GeoEPred:融合序列语义与ESMFold结构几何的多模态深度学习框架用于革兰氏阴性菌分泌效应蛋白预测

《PLOS Computational Biology》:GeoEPred: A multimodal structure-aware geometric deep learning framework for Gram-negative bacterial secreted effector prediction with sequence semantics

【字体: 大 中 小 】 时间:2026年10月01日 来源:PLOS Computational Biology 3.7

编辑推荐:

  摘要 革兰氏阴性菌(Gram-negative bacteria)分泌效应蛋白(effector proteins)的准确预测对于阐明细菌致病机制和开发精准抗感染策略具有重要意义。尽管现有方法受益于预训练蛋白语言模型(pretrained protein l

  
摘要

革兰氏阴性菌(Gram-negative bacteria)分泌效应蛋白(effector proteins)的准确预测对于阐明细菌致病机制和开发精准抗感染策略具有重要意义。尽管现有方法受益于预训练蛋白语言模型(pretrained protein language models, PLMs)强大的序列特征提取能力,但仅依赖线性序列信息往往不能充分捕捉毒力功能所需的三维构象信号。同时,传统基于结构的方法受到实验解析蛋白结构稀缺的限制。为应对这些挑战,研究人员提出GeoEPred,一种多模态深度学习框架,用于协同建模蛋白序列与结构以识别革兰氏阴性菌效应蛋白。具体而言,该模型将来自预训练蛋白语言模型的序列上下文嵌入与由ESMFold预测的三维结构表示相整合。特征投影网络精炼与效应蛋白功能相关的细粒度序列信号,而几何向量感知机(geometric vector perceptrons, GVPs)表征残基间方向、距离和局部空间拓扑,以捕捉潜在结构构象基序。为进一步实现有效的跨模态融合,研究人员设计了跨模态对齐与特征标记化自注意力模块。该模块通过对比学习增强序列语义空间与结构几何空间之间的一致性,并在细粒度标记(token)层面建模线性功能基序与空间构象模式之间的关联。在多个基准数据集上的广泛评估显示,GeoEPred在T3SE、T4SE和T6SE预测任务中较现有领先模型取得更好的预测性能,同时在远程同源识别场景中保持稳定性能。此外,GeoEPred模块化且可扩展的架构展现出强泛化能力和对基因组尺度效应蛋白发现的重要应用潜力。

作者摘要

分泌效应蛋白是许多革兰氏阴性菌病原体实施感染策略的核心毒力因子。其功能不仅由氨基酸序列中的分泌信号和短线性基序(short linear motifs)决定,也由三维折叠、局部结构域和表面几何模式决定。然而,当前预测器主要利用序列上下文特征,限制了其建模线性序列信号与空间构象基序对应关系的能力,从而制约了准确性和可解释性。在此,研究人员提出GeoEPred,一种用于分泌效应蛋白识别的多模态深度学习框架。GeoEPred将来自预训练蛋白语言模型的序列语义嵌入与由几何向量感知机学习的结构表示耦合。跨模态对齐与交互模块使用对比学习提高序列与结构模态之间的功能一致性,而特征标记注意力捕捉关键线性与构象基序之间的细粒度联系。在覆盖多种效应蛋白类型的基准数据集上,GeoEPred优于现有最先进方法,并提供来自序列片段、结构区域和跨模态关联的可解释证据,支持功能注释、致病机制分析和实验验证。
研究背景与问题

革兰氏阴性菌(Gram-negative bacteria)通过专门分泌系统(secretion systems)递送毒力效应蛋白(effector proteins),以调节宿主信号并逃避免疫应答。系统发现和功能刻画这些蛋白对于阐明致病机制和开发靶向抗菌干预具有重要意义。实验筛选如分泌组分析(secretomic analyses)往往费时费力,并受蛋白表达和分泌水平变化影响。早期计算工具多依赖传统特征工程,例如Bastion3和Bastion6整合位置特异性打分矩阵(position-specific scoring matrices, PSSMs)与结构约束信息,CNN-T4SE组合PSSMs、二级结构、溶剂可及性和独热编码。但这些模型受注释样本稀缺和效应蛋白在序列组成、分泌信号及功能基序方面高度异质性限制。近年来,蛋白质语言模型(protein language models, PLMs)为效应蛋白预测提供新机会,DeepSecE和MoCETSE等改善了预测,但输入仍限于一维序列信息,未显式利用三维结构中的功能线索。实验解析效应蛋白结构稀缺,AlphaFold2计算成本高,而ESMFold在保持较高预测精度的同时显著提高推理效率。因此,研究人员提出GeoEPred,一个端到端框架,联合建模线性序列语义与三维结构信息,以克服现有方法对序列特征依赖过强、空间构象信息利用不足的问题。

关键技术方法

数据集来自已发表效应蛋白预测方法和常用数据库:T1SE和T2SE来自TSE-ARF;T3SE和T6SE整合Bastion3、DeepT3、SecReT6、Bastion6、DeepT3_4和TSE-ARF;T4SE来自DeepSecE、OPT4e、T4SEfinder、iT4SE-EP、Bastion4、T4SE-XGB、TSE-ARF、T4SEpp和DeepT3_4。负类为已报道非分泌蛋白及同源序列,并经BLASTp筛选。独立测试集来自Bastion3、CNN-T4SE、Bastion6和BastionHub。CD-HIT v4.8.1用于去冗余,采用60%全局序列一致性和至少80%比对覆盖,并用CD-HIT-2D进行跨数据集过滤。训练集包含1,575个非效应蛋白、128个T1SE、65个T2SE、505个T3SE、623个T4SE和259个T6SE;独立测试集包含150个非效应蛋白、20个T1SE、10个T2SE、30个T3SE、30个T4SE和20个T6SE。方法上,ESM-2冻结构取2,560维序列嵌入,特征投影网络和残差自适应注意力池化精炼序列语义;ESMFold预测三维结构,构建残基图,并以几何向量感知机(Geometric Vector Perceptron, GVP)联合建模标量和矢量特征;采用跨模态特征标记化、对比学习和Transformer自注意力进行融合;训练采用五折交叉验证。

研究结果

Evaluation of GeoEPred performance in effector protein prediction(GeoEPred在效应蛋白预测中的性能评估):五折交叉验证中,非效应蛋白和五类效应蛋白的AUC为0.936–0.978,非效应蛋白召回约93.7%,T2SE召回77.9%。独立测试中,AUC为0.938–0.998,T6SE召回100.0%,T1SE、T2SE、T3SE和T4SE召回分别为95.0%、70.0%、93.3%和93.3%。

Ablation study of characteristic sources and fusion strategies(特征来源与融合策略消融):Multimodal feature ablation(多模态特征消融)显示,仅序列或仅结构模型性能有限,精炼序列语义显著提升,多模态融合最佳;独立测试中融合较次优精炼序列语义将ACC从0.881提高到0.923,F1从0.846提高到0.884,MCC增益0.0604。UMAP显示融合后类别边界更清晰,ARI、NMI和ASW表明融合增强聚类。

Precise classification of proteins with distant homology(远程同源蛋白精确分类):在107个满足远程同源标准的蛋白基准上,原始序列模型准确率65.42%,精炼序列语义提高到88个正确分类,GeoEPred准确率90.65%,说明整合精炼序列语义和几何结构特征是该困难场景性能提升的主要驱动。

Model component evaluation(模型组件评估):模块消融显示,特征标记化、对比学习和自适应注意力池化均贡献性能;特征标记化优于简单拼接和交叉注意力融合,在独立测试中提高AUPRC,并改善F1和MCC。

Interpretable investigation into multimodal feature contributions(多模态特征贡献可解释性研究):SHAP分析显示,序列特征占总特征归因约74.53%,结构特征占25.47%;结构特征对T1SE和T6SE尤其重要,分别贡献29.3%和27.4%。研究人员认为序列提供主要判别信号,结构提供互补空间线索。

Comparison with baseline methods(与基线方法比较):与11个基线模型比较,GeoEPred优于最佳传统机器学习模型SVM和最佳深度学习模型BiLSTM-Attention;独立测试中较SVM提高ACC 1.5%、AUPRC 3.0%,较BiLSTM-Attention提高AUPRC 3.0%。

Comparison with state-of-the-art models(与最先进模型比较):与MoCETSE、DeepSecE、BastionX及六个专用二分类器比较,GeoEPred整体达到相当或更优性能,在T6SE任务中优势更明显;较MoCETSE提高AUPRC 3.62%,T6SE的AUC和AUPRC显著高于DeepSecE。二分类模型在单任务上可能灵敏度高,但在多类独立测试中易产生跨类假阳性。

Influence of ESMFold structural confidence on model performance(ESMFold结构置信度对模型性能的影响):按平均pLDDT(predicted Local Distance Difference Test)分组,Very low、Low、Confident和Very high组准确率分别为81.82%、87.50%、88.89%和96.47%;每增加10点pLDDT,正确分类优势比OR=1.798。低置信结构下模型仍保持较好性能,提示序列分支可补充结构不确定性。

Case studies(案例研究):研究人员将MacSyFinder分泌系统模型与GeoEPred整合,对Pseudomonas aeruginosa PAO1的5,572个蛋白编码序列进行全基因组筛选,T6SE中28/30被正确识别,召回93.3%;候选蛋白在基因组上靠近分泌系统基因簇。对Salmonella enterica serovar Typhimurium str. LT2和Legionella pneumophila subsp. pneumophila str. Philadelphia 1,GeoEPred对实验验证T3SE和T4SE召回分别为94.78%和91.2%。GO和Pfam分析显示候选蛋白富集分泌、宿主互作及效应蛋白相关结构域。

Biological interpretability(生物学可解释性):对SlrP、SidJ和Tse5的归因分析显示,序列分支高归因残基对应N端或C端分泌、转位和催化相关区域,结构分支对应空间互作界面和毒素相关构象区域。序列分支主要捕捉线性分泌和催化功能,结构分支提供空间组织界面信息。

讨论与结论

讨论部分指出,GeoEPred联合建模线性序列语义和三维结构信息,在T6SE等类别上表现较好,并在其他类别达到与现有方法相当或更优性能。多模态消融表明,精炼序列语义已具较强判别力,结构模态主要补充残基空间关系、局部几何环境和构象背景;单独使用结构信息性能有限。SHAP显示序列特征贡献约74.53%,结构特征约25.47%,结构信息对T1SE和T6SE等特定类别更重要。结构预测质量影响结构模态判别能力,但GeoEPred在低置信结构下仍较稳定。远程同源评估、基线比较和最先进模型比较支持其泛化潜力。局限包括:实验验证效应蛋白在不同分泌系统类别分布不均;目前主要适用于本研究所覆盖分泌系统,尚未扩展到其他分泌系统或革兰氏阳性菌;结构模态受结构质量约束,对高度动态、内在无序或低置信蛋白的几何表示可靠性可能下降;当前评估主要支持序列水平泛化而非严格物种水平泛化;预训练蛋白语言模型与独立测试数据可能存在潜在重叠或间接关联;新预测候选尚未直接实验验证,应视为计算优先排序的候选效应蛋白。

研究结论部分翻译:尽管GeoEPred具有预测性能和潜在适用性,但仍存在若干局限。首先,实验验证的效应蛋白在不同分泌系统类别间分布不均,可能影响样本较少类别的模型训练和性能评估。此外,由于当前数据可及性,GeoEPred主要适用于本研究所覆盖的分泌系统,尚未扩展到其他分泌系统或革兰氏阳性菌相关效应蛋白。随着更多高质量实验验证数据出现,该框架可逐步扩展到其他分泌系统和更广泛细菌类群。其次,结构模态在一定程度上受结构质量约束。对于高度动态、内在无序或低结构置信度预测的蛋白,几何表示的可靠性可能降低。未来工作可纳入更高质量实验确定结构、改进结构预测以及构象动力学和蛋白复合物信息,以增强结构模态表示能力。第三,当前评估主要支持GeoEPred的序列水平泛化,而非严格物种水平泛化。尽管严格控制在训练集和独立测试集之间的同源序列,由于实验验证效应蛋白有限且物种分布不均,完全物种分离不可行。为初步解决该问题,研究人员从当前数据集未包含的基因组中收集了近年报道的实验验证效应蛋白。GeoEPred在该外部评估中成功识别8个T3SE和所有T6SE,为适用于此前未见基因组背景提供初步支持。随着更多实验验证效应蛋白可用,将纳入更多与训练数据无物种重叠的外部数据集,以进一步评估跨物种泛化。此外,由于预训练蛋白语言模型通常在大型公共数据库上训练,不能完全排除与独立测试数据的潜在重叠或间接关联。因此,未来使用新获得的外部数据集评估将对模型泛化提供更严格评估。最后,尽管本研究通过预测性能、模型解释、功能注释和基因组尺度分析支持预测候选蛋白的生物学合理性,但新预测候选尚未直接实验验证。因此,这些蛋白目前应被视为计算优先排序的候选效应蛋白。未来工作可进一步验证高优先级候选,并系统评估GeoEPred在实际效应蛋白发现中的适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号