基于三维结构数据预测蛋白质溶解性的TopoFormer拓扑-几何神经网络模型

《Digital Discovery》：TopoFormer: A Topological-Geometric Neural Network for Accurate Protein Solubility PredictionOpen Access

　　

蛋白质溶解性是工业规模生产蛋白质时的一个关键考量因素。由于涉及蛋白质溶解性的物理过程具有复杂且非线性的特征，现有模型表现出较差的预测性能，因此需要进行代价高昂的试错实验。我们引入了 TopoFormer，一种新型的组合拓扑-几何等变神经网络模型，能够从 OpenFold 预测的三维结构数据中预测蛋白质的二元溶解性。为了训练 TopoFormer 模型，我们利用 OpenFold 对文献中实验性蛋白质溶解性测量的预测，创建了 3DProtSolDB 结构数据集。同时，我们从 RCSB PDB 中对应的结构组装了 3DProtSolDB-Expt 数据集。3DProtSolDB-Expt 数据集被用来训练 TopoCoder，一个能够捕捉二级结构形状信息的拓扑嵌入模型。生成的嵌入及其对应的 3DProtSolDB 结构被用来训练 TopoFormer 模型。训练后的 TopoFormer 模型在保留的测试集上达到了最先进的准确率（81.4%）。此外，模型可解释性分析表明，TopoFormer 模型获取了关于溶剂化行为的关键物理洞察。这些技术被用来分析文献中的碳酸酐酶突变体的溶解性。我们发现，TopoFormer 模型的指标与分子动力学模拟中的水存活概率很好地相关，突显了训练好的模型在指导可溶性突变体的理性设计方面的实用性。

此内容仅可通过 PDF 获取。

打开 PDF ：TopoFormer：用于准确预测蛋白质溶解性的拓扑-几何神经网络，在新窗口中打开

? 2026 The Author(s). Published by the Royal Society of Chemistry

2026

The Author(s)

本文依据 知识共享署名-非商业性使用 4.0 国际许可协议 授权。您可以在其他出版物中使用本文材料，而无需向 RSC 申请进一步许可，前提是给予正确的致谢且不用于商业目的。

本作品依据 知识共享署名-非商业性使用 4.0 国际许可协议 授权。