ICM-MD：整合跨膜特异性特征与分子动力学导出结构，以准确预测α-螺旋跨膜同源二聚体的链间接触

《Computational Biology and Chemistry》：ICM-MD: Integrating TM-specific features and MD-derived structures for accurate prediction of inter-chain contacts in α-helical transmembrane homodimers

　　

• 跨膜蛋白特有特征 → 改进领域适配性。• 简单架构 → 证明性能提升源于数据和特征设计，而非模型复杂度。

引言

跨膜蛋白（TM）是跨越脂质双分子层的整合膜蛋白，在细胞信号传导、物质运输和结构完整性方面发挥关键作用（Johnson等人，2002）。这些蛋白中绝大多数采用α-螺旋构象，并且是药物靶点的热点（Arinaminpathy等人，2009）。通常，跨膜蛋白通过与自身或其他蛋白质相互作用来发挥功能，形成复合物以稳定其结构并执行生物学功能（White和Wimley，1999）。单次跨膜蛋白（双拓扑膜蛋白）通过非共价键进行的二聚化提供了在不稳定脂质双分子层环境中对蛋白的稳定性，其可以表现为两种形式：同源二聚化和异源二聚化（Finger等人，2009）。在跨膜同源二聚体中，复合物由两条链的结合形成，通常共享相同序列（Zhanhua等人，2005）。识别蛋白复合物中的相互作用残基对于揭示其结构从而理解其功能至关重要（Jones和Thornton，1996；Eilers等人，2002；Jones和Thornton，1997），跨膜界面的生物选择性潜力可影响生物学结局（Mishra等人，2024；Das等人，2026）。值得注意的是，错误的二聚化可能导致对细胞的有害影响，从而引发肿瘤疾病、炎症和糖尿病（Lemmon和Schlessinger，2010；Li和Li，2023）。

揭示蛋白结构是理解其功能及行为方式的关键步骤（Chothia和Lesk，1986；Petsko和Ringe，2004）。然而，核磁共振（NMR）和冷冻电子显微镜（Cryo-EM）等实验方法耗时且成本高昂，与快速高通量测序技术相比，导致已知蛋白序列与结构之间的差距不断扩大（Berman，2000；Burley等人，2019；Berman等人，2009；Bateman等人，2023）。例如，UniProt包含超过2.45亿条序列，而蛋白质数据库（PDB）中仅沉积了约22.2万个结构（Berman，2000；Bateman等人，2023）。这种差距在蛋白复合物（如跨膜同源二聚体）中更为明显，PDB中仅有极少部分可供使用。所有这些因素都促使开发准确快速的计算工具来识别跨膜二聚体中的链间残基接触，这是揭示其结构并增强对其功能理解的重要一步。

计算生物学在蛋白结构预测领域取得了重大进展，产出了与实验结构相当的高精度单体蛋白结构（Jumper等人，2021；Baek等人，2021；Senior等人，2020；Tunyasuvunakool等人，2021；Almalki和Liao，2024）。许多研究致力于单体预测，并依赖于利用从多重序列比对（MSA）中提取的共进化信号来预测接触中的残基（Marks等人，2011；Morcos等人，2011；Jones等人，2015）。预测的接触图可以大幅减少最终蛋白结构的搜索空间（Marks等人，2011；Wang等人，2017）。深度学习技术的应用彻底改变了预测过程，产出更精确的单体蛋白结构。例如，AlphaFold2（Jumper等人，2021）和RoseTTAFold（Baek等人，2021）在CASP14中取得了显著成功，以史无前例的精度预测单体结构。然而，多聚体结构的预测，特别是链间残基接触的识别，仍然是一个重大挑战，与单体结构预测所取得的进展相比明显滞后（Lin等人，2023b）。

在基于深度学习的计算方法成功预测链内残基接触的基础上，已开发了多种方法来预测二聚蛋白复合物中的链间接触（Zeng等人，2018；Evans等人，2021；Roy等人，2022）。该领域的一个重大挑战是多重序列比对（MSA）的构建。虽然对于单体蛋白而言MSA生成相对简单，但在二聚体中拼接相互作用链的序列会显著降低比对质量（Uguzzoni等人，2017），从而限制了推断进化耦合（准确接触预测所必需的能力）的能力。为克服这一局限性，许多研究优先关注同源二聚体，假设相互作用的链是相同的，从而绕过序列拼接的需要。例如，Uguzzoni等人（2017）是最早的同源寡聚蛋白界面预测研究之一，在假设每个蛋白都会形成同源寡聚体的前提下，使用单个单体序列来生成MSA。为了区分链间和链内接触，作者假设预测的残基对接触中，具有较长链内距离的为蛋白间接触。然而，某些残基可能同时参与链间和链内接触。DNCON2_inter（Roy等人，2022）通过使用相互作用链的单体结构来优化预测的接触图，克服了这一问题。该模型首先依赖于DNCON（Adhikari等人，2018）来预测链内接触，然后利用相互作用单体的真实结构来识别并移除这些接触，剩余的预测接触被认为是链间接触。

深度学习在链间接触预测中的应用已被证明优于简单的统计方法。例如，DeepHomo1（Yan和Huang，2021）将基于结构和基于序列的特征组合用作深度残差网络的输入，以预测同源二聚体中的链间残基接触。该模型已被证明显著优于简单的统计方法。Glinter（Xie和Xu，2022）使用图卷积网络（GCN）分别表示二聚体中的每条链。这种架构使模型适用于预测同源和异源二聚蛋白复合物。DeepHomo2（Lin等人，2023a）是DeepHomo1的升级版，使用相同的残差神经网络架构。除DeepHomo1使用的特征外，该模型还利用大型蛋白语言模型的最新进展，特别是ESM-MSA（Rao等人，2021），来提取残基对耦合分数。DeepHomo2在预测同源二聚体中的链间残基接触方面，表现优于DeepHomo1、Glinter以及其他基于统计和蛋白语言模型的方法。

尽管这些模型在预测二聚体中的链间接触方面取得了显著成功，但它们主要是为球状蛋白设计的，并未针对跨膜蛋白进行专门定制。跨膜蛋白存在于高度异质且动态的脂质双分子层环境中，这对精确的结构预测提出了重大挑战（Lee，2011）。跨膜二聚体结构预测的另一个主要挑战是实验解析结构的可用性有限，这阻碍了机器学习模型的有效训练。DeepTMP模型（Lin等人，2023b）是一个例外，它专门为预测跨膜同源二聚体中的链间接触而开发。该模型通过应用迁移学习的概念来克服已知跨膜结构不足的问题。模型首先在一个大型的溶解性多聚蛋白数据集上进行训练，然后将所学知识迁移到跨膜多聚体领域。DeepTMP采用了一种复杂的架构，由ResNet-Inception模块组成，随后是一个受AlphaFold2启发的三角感知模块，其中涉及三角自注意力和用于优化模型预测的过渡层。研究表明，DeepTMP在预测跨膜同源二聚体中的链间接触方面达到了最先进水平，大幅超越了上述所有模型。尽管DeepTMP取得了成功，但其依赖于从溶解性蛋白迁移学习，限制了其利用任何专门的跨膜蛋白特征的能力。此外，大型复杂的模型阻碍了其在大规模蛋白质组学应用中的可扩展性和泛化性。

使用计算方法预测蛋白接触图的进展通常遵循两种不同的方法途径。第一种是使用统计/机器学习方法，通常依赖于从多重序列比对（MSA）中提取的共进化信号。第二种方法涉及使用分子动力学（MD）模拟技术，虽然在捕捉原子级相互作用方面取得了显著成功，但通常因其高昂的计算成本和有限的可扩展性而受到批评（Dror等人，2012）。这两种方法之间的整合很少见。

在本研究中，我们首先解决蛋白质数据库（PDB）中可用跨膜二聚体结构不足的问题，这是训练机器/深度学习模型所必需的。这通过使用从分子动力学数据库中提取的结构，并将其作为真实结构的替代物来实现。需要注意的是，我们并不假设这些结构代表精确的真实值，而是作为高质量的结构代理，捕捉有限实验数据集中缺失的相互作用模式。然而，测试集仍完全使用实验数据（PDB）。其次，我们采用了专门针对跨膜蛋白的特征，这些特征在富含跨膜接触链中已知具有价值。第三，我们采用了简单的前馈神经网络，使模型简洁、可解释，并能扩展到蛋白质组学规模。与主要关注架构复杂度或从溶解性蛋白迁移学习的先前方法不同，我们的工作采用了以数据为中心的观点。我们提出，跨膜同源二聚体接触预测的主要瓶颈在于缺乏领域相关的结构监督。因此，本研究的核心贡献是使用分子动力学推导的跨膜同源二聚体结构作为替代训练数据，而跨膜特有特征和轻量级架构作为互补的设计选择。结果表明，尽管架构简单，所提出的模型在预测α-螺旋跨膜同源二聚体中的链间残基接触方面，优于最先进的方法，包括DeepHomo1、DeepHomo2、Glinter和DeepTMP，分别使用平均Top-L精确率分数提高了约42.2%、43.9%、34.6%和7.5%。

结果摘要

数据集

在开发准确的跨膜（TM）同源二聚体链间残基接触预测工具时，一个重大挑战是蛋白质数据库（PDB）中实验解析结构数量有限。为解决这一限制，我们利用通过分子动力学模拟模型生成的结构预测跨膜同源二聚体来训练我们提出的模型。具体而言，我们使用了Membranome数据库（Lomize等人，2017），该数据库包含超过6000个单次跨膜……

评估标准

精确率@L是评估链内和链间残基接触预测模型性能的广泛使用的评估指标。它通过考虑Top-L个最自信的预测接触并将其与已知蛋白结构中的真实接触进行比较，来衡量预测的残基-残基接触的准确性。精确率@L = Top-L预测中真实接触的数量 / L，其中L为蛋白长度（在我们的情况下为单链长度）。

结果与讨论

所提出的方法在从PDB数据库检索的8个α-螺旋跨膜同源二聚体实验结构集上进行了测试。结果与包括DeepHomo1、Glinter、DeepHomo2和DeepTMP在内的其他最先进模型进行了比较。使用以下精确率分数来评估这些模型在预测链间接触方面的准确性：Top-10、Top-25、Top-L/5和Top-L。

DeepHomo1的原始实现使用了一个包含4132个同源二聚复合物的较大数据集……

结论

在本研究中，我们提出了一个以数据为中心的机器学习框架，通过利用分子动力学推导的结构模型作为替代监督，解决了实验解析的跨膜同源二聚体结构稀缺的问题。所提出的模型针对可用的跨膜同源二聚体结构稀缺问题，这对于开发准确的分类器来识别链间残基接触是必需的。这是通过在分子动力学模拟二聚体的大型数据库（Membranome）上训练我们的模型来实现的……

CRediT作者贡献声明

Bander Almalki：审阅与编辑、原始草稿撰写、验证、软件、方法论、调查、正式分析、数据整理、概念化。Li Liao：审阅与编辑、监督、资源、项目管理、调查、资金获取、正式分析、概念化。

利益冲突声明

作者声明他们没有任何已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢

作者感谢毕沙大学研究生院和科学研究事务处通过快速研究支持计划对本工作的支持。本工作还部分得到了美国国家科学基金会（NSF-329 MCB1820103）和特拉华先进生物技术中心的资助支持。

Bander Almalki | Li Liao