《Journal of Chemical Information and Modeling》:A DNN Biophysics Model with Topological and Electrostatic Features
编辑推荐:
研究人员提出了一种基于深度神经网络(DNN)的生物物理学模型,该模型使用多尺度和统一的拓扑和静电特征来预测蛋白质性质,如库仑能量或溶剂化能量。拓扑特征是在选定重原子或碳原子上使用元素特异性持久同源性(ESPH)生成的。静电特征使用一种新颖的笛卡尔树码(Cart
研究人员提出了一种基于深度神经网络(DNN)的生物物理学模型,该模型使用多尺度和统一的拓扑和静电特征来预测蛋白质性质,如库仑能量或溶剂化能量。拓扑特征是在选定重原子或碳原子上使用元素特异性持久同源性(ESPH)生成的。静电特征使用一种新颖的笛卡尔树码(Cartesian treecode)生成,该方法增加了潜在的静电相互作用以进一步改进模型预测。这些特征对于不同大小的蛋白质在数量上是统一的;因此,广泛可用的蛋白质结构数据库可用于训练网络。这些特征也是多尺度的,允许用户平衡分辨率和计算成本。在超过17,000个蛋白质上训练的最优模型用于预测库仑能量,达到了约0.024的均方误差(MSE)、0.073的平均绝对百分比误差(MAPE)和0.976的R2。同时,在超过4,000个蛋白质上训练的最优模型用于预测溶剂化能量,达到了约0.064的MSE、0.081的MAPE和0.926的R2,显示了这些特征在表示蛋白质结构和力场方面的效率和保真度。特征生成算法也有潜力作为通用工具,辅助基于机器学习的蛋白质性质和功能预测。
**研究背景与问题**
生物学中结构决定功能的核心理念在分子层面尤为重要。随着X射线晶体学、核磁共振光谱(NMR)和冷冻电子显微镜(cryo-EM)等结构测定技术的发展,蛋白质数据库(PDB)中三维结构数量快速增长。然而,主流基于机器学习的蛋白质预测方法(如蛋白质语言模型(PLMs)和AlphaFold)多依赖氨基酸序列预测结构,但在预测蛋白质性质时,面临表示蛋白质结构和力场的困难:结构数据大小不一,需转化为统一特征;长程静电相互作用因配对性质常被忽略。因此,研究人员开展这项研究,旨在提供一种结合拓扑和静电特征的方法,以统一、多尺度形式表示蛋白质结构和力场,进而利用深度神经网络(DNN)高效准确预测蛋白质的库仑能量(Coulomb energy)和静电溶剂化能量(electrostatic solvation energy)。该研究发表在《Journal of Chemical Information and Modeling》。
**主要关键技术方法**
1. **拓扑特征生成**:采用元素特异性持久同源性(ESPH),分别基于碳原子和重原子(C, N, O, S)的坐标,使用GUDHI软件生成H1(二维环)和H2(三维空腔)的条形码(barcode),并通过死亡、出生和持久性向量转化为12个通道的拓扑特征。
2. **静电特征生成**:利用笛卡尔树码(Cartesian treecode)算法,将原子电荷的多极矩(multipole moments)分配到聚类中心,形成多尺度静电特征;用户可指定树层级L和泰勒展开阶数p以调节分辨率。
3. **深度神经网络(DNN)架构**:采用双分支结构——一个分支为1D卷积神经网络(CNN),处理拓扑特征;另一个分支为全连接层,处理静电特征;合并后再经全连接层输出预测值。训练使用Adam优化器、MSE损失函数,并通过5折交叉验证及80%-20%随机拆分评估。数据来源为PDBbind数据库(v2018和v2020),使用AMBER ff14SB力场分配电荷和半径,溶剂化能标签由MIBPB(匹配界面与边界)求解器计算。
**研究结果**
**Model Performance**
研究人员通过三组仿真验证三个研究目的:(1)更大数据集提升性能;(2)增加静电特征(更高L和p)改善预测;(3)组合拓扑与静电特征优于单一特征。
**Ecoul Predicted Using Electrostatic Features Only on Dataset 1 and Dataset 2**
仅使用静电特征预测库仑能量(Ecoul)时,Dataset 2(17,007个蛋白质)的MSE和R
2普遍优于Dataset 1(4,043个蛋白质),验证了目的1。同时,在Dataset 2中,MSE随p和L增大而降低、R
2升高,优化于p=3, L=2(1,460个特征),支持目的2。但MAPE在Dataset 2中偏高,因该数据集包含更多小目标值样本。
**Ecoul Predicted Using e-Features and Both Features on Dataset 2**
基于Dataset 2,仅用拓扑特征即达到MSE=0.030, MAPE=0.071, R
2=0.970。加入静电特征后,MSE和MAPE进一步降低、R
2升至0.976(p=4, L=1, 315个特征),部分验证目的3。但拓扑特征本身已很强,改进空间有限。
**Esolv Predicted Using e-Features Only and Both Features on Dataset 1**
采用Dataset 1预测溶剂化能量(Esolv),仅用拓扑特征得MSE=0.150, R
2=0.826;仅用静电特征优化于p=2, L=1(90个特征),MSE=0.095, R
2=0.891;组合特征后于p=3, L=0(20个特征)达MSE=0.064, MAPE=0.081, R
2=0.926,显著优于单一特征,完全验证目的3。
**Additional Comparison and Justification**
- **持久图像(Persistence Image)比较**:条形码与持久图像两种拓扑特征表示在Ecoul预测上表现相近,条形码略优且内存效率更高,因此采用条形码。
- **同源性感知拆分鲁棒性**:通过UniProt分组和MMseqs序列聚类(30%同一性、80%覆盖)进行数据拆分,结果与随机拆分相似,表明模型未因同源序列泄漏而虚高。
- **交叉验证性能**:5折交叉验证的训练和验证损失曲线显示模型收敛稳定,无过拟合;组合特征收敛更快、方差更窄。
- **基线模型对比**:与岭回归、随机森林和梯度提升相比,DNN在R
2和MSE上均略有优势,尤其优于岭回归。
- **CPU时间与大小依赖性**:DNN模型预测Esolv的运行时间远低于MIBPB求解器,且在不同蛋白质大小(原子数)上表现均匀,绝对百分比误差分布稳定。
- **假设检验**:通过10次独立随机拆分对模型Me(仅静电)、Mt(仅拓扑)和Me,t(组合)进行Wilcoxon符号秩检验,p值均<0.001,拒绝原假设,确认组合模型显著优于单一模型。
**讨论与结论**
**局限性**:(1)静电特征主要捕捉蛋白质静电分布,对蛋白质-溶剂交互作用捕捉有限,未来可引入通用波恩(GB)模型反应电位增强特征;(2)数据集较小时,DNN相对于梯度提升和随机森林的优势难以体现;(3)确定最优p和L需多次试验,未来可探索重心树码(Barycentric treecode)优化。
**结论**:研究人员提供了一种新颖方法,以物理信息、多尺度和统一方式生成组合的拓扑与静电特征,用于表示蛋白质结构和电荷分布。基于这些特征,DNN模型能高效预测库仑能量和溶剂化能量。数值仿真验证了三个主要发现:更大数据集、更高分辨率静电特征以及特征组合均能提升模型性能。这些特征生成算法有望成为辅助基于机器学习预测蛋白质性质与功能的通用工具。未来工作将进一步研究利用更快的GB模型计算反应电位,并探索重心拉格朗日树码生成静电特征。