《International Journal of Biological Macromolecules》:ProtThermoRank: Sequence-based multi-class prediction model for protein thermal stability changes and its application to CcsZ
编辑推荐:
摘要专业翻译
蛋白质热稳定性是工业酶和生物制药蛋白的关键性质。在大规模变体库中快速、准确地评估热稳定性已成为蛋白质工程的关键步骤。然而,对大规模突变景观进行实验筛选仍然耗时、费力且成本高昂。本研究提出了ProtThermoRank,一种基于序列的蛋白质热稳定性
摘要专业翻译
蛋白质热稳定性是工业酶和生物制药蛋白的关键性质。在大规模变体库中快速、准确地评估热稳定性已成为蛋白质工程的关键步骤。然而,对大规模突变景观进行实验筛选仍然耗时、费力且成本高昂。本研究提出了ProtThermoRank,一种基于序列的蛋白质热稳定性突变诱导变化多分类预测模型。与现有方法独立编码参考序列和突变序列不同,ProtThermoRank通过交叉注意力机制(cross-attention mechanism)显式建模了两者之间的关系。熔解温度变化(ΔTm)被分为四个类别,从而实现对蛋白质热稳定性变化的细粒度判别。ProtThermoRank在ΔTm > 10 °C类别上取得了最高的类别特异性召回率(class-specific recall),较此前最优模型提高了三倍,有助于识别高度热稳定化变体。为展示ProtThermoRank的适用性,研究人员对梭菌纤维素合酶亚基Z(CcsZ)进行了计算机模拟饱和突变(in-silico saturation mutagenesis),并利用ProtThermoRank鉴定出九个候选热稳定化变体。其中,三个候选变体(D121G、D121V和Y170T)经实验证实具有增强的热稳定性,分子动力学(molecular dynamics, MD)模拟为这些变体热稳定性的增强提供了结构层面的见解。上述结果表明,ProtThermoRank为人工智能引导的蛋白质工程提供了一种基于序列的方法,能够实现热稳定化变体的计算机模拟高通量筛选,加速高稳定性蛋白质的发现与优化。
论文解读
一、研究背景与问题
蛋白质热稳定性是决定蛋白质结构与功能的基本属性,反映了蛋白质在高温条件下维持天然构象的能力。在工业生物技术领域,酶常常需要在高温、极端pH或有机溶剂等苛刻条件下发挥作用,稳定性不足会导致酶活性迅速丧失。因此,在大量蛋白质变体中快速准确地评估热稳定性已成为蛋白质工程的关键环节。然而,跨越大规模突变景观的实验筛选仍然耗时、费力且成本高昂,亟需能够优先筛选出有前景变体以供实验验证的计算方法。
在蛋白质热稳定性的诸多描述符中,最常用的两个指标是突变引起的折叠自由能变化(ΔΔG)和熔解温度(Tm)。Tm定义为在两态近似下蛋白质分子半数解折叠的温度,可通过标准热解折叠实验直接测量,且在大规模数据集中广泛可得,因此特别适合机器学习应用。
尽管基于蛋白质语言模型(PLM)的方法已改善了蛋白质热稳定性预测,但可靠预测热稳定化突变仍是蛋白质工程中的重大挑战。此前模型训练所用的实验表征突变数据规模相对较小,限制了其在不同蛋白质和突变效应间的泛化能力。此外,大幅度的Tm升高往往受多个替换之间非线性相互作用(即上位效应,epistasis)的调控,简单累加单个有利突变往往难以奏效。因此,仅依靠基于人工智能的蛋白质热稳定性预测仍不足以准确识别高度稳定化变体,成功的工程改造通常依赖大量实验筛选和迭代优化。
二、研究内容与意义
针对上述问题,研究人员开发了ProtThermoRank——一种基于序列的蛋白质热稳定性突变诱导变化多分类预测模型。该模型通过将参考序列与突变序列之间的交叉注意力机制与ESM-C嵌入相结合,预测熔解温度变化(ΔTm)的类别。研究人员进一步将ProtThermoRank应用于梭菌纤维素合酶亚基Z(CcsZ)的计算机模拟饱和突变,并利用差示扫描荧光法(DSF)对预测的热稳定化变体进行了实验验证,同时通过分子动力学(MD)模拟探究了热稳定性提升的结构基础。ProtThermoRank提供了一种基于序列的方法,能够高效识别高度热稳定化变体,实现热稳定化变体的计算机模拟高通量筛选,加速高稳定性蛋白质的发现与优化。
三、主要技术方法
研究人员构建了基于ΔTm的成对数据集,以ProThermDB为主要数据来源,经筛选后8468条记录用于构建数据集,通过同一出版物中同一亲本蛋白的变体间两两组合生成239,216个训练样本。蛋白质序列采用预训练的ESM-C 6B蛋白质语言模型编码,生成每个残基2560维的嵌入向量。ProtThermoRank在PyTorch中实现,采用AdamW优化器和加权交叉熵损失进行四分类训练,以S571基准数据集进行模型选择和评估。此外,研究人员对CcsZ变体进行了100 ns的MD模拟,采用CHARMM36m力场和TIP3P水模型,分析了均方根偏差(RMSD)、溶剂可及表面积(SASA)和氢键相互作用等结构指标。
四、研究结果
4.1 ProtThermoRank架构概述
ProtThermoRank由四个组件构成:蛋白质表示与投影模块、基于Transformer编码器的特征提取模块、基于Transformer解码器的特征聚合模块以及ΔTm预测分类模块。参考蛋白和突变蛋白序列分别经ESM-C 6B嵌入后投影至256维潜在空间,经Transformer编码器处理后,突变表示作为查询(query)、参考表示作为键(key)和值(value)输入解码器中的交叉注意力层,从而解码与热稳定性变化相关的残基水平差异。参考序列编码器输出的CLS令牌与解码器输出的CLS令牌拼接后输入全连接分类网络,预测四个ΔTm类别之一。
4.2 数据分布特征
研究分析了 curated ProThermDB数据集和S571基准数据集的ΔTm分布。大多数样本集中在ΔTm = 0 °C附近,表明大多数突变仅引起蛋白质热稳定性的微小变化,而显著升高或降低热稳定性的突变相对稀少。类别分布显示ΔTm ≤ 0 °C类别占主导地位(curated ProThermDB数据集中超过50%,S571基准数据集中超过60%),高度稳定化变体(ΔTm > 10 °C)仅占数据集的一小部分。为缓解类别不平衡,研究人员在训练中采用加权交叉熵损失。
4.3 性能评估
在S571基准数据集上,ProtThermoRank在ΔTm > 10 °C类别上取得了最高的类别特异性召回率(0.333),较此前最优模型提高了三倍,表明其识别高度热稳定化变体的能力显著增强。ProtThermoRank还取得了最高的ACC(0.655)和Macro-F1(0.453),以及5 °C < ΔTm ≤ 10 °C类别中最高的类别特异性召回率和精确率。尽管GeoDTm-3D取得了最高的MCC和ΔTm > 10 °C类别的类别特异性精确率,但其依赖实验测定或计算预测的三维结构信息,限制了其在大规模热稳定化变体筛选中的适用性。混淆矩阵分析显示,ProtThermoRank在ΔTm ≤ 0 °C类别上取得了84.4%的类别特异性召回率,且在高度稳定化类别上取得了最高召回率。
4.4 CcsZ计算机模拟饱和突变应用
研究人员以具有内切葡聚糖酶(EC 3.2.1.4)活性的CcsZ作为模型蛋白,从野生型序列计算生成了5909个CcsZ单氨基酸变体序列,排除半胱氨酸替换变体后,5598个变体序列分别与野生型序列进行比较。ProtThermoRank预测了九个变体(D121G、D121V、H123A、H123G、H123N、H123S、H123T、Y170T和S171N)属于5 °C < ΔTm ≤ 10 °C类别。DSF实验证实D121G(ΔTm = +5.4 °C)、D121V(ΔTm = +5.0 °C)和Y170T(ΔTm = +2.2 °C)的热稳定性高于野生型(Tm = 62.4 °C)。其中D121G和D121V的实验热稳定性提升与模型预测一致。此外,将鉴定出的热稳定化突变组合构建的两个双突变体D121G/Y170T(ΔTm = +7.2 °C)和D121V/Y170T(ΔTm = +7.4 °C)表现出比相应单点突变体更高的热稳定性,且ProtThermoRank也预测这两个双突变体属于5 °C < ΔTm ≤ 10 °C类别,与实验测定值一致。
4.5 分子动力学模拟结构分析
100 ns MD模拟结果显示,排除前20 ns结构弛豫阶段后,WT、D121G、D121V和Y170T在最后80 ns的RMSD分别为1.79 ± 0.13、1.31 ± 0.15、1.73 ± 0.18和1.75 ± 0.17 ?。变体的RMSD略低于WT,表明结构刚性增强,其中D121G的RMSD最低,与其实验测定的最高热稳定性一致。SASA分析显示,D121G和D121V变体中121位残基的SASA从WT的0.061 ± 0.044 nm2分别降至0.002 ± 0.008和0.005 ± 0.012 nm2,表明该残基在变体中更加埋藏;Y170T变体中170位残基的SASA从WT的1.269 ± 0.137 nm2降至0.611 ± 0.109 nm2。氢键分析显示,Y170T变体中170位残基的平均氢键数从WT的1.72 ± 0.65增至2.12 ± 0.72,表明Y170T替换通过降低SASA和增加氢键相互作用增强了该位点周围的局部稳定性。
五、结论
ProtThermoRank通过将ESM-C嵌入与比较序列表示学习相结合,在ΔTm > 10 °C类别上取得了最高的类别特异性召回率,较此前最优模型提高了三倍,有助于识别高度热稳定化变体。多分类预测能够区分不同水平的热稳定性变化,而非仅区分稳定化与非稳定化突变,提供了蛋白质热稳定性变化的细粒度分类。CcsZ变体的实验验证进一步支持了ProtThermoRank在蛋白质工程中的适用性,MD模拟为ProtThermoRank鉴定的热稳定化CcsZ变体提供了结构层面的见解。ProtThermoRank为人工智能引导的蛋白质工程提供了一种基于序列的方法,能够准确高效地识别高度热稳定化变体,有望加速高稳定性蛋白质的发现与优化。