《Diabetologia》：The GPCRVP score reliably predicts the impact of GLP1R human variants on receptor function
编辑推荐：
**摘要**
**目的/假说** 胰高血糖素样肽-1受体（GLP1R）是葡萄糖稳态和体重的重要调节因子，同时也是2型糖尿病和肥胖症的主要治疗靶点。个体疾病风险和治疗反应可能因GLP1R基因中存在的错义变异（MVs）而存在显著差异，但准确预测G蛋白偶联受体（G
**摘要**
**目的/假说** 胰高血糖素样肽-1受体（GLP1R）是葡萄糖稳态和体重的重要调节因子，同时也是2型糖尿病和肥胖症的主要治疗靶点。个体疾病风险和治疗反应可能因GLP1R基因中存在的错义变异（MVs）而存在显著差异，但准确预测G蛋白偶联受体（GPCR）中MVs的影响仍然具有挑战性。本研究旨在生成一种可靠且针对GPCR定制的MVs影响预测器，适用于精准医学。
**方法** 研究人员通过结合分子动力学（MD）模拟与现有的基于机器学习/人工智能的模型（AlphaMissense和REVEL），开发了一种GPCR变异影响预测器（GPCRVP评分），以显著提高现有模型的预测性能。利用野生型和突变型GLP1R复合物的MD模拟来提取GPCR特异的结构和动态特征，这些特征可捕获膜环境、变构通讯以及突变诱导的接触重排。这些描述符与现有的变异效应预测器（AlphaMissense和REVEL）整合，并在58个经实验表征的GLP1R变异上训练，以开发GPCRVP——一种GPCR特异的变异预测器。
**结果** GPCRVP预测器与实验数据表现出高度一致性，并在独立验证数据集上展现出稳健性能。值得注意的是，与AlphaMissense相比，在验证集中其假阳性预测显著减少（约78%），表明特异性和可靠性得到提高。对所有已知人类GLP1R MVs（训练集和验证集之外的174个）生成结构模型，构建了一个展示所有GLP1R MVs预测影响的综合资源。
**结论/解释** 这些发现确立了GPCRVP评分作为GLP1R MVs的GPCR特异且可靠的预测器，无需耗时耗钱的实验数据生成，即可能对临床决策具有重大意义。
**图形摘要** *（图形摘要内容与上述摘要重复，此处省略）*
**GLP1R变异功能预测：从通用模型到GPCR特异性评分系统GPCRVP的建立与验证**
**一、研究背景与问题提出**
胰高血糖素样肽-1（GLP-1）是一种响应食物摄入而释放的胃肠道激素，通过激活在胰腺β细胞和多个脑核中表达的GLP-1受体（GLP1R）来调节胰岛素分泌和体重。GLP1R激动剂（GLP1RAs）如司美格鲁肽和替尔泊肽的使用已深刻改变了肥胖症和2型糖尿病的治疗格局，其治疗潜力还在早期阿尔茨海默病和酒精成瘾等领域被探索。GLP1R属于B类G蛋白偶联受体（GPCR），具有包含大N端胞外域和七次跨膜域的多结构域架构，其激活触发以Gs/cAMP/PKA通路为主的多模式信号转导。
大规模人类基因组测序揭示了广泛的遗传变异，其中大多数编码变异为错义变异（MVs），即一个氨基酸被另一个替代。然而，这些变异的临床相关性往往未知，限制了诊断效用。GLP1R的突变图谱已鉴定出269个MVs，计算分析预测69%的个体至少携带一个位于功能性GLP1R位点（如配体或G蛋白结合区域）的MV，可能改变受体活性。实验研究已证实部分罕见GLP1R MVs会改变受体功能，最常见的是产生功能缺失（LoF）表型，且LoF变异常与细胞表面表达受损及2型糖尿病和肥胖风险增加相关。然而，经实验表征的变异仅占已知GLP1R MVs的一小部分。
预测算法为替代劳动密集型的实验测试提供了途径。高通量方法如深度突变扫描（DMS）和Perturb-seq可同时评估数千种变异，但往往难以产生临床可操作的见解。计算模型如REVEL和AlphaMissense被开发用于预测氨基酸替代效应，并被纳入国际变异解读指南。然而，这些通用预测器并非针对GPCR等膜蛋白优化。鉴于GPCR的高度动态性和独特功能特征未被现有MV预测器捕获，当前模型预测性能不佳。因此，研究人员旨在识别GPCR特异的生物物理、动态和结构决定因素，以在受体独特环境中优化变异解读。
**二、研究方法与关键技术**
研究人员开发了GPCR变异影响预测器（GPCRVP评分），其核心策略是将GPCR特异的生物物理特征与现有机器学习/AI模型相结合。具体技术路线包括：利用GPCRmd数据库获取野生型GLP1R与内源性配体GLP-1及G蛋白复合物的结构，使用HTMD和ACEMD软件进行分子动力学（MD）模拟系统构建与能量最小化。从MD模拟轨迹中提取八种GPCR特异特征，包括基于膜环境的替代偏好（利用GPCRmd数据库超过2500条GPCR MD轨迹推导环境特异性替代矩阵）、变构网络扰动（基于500ns野生型模拟，使用AlloViz框架分析信号通讯路径）、全局与局部连接性变化等。这些特征与AlphaMissense和REVEL预测整合，使用差分进化算法在58个经实验表征的GLP1R变异（来自Gao等）上训练优化权重，并在15个新生成突变（内部验证集）和35个独立外部突变（来自Wootten等）上验证。此外，研究人员对所有已知人类GLP1R MVs构建结构模型并应用GPCRVP进行预测。
**三、主要研究结果**
**1. MD模拟定义GPCR变异的功能特征**
为开发预测器，研究人员整合了73个具有实验功能效应的GLP1R变异，将cAMP产生的EC50和Emax及受体细胞表面表达量化为复合实验评分。变异覆盖受体不同结构位置，包括柔性环区、膜疏水/极性区域及受体核心。通过分析MD模拟，提取了捕获膜环境、变构网络参与和结构/理化性质的GPCR特异特征，包括开发了膜环境感知的替代矩阵、基于变构通讯网络的分析，以及量化突变诱导的残基接触变化。
**2. 构建整合GPCRVP评分提升AI预测性能**
基准测试显示，AlphaMissense与实验评分相关性最强（r=0.754），REVEL次之（r=0.722），但两者均存在显著变异特异性误差。仅基于GPCR特征的回归模型及与AlphaMissense/REVEL整合的混合模型中，最佳配置为GPCR特征结合两种预测器，即GPCRVP评分，其与实验测量的一致性最高（r=0.858, RMSE=0.145），优于所有独立预测器。对五个代表性变异的分析显示，整合膜环境、变构扰动和电荷变化等特征可纠正AlphaMissense和REVEL的过度估计或改进预测准确性。
**3. 两个验证集上的性能验证**
在包含15个新突变和35个外部突变的50个变异验证集上，使用AlphaMissense既定阈值，AlphaMissense在验证集中产生9个假阳性（FP）和1个假阴性（FN），而GPCRVP仅产生2个FP和0个FN，FP减少约78%。GPCRVP的预测误差（RMSE=0.185）显著低于AlphaMissense（RMSE=0.379），且训练集与验证集之间的回归斜率和截距更一致，表明预测校准更稳定。代表性案例显示，F367I和C263L被AlphaMissense预测为高致病性，但实验测定无功能缺陷；而GPCRVP评分接近功能中性，与实验观察一致。
**4. 观察到的天然人类GLP1R MVs预测**
研究人员将GPCRVP应用于所有已知的人类GLP1R MVs，构建了训练和验证集之外174个新系统的结构模型。预测显示，罕见变异倾向于具有更高的GPCRVP评分，表明功能影响更大；而常见变异通常预测为野生型样。结构上，高影响低频率变异集中在跨膜区核心和胞外域上部，而野生型样高频变异更分散。通过外推FP比率估计，在≥0.564和≥0.8两个阈值下，REVEL和AlphaMissense的预期FP比例均高于GPCRVP，且REVEL对约10%的GLP1R MVs无预测，而GPCRVP实现全覆盖。在MC4R的小型案例研究中，AlphaMissense对8个MV中3个分类错误，而GPCRVP全部预测正确。
**四、讨论与结论**
研究人员讨论指出，理解MVs的功能影响对于精准医学中解读疾病风险和治疗反应至关重要。GPCRVP在与最佳通用预测器AlphaMissense的对比中表现出强劲性能和稳健性，将FP预测减少约78%同时保持零FN。GPCRVP的优越性源于其整合了GPCR特异特征，包括膜环境感知的替代效应、MD衍生的变构网络描述符，并提供了可解释的结构特征贡献，而通用模型未捕获膜环境、转导器界面、变构通讯和构象动力学等GPCR功能核心要素。
研究存在一定局限性：预测无法分配给当前受体结构中未解析的区域；预测目标是功能影响而非致病性，后者反映疾病风险并依赖更广泛的遗传和环境背景。例如A316T变异的近期研究显示预测的功能获得突变可能因受体脱敏导致治疗反应性降低。
研究结论为：GPCRVP在数据集和影响范围内对表面表达和受体功能表现出强大的预测性能。通过整合反映GPCR生物学核心方面的结构、动态和膜感知特征，该模型提高了GLP1R变异评估的准确性、可解释性和临床相关性。虽然为GLP1R开发，该框架为GPCR超家族及参与人类疾病的其他膜蛋白的变异解读提供了一种可扩展、生物学知情的策略。
