《Frontiers in Bioinformatics》:DBP-CanPred: a machine learning model for predicting cancer-causing mutations in DNA-binding proteins
编辑推荐:
引言:转录调控、染色质组织和基因组维持等基础细胞过程受DNA结合蛋白(DBP)调控。DBP中的突变可改变蛋白质-DNA相互作用,导致肿瘤发生。然而,由于实验方法的局限性,识别此类驱动突变仍是一项重大挑战。方法:研究人员训练了机器学习模型DBP-CanPred以
引言:转录调控、染色质组织和基因组维持等基础细胞过程受DNA结合蛋白(DBP)调控。DBP中的突变可改变蛋白质-DNA相互作用,导致肿瘤发生。然而,由于实验方法的局限性,识别此类驱动突变仍是一项重大挑战。方法:研究人员训练了机器学习模型DBP-CanPred以识别DBP中的驱动突变,使用了序列衍生的演化特征以及基于结构的特征(如突变扰动的结构描述符)。结果:研究人员使用精选测试集评估DBP-CanPred,获得0.86的AU-ROC和0.79的平衡准确率;基于替换类型的进一步分析显示不同类别性能一致,尤其在带电残基上表现更高;在独立数据集上应用该模型并以高置信度分数识别出潜在驱动突变。讨论:该研究有助于理解DNA结合蛋白中的突变模式,并支持癌症研究中的变异解读。
研究背景与立项依据
生物过程如基因表达调控、DNA复制修复与染色质组织依赖DNA结合蛋白(DNA-binding protein,DBP)与DNA的特异及非特异相互作用,此类相互作用由螺旋-转角-螺旋、同源域、亮氨酸拉链及锌指等演化保守结构模体介导。DBP中位于DNA结合界面或识别域的错义突变可削弱结合亲和力、损害序列特异性或引发异常靶标识别,进而驱动肿瘤发生;TP53、FOXA1、POLE、MAX、CTCF、STAT3、SMARCA4等蛋白的实例已证实该机制。现有变异效应预测方法(如SIFT4G、PolyPhen-2、CADD、AlphaMissense、ESM1b等)在跨基因与蛋白家族时性能异质,且DBP在通用训练集中代表性不足,缺乏针对DBP的上下文特异模型,因此研究人员开展DBP专属的驱动突变预测研究,论文发表于《Frontiers in Bioinformatics》。
主要关键技术方法
研究人员从COSMIC v97获取癌症错义突变,自UniProtKB筛选DBP,保留在≥3个独立肿瘤样本中复现且未见于gnomAD的突变为驱动集;中性突变取自ClinVar、dbSNP、HuVarBase、dbCPM并互斥去重;用CD-HIT以20%序列同一性去冗余,按蛋白级别划分训练/测试集防泄漏;结构映射采用AlphaFold库(pLDDT≥60)。特征提取涵盖序列端(AACon保守性评分、PSI-BLAST的PSSM、IUPred2A无序倾向、替换矩阵得分)与结构端(5 ?内物化属性z-score、FreeSASA溶剂可及性、DSSP二级结构、突变诱导疏水性/电荷/体积偏移ΔHshift/ΔCshift/ΔVshift及相互作用变化ΔIt),共127维经前向选择缩至31维;分类器选用CatBoost,超参由Optuna优化,分层5折交叉验证以AU-ROC导向。
研究结果
3.1 数据集整理与突变分布
经复发过滤、gnomAD种系剔除、AlphaFold映射与CD-HIT去冗,获非冗余集7140突变(4095驱动/3045中性)跨578蛋白;蛋白-DNA界面(3.5 ?/6 ?)驱动突变富集优势比3.37/3.28,结构接触重叠界面优势比2.40/2.23,DNA结合域优势比1.21,域重叠接触1.54;替换类型上驱动突变偏极性带电残基间替换(PolC→PolC、PolC→PolU),中性突变偏疏水-疏水与极性不带电替换,且驱动突变位点接触数更高。
3.2 模型性能
31特征CatBoost在训练集CV AU-ROC均值0.76,测试集AU-ROC 0.86、平衡准确率0.79(敏感0.85/特异0.73/F1 0.77);双阈值(<0.46中性,>0.60驱动)下置信子集覆盖77%,整体AU-ROC 0.83。
3.3 模型解释与消融分析
SHAP显示序列演化特征(保守性、PSSM)主导推驱预测,替换矩阵趋中性,物化与二级结构扰动补强;消融测试中去除保守性致ΔAU-ROC≈0.118最大,PSSM≈0.084,替换矩阵≈0.059,二级结构与突变扰动分别≈0.056/0.047,全序列表征移除降0.23、全结构移除降0.05。
3.4 与现有方法比较
在测试集上DBP-CanPred平衡准确率0.79优于多数通用工具(PolyPhen-2 0.63、MetaSVM 0.56、CADD 0.50、SIFT4G 0.67、ESM1b 0.73、MutFormer 0.37),与PrimateAI(0.78)、AlphaMissense(0.78)、PHACTboost(0.74)相当但敏感-特异更均衡;在AlphaMissense判为不确定的子集上DBP-CanPred仍达平衡准确率0.72、AU-ROC 0.77,反向AlphaMissense仅0.66/0.71。
3.5 不同替换类别下的比较
按替换化学类分层,DBP-CanPred在PolU→PolC(0.80)、Hy→PolU(0.82)、PolC→PolC(0.84)、PolU→Hy(0.83)最高,Hy→PolC 0.79、Hy→Hy 0.75,PolC→PolU 0.70、PolC→Hy 0.72,各类均优于或持平对照。
3.6 高频与低频突变基因上的性能
测试集中高频突变基因(>20突变)驱动495/中性793,平衡准确率0.79;罕见基因(1–20)驱动22/中性23,平衡准确率0.70,表明复发模式助益判别但模型在低频仍具适用性。
3.7 不同复发频次突变上的性能
按独立肿瘤样本复发数分层,驱动突变集原以≥3次为入准,模型在置信子集对各频次级均保持AU-ROC一致趋势,未见频次偏向失效。
讨论与结论翻译
讨论指出,现有变异效应预测工具因DBP在训练数据中被低估且缺乏界面/结构上下文而受限;DBP-CanPred通过融合序列演化约束与AlphaFold结构扰动描述符,在蛋白级别划分下避免泄漏,其上下文特异设计弥补了通用模型对带电残基与DNA界面突变的捕捉短板。结论:DBP-CanPred能准确预测DBP中的驱动错义突变,支持癌症研究中变异解读,并为理解DBP突变模式提供计算框架。