《Advanced Science》：DyProL: Dynamic Ensemble Representation Learning for Protein–Nucleic Acid Binding Site Prediction
编辑推荐：
蛋白质-核酸相互作用在基因调控和细胞功能中发挥核心作用，大量研究工作致力于从蛋白质结构预测核酸结合位点。然而，蛋白质-核酸识别本质上是动态的，而现有的大多数计算方法依赖于单一静态构象，限制了其捕捉结合背后的构象异质性的能力。在此，研究人员提出DyProL，一种
蛋白质-核酸相互作用在基因调控和细胞功能中发挥核心作用，大量研究工作致力于从蛋白质结构预测核酸结合位点。然而，蛋白质-核酸识别本质上是动态的，而现有的大多数计算方法依赖于单一静态构象，限制了其捕捉结合背后的构象异质性的能力。在此，研究人员提出DyProL，一种基于系综的构象表示学习框架，该框架将蛋白质建模为从类平衡结构分布中采样的构象集合。DyProL通过迭代聚合构象内和构象间的几何信息来学习动态结构特征，从而能够同时表示局部结构背景和全局构象变异性。在多个基准数据集上，DyProL在核酸结合位点预测方面持续优于最先进的方法，在基于预测结构或类脱辅基结构的现实场景中优势尤为显著，而静态方法在这些场景下性能会大幅下降。这些结果确立了基于动态系综的表示方法作为基于结构的蛋白质建模的一种通用且可扩展的范式，为改进更广泛的蛋白质功能预测任务奠定了基础。
**论文解读：DyProL——基于动态构象系综的蛋白质-核酸结合位点预测框架**
**一、研究背景与问题**
蛋白质-核酸相互作用是基因调控和细胞功能的核心环节，核酸结合蛋白（NBP）在转录调控、染色质结构维持、RNA成熟、翻译及病毒基因组整合等过程中发挥关键作用。因此，准确识别蛋白质-核酸结合位点对于解析基因调控机制、注释未知蛋白质功能以及设计基因组工程、抗病毒和合成生物学策略具有重要意义。近年来，随着实验解析结构数量的快速增长和大规模结构预测资源的涌现，基于结构的计算方法已成为核酸结合位点预测的主流范式。现有的结构基方法通常将蛋白质表示为静态几何实体，包括残基级图、表面或原子点云以及三维体素网格，并通过挖掘蛋白质结构中嵌入的几何模式来实现结合位点识别。
然而，大多数现有方法隐含地假设单一静态构象足以捕捉核酸识别的结构决定因素。这一假设忽视了蛋白质的一个基本特性——蛋白质本质上是动态系统，其功能表现来源于相互转换的构象集合而非单一结构快照。这种构象异质性在蛋白质-核酸识别中尤为重要：DNA结合蛋白在配体结合时常发生诱导契合或构象选择过程，涉及结构域重排、螺旋重新定位以及围绕DNA双螺旋的大尺度变形；RNA结合蛋白则表现出更局部化和模块化的结构调节。尽管构象动力学在核酸识别中的作用已被广泛认识，但在基于学习的结合位点预测中，结构异质性的显式整合仍鲜有探索。主要障碍在于实验解析的多状态结构有限，以及缺乏可扩展的计算框架来表示构象变异性。近期生成式结构建模的进展为缓解这一约束提供了契机，一类新的深度模型能够在无需显式分子动力学模拟的情况下高效采样多样化蛋白质构象，从而为将动态系综表示纳入核酸结合位点预测提供了可行途径。
**二、研究内容与结论**
针对上述问题，研究人员提出了DyProL，一种用于蛋白质-核酸结合位点预测的动态蛋白质表示学习框架。与传统单结构建模不同，DyProL将每个蛋白质表示为从类平衡结构分布中采样的构象系综，从而捕捉与核酸识别相关的结构异质性。DyProL采用几何感知注意力机制，分层整合构象内空间特征与构象间关系模式，使模型能够在统一学习框架内同时编码结合的局部几何决定因素和跨状态结构变异性。研究人员在DNA和RNA结合位点预测基准上系统评估了DyProL，观察到其在多个数据集上相比静态结构基基线方法持续的性能提升。此外，研究还系统探究了系综构建策略，证明紧凑的代表性构象子集能够近似更广泛的构象景观并增强预测鲁棒性。
**三、主要技术方法**
研究采用了以下关键技术方法：（1）使用生成式模型BioEmu采样类平衡构象系综；（2）通过结构比对和层次聚类选择代表性构象；（3）构建多构象图表示，采用几何注意力模块进行构象内和构象间消息传递；（4）使用覆盖率和AUCC指标评估系综质量；（5）在内部构建的非冗余数据集（包含1278个DBP和1166个RBP）及公开GraphBind基准上进行训练与评估，采用蛋白质水平配对符号检验进行统计分析。
**四、研究结果**
1. **动态蛋白质表示学习框架（DyProL）**：从蛋白质序列出发，利用BioEmu采样100个构象，经结构比对和聚类筛选出12个代表性构象，通过统一的多构象几何注意力架构学习动态表示。采样系综表现出5.0–5.5 ?的平均配对Cα RMSD，反映了中等程度但功能相关的构象波动。
2. **动态表示学习提高结合位点预测性能**：在四种评估设置中，动态模型在全部数据集的AUPRC和AUROC上均达到最优。在AlphaFold预测结构评估下，DyProL相比最优静态基线在内部数据集上DBP和RBP的AUPRC分别提高6.3%和3.0%。脱辅基样构象排除分析显示，去除结合态样构象后AUPRC仅下降0.8%（DBP）和0.9%（RBP），表明性能提升主要源于跨构象信息整合而非直接接触结合态构象。
3. **最优构象系综规模确定**：100个采样构象在3?阈值下达到95.1%的平均覆盖率，12个代表性构象使预测性能达到最优，超过此数量后性能趋于平台或略有下降。
4. **构象系综质量评估**：对四种生成式方法（BioEmu、AlphaFlow、ESMFlow和ESMDiff）的比较显示，BioEmu生成系综在结构多样性和物理合理性之间达到最佳平衡，在下游预测中取得最高AUPRC。在apo NMR和MD系综上的泛化测试进一步验证了方法的适用性。
5. **IDR样/柔性区域动态表示评估**：约有半数注释结合位点位于IDR样/柔性区域。在DBP中，DyProL在IDR样/柔性区域的AUPRC显著高于静态AlphaFold模型（0.356 vs. 0.322），而非IDR样区域两者性能相近。
6. **与现有方法比较**：在GraphBind基准上，DyProL在DNA-129测试集上达到0.581的AUPRC，较最强基线EquiPNAS提升4.8%；在RNA-117测试集上达到0.331，提升5.4%。特征消融实验表明MSA特征贡献最大，PLM嵌入与MSA特征组合达到最优性能。HIV-1整合酶（1BIS_A）案例研究显示DyProL产生更空间连贯的预测，并捕获了保守催化三联体（Asp64、Asp116和Glu152）。
**五、讨论与结论**
研究讨论指出，DyProL的性能提升并非源于多结构的简单聚合，而是通过学习跨构象的连贯表示并保持残基级对应关系来实现。该方法能够解耦保守结构特征与状态特异性变异，捕捉任何单一结构中可能不存在的结合相关几何构型。DyProL被设计为表示采样结构系综中的构象变异性，而非以动力学或时间分辨方式显式建模蛋白质动态，这确保了计算可扩展性。其优势在仅具有脱辅基或预测结构的现实场景中最为显著。研究总结认为，DyProL识别了单结构范式的基本局限，建立了动态系综建模作为结构不确定性下蛋白质表示学习的原则性框架，为配体结合、变构调控和构象状态预测等更广泛的结构-功能学习问题提供了可推广的解决方案。
