈-7至-11 kcal/mol）性能下降更明显，表明分布平衡与数据集大小之间存在权衡。
3. 消融分析：通过训练不同物理化学特征子集的GNN模型，发现仅使用GNN嵌入时性能最弱（r=0.37），加入部分描述符提升至r=0.42–0.46，全部7个描述符达到最佳，说明每个描述符都贡献有用信息。
4. 归因分析：利用集成梯度分析，发现界面残基贡献最大，其次是附近NIS残留物，远端残留物贡献较小；残基级别特征中，氨基酸类别（极性/非极性）和特定氨基酸（丝氨酸、亮氨酸、丙氨酸）贡献最强；物理化学特征中，界面接触（IC）和NIS组成（带电残基%、非极性残基%）是主要决定因素，埋藏表面积（BSA）和盐桥数（SB）贡献中等，氢键数（HB）贡献较小。
5. 系统性误差分析：预测误差较大的复合物聚集于几类相互作用：高度优化的抑制剂-酶复合物（如胰蛋白酶/BPTI样系统、BLIP-I/TEM-1 β-内酰胺酶），其亲和力依赖精确原子堆积和形状互补性；溶液NMR结构（如6IVU），静态图表示无法捕捉系综平均相互作用；依赖质子化状态的复合物（如催乳素受体复合物），表明缺失质子化效应；变构调控复合物（如4A49），结合与磷酸化诱导的构象激活耦合。
总结讨论部分，研究人员指出当前限制主要来自数据层面：实验测量复合物数量有限，强结合物（?5 kcal/mol）稀疏分布，限制了模型区分能力；实验测量噪声和不同相互作用类型混合可能掩盖模式；模型限于二聚体复合物，无法应用于多聚体系统。研究结论翻译如下：研究人员证明，在现实条件下评估，可解释模型可以实现有竞争力的性能。重要的是，研究人员的发现表明，当前结合亲和力预测的限制更多是由数据集组成（尤其是结合亲和力的不均匀分布）驱动，而非模型容量。未来的改进可能依赖于分布感知的数据整理和更信息化的表示，而非仅仅增加模型复杂度。
