基于人工智能的宿主-病原体蛋白互作结构建模:挑战与策略

《Current Opinion in Virology》:Challenges in AI-based structural modeling of host–pathogen protein interactions

【字体: 大 中 小 】 时间:2026年10月22日 来源:Current Opinion in Virology 5.5

编辑推荐:

  中文翻译: 病原体高度依赖宿主,这种关系由分子相互作用驱动。在涉及的多种分子类别中,蛋白质和蛋白质-蛋白质相互作用(protein-protein interactions, PPIs)是这些感染过程的支柱。在相反的自然选择压力驱动下(一方蛋白质适应以逃避相互

  
中文翻译:
病原体高度依赖宿主,这种关系由分子相互作用驱动。在涉及的多种分子类别中,蛋白质和蛋白质-蛋白质相互作用(protein-protein interactions, PPIs)是这些感染过程的支柱。在相反的自然选择压力驱动下(一方蛋白质适应以逃避相互作用,另一方适应以维持相互作用),宿主和病原体蛋白质在这一军备竞赛中共同进化。随着以AlphaFold为首的人工智能驱动结构预测方法的出现,PPIs的高精度结构建模已成为可能。然而,宿主-病原体PPIs仍难以用这些方法进行建模。在本综述中,研究人员描述了宿主-病原体结构建模的现状,总结了近期研究,并讨论了将当前方法推向极限可能如何提高成功率。
论文解读文章:

**研究背景与现存问题**

宿主-病原体间的蛋白质-蛋白质相互作用(protein-protein interactions, PPIs)是感染过程的核心驱动力。病原体利用PPIs劫持宿主信号通路、转录与翻译机器、代谢过程及细胞内运输,并调节免疫应答,而宿主蛋白则通过PPIs检测和抵抗病原体入侵。对宿主-病原体PPIs的结构解析,不仅能揭示感染的分子机制,还能发现新的宿主互作因子和治疗靶点,并为突变效应预测提供基础。尽管结构信息至关重要,实验解析的宿主-病原体复合物结构在蛋白质数据银行(Protein Data Bank, PDB)中的占比仍然严重不足。以AlphaFold2为代表的AI驱动结构预测方法的出现,为填补这一空白提供了计算途径。然而,宿主-病原体PPIs常涉及快速进化的蛋白质、瞬时界面和有限的共进化信号,这些特性给当前的AI结构预测方法带来了严峻挑战。在同物种内的蛋白质互作预测中,AlphaFold-style方法在精选的PDB基准集上表现良好,但在互作组规模上,高置信度建模的比例大幅下降。而对于宿主-病原体互作,无论是在精选基准还是在蛋白组规模筛查中,成功率均显著低于种内互作。

**研究内容与主要结论**

研究人员在本综述中系统总结了AI-based宿主-病原体PPIs结构建模的最新进展,特别聚焦于AlphaFold-style方法。综述指出,在CASP15-CAPRI和CASP16-CAPRI社区基准测试中,宿主-病原体靶标的默认预测精度参差不齐,但优化的工作流程可提升表现。然而,更大规模的PDB基准和蛋白组规模预测一致显示成功率较低:例如,在单纯疱疹病毒1型-人源PPIs中,仅约1%的蛋白对可获得ipTM>0.75的模型;对SARS-CoV-2-人源PPIs,无模型达到高置信度pDockQ;对甲型流感病毒-人源蛋白对,仅约5%的模型产生可信界面。系统性研究同样报告了有限的成功:一项针对8441个人源-病原体PPIs的FoldDock预测仅产生30个高置信度模型;另一项对6782个病原体-人源蛋白对的分析中,仅803个AF2预测达到ipTM>0.5的阈值;交叉界(cross-kingdom)图谱研究显示仅5.7%的病毒-人源蛋白对得到高置信度建模。值得注意的是,预测成功率与训练数据集的相似性密切相关,且病毒蛋白模拟宿主-宿主界面结构特征的情况可能反映了PDB中界面类型的过度代表。多项研究显示,AF3相较于AF2提升有限甚至无显著改善。尽管如此,仍有成功案例,如在植物-病原体互作和噬菌体-细菌互作中,研究人员通过严格的多标准筛选和实验验证,鉴定并确认了若干高置信度的候选互作复合物。

**关键技术方法**

研究人员主要采用了以下关键方法:首先,AlphaFold2(AF2)及其多聚体变体AlphaFold-Multimer、AlphaFold3(AF3)作为核心结构预测工具,利用多序列比对(Multiple Sequence Alignments, MSAs)中的共进化信息进行建模;其次,通过序列相似性搜索从PDB中获取结构模板,辅助建模;第三,采用深度采样策略,通过多次重复运行、调整随机种子、MSA深度、模板设置和dropout层等参数增加结构多样性;第四,引入整合建模方法,将交联质谱(crosslinking mass spectrometry, XL-MS)等实验约束(如AlphaLink2、GRASP、AF3x)纳入建模流程;最后,采用多种置信度评分指标(如pLDDT、PAE、pTM、ipTM、pDockQ和ipSAE)评估模型质量并进行排名。

**研究结果详述**

- **AI-based蛋白质复合物结构建模的现状**:AF2及AlphaFold-Multimer(统称AF2)实现了近实验精度的单体蛋白质结构预测,AF3进一步支持核酸、小分子、离子和化学修饰。进化信息是AlphaFold-style方法性能的主要驱动力,但宿主-病原体PPIs中,接触残基位于不同蛋白序列中,配对MSAs构建困难。蛋白语言模型方法(如OmegaFold、ESMFold、RGN2)虽无需MSAs,但精度普遍低于AlphaFold-style方法。内部置信度指标(pLDDT、PAE、pTM、ipTM)被用于模型评估和排名,但ipTM-based分数主要用于同一PPIs的模型排序,而非跨PPIs的通用阈值。

- **宿主-病原体PPIs的AI-based建模表现**:基于PDB的基准测试和蛋白组规模预测一致显示宿主-病原体PPIs的成功率较低。具体研究示例包括:对来自细胞内交联质谱(XL-MS)的单纯疱疹病毒1型-人源PPIs,AF2和AF3均仅产生约1%的高置信度模型;对SARS-CoV-2-人源PPIs无高置信度模型;对甲型流感病毒-人源蛋白对仅约5%产生可信界面。大规模系统研究(如Saluri等对HPIDB数据库的8441对预测、Baptista等对6782对AP-MS和HPIDB分析、Li等对33个病毒家族的11666对建模)均报告了较低的置信度命中率,交叉界图谱仅5.7%的病毒-人源对得到高置信度建模。值得注意的是,AF3较AF2提升有限,ESMFold表现明显更差。尽管存在成功案例(如ATG8/LC3与病原体AIM/LIR基序蛋白的互作建模),预测成功率与训练数据集的相似性高度相关,存在数据泄漏风险。Fick等指出AF2无法可靠区分植物NLR蛋白与病原体效应子互作的真阳性与假阳性。Yirmiya等通过重复AF2预测的高置信度和同源噬菌体蛋白支持,成功鉴定并实验验证了三种细菌免疫系统的七个抑制剂,其中晶体结构与预测高度吻合。

- **提升策略**:综述提出了多项可提高宿主-病原体复合物预测成功率的策略。大规模采样被证实为持续有效的优化方法,对抗原-抗体复合物(类似宿主-病原体互作缺乏强共进化信号)尤为有用。MSA优化(如扩展数据库、提高搜索灵敏度)可增强进化信号,但宿主-病原体配对MSAs的构建仍面临根本性困难。生物情境感知建模要求考虑蛋白质的生物学组装状态(如二聚体、三聚体)及翻译后修饰(post-translational modifications, PTMs),有时仅对互作区域建模而非全长蛋白可减少虚假接触并提高置信度。整合建模利用XL-MS等实验约束辅助模型构建、验证和排名。此外,结合多种内部置信度分数与独立或外部指标可提高高质量预测的识别能力。

**结论与意义**

本综述的结论指出,尽管AI-based结构预测方法已实现对宿主-病原体PPIs的系统性建模,但默认工作流程在大规模研究中持续报告较低的成功率。预测性能存在显著异质性,特定亚群的互作可获得高置信度模型,但蛋白组规模数据集上表现不稳定。通过大规模采样、改进比对和配对策略、情境感知建模、整合实验约束和替代性评分方案可以提升性能,但这些优化并非普遍有效,且往往需要大量计算和技术投入。当前证据表明,宿主-病原体PPIs的可靠建模在特定案例中可以实现,但仍具有技术挑战性,高度依赖工作流设计和参数优化。为客观比较不同方法和工作流的性能,亟需建立全面、标准化的基准数据集。该综述为宿主-病原体互作结构预测领域提供了系统的现状评估和可操作的方法学指导,对未来开发更精准的预测工具和深化感染机制理解具有重要意义。
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