CLIMBS:利用合成负数据的图神经网络分类器评估碳水化合物–蛋白质相互作用

《Journal of Chemical Information and Modeling》:CLIMBS: Assessing Carbohydrate–Protein Interactions through a Graph Neural Network Classifier Using Synthetic Negative Data

【字体: 大 中 小 】 时间:2026年04月04日 来源:Journal of Chemical Information and Modeling 5.3

编辑推荐:

  碳水化合物–蛋白质相互作用对于细胞信号传导和代谢等生物过程至关重要,并构成了诊断与治疗领域中一大类尚未被充分开发的靶标。然而,当前的设计与预测方法尚不能准确评估蛋白质对葡萄糖和半乳糖等碳水化合物的亲和力与特异性。本文描述了一种名为CLIMBS的机器学习分类器,

  
碳水化合物–蛋白质相互作用对于细胞信号传导和代谢等生物过程至关重要,并构成了诊断与治疗领域中一大类尚未被充分开发的靶标。然而,当前的设计与预测方法尚不能准确评估蛋白质对葡萄糖和半乳糖等碳水化合物的亲和力与特异性。本文描述了一种名为CLIMBS的机器学习分类器,作为评估蛋白质–碳水化合物相互作用的新方法。研究人员利用晶体结构以及来源于设计失败结构的合成数据对其进行训练,从而有效判断碳水化合物–蛋白质复合物是否代表真实且类天然(native-like)的结构。与其他方法相比,CLIMBS表现出卓越的准确性和优异的碳水化合物特异性,这一点得到了较高的受试者工作特征曲线下面积(AUROC)和Matthews相关系数(MCC)数值支持;同时,该方法对每个样本的运行时间低于1 s,对负样本和正样本的偏倚极小,并可用于改进碳水化合物–蛋白质复合物对接与设计模型中成功构象的筛选。
该研究发表于《Journal of Chemical Information and Modeling》,围绕碳水化合物–蛋白质复合物结构评价这一长期存在的难题,提出了一个以图神经网络(GNN,图结构深度学习模型)为核心的分类框架CLIMBS。研究背景在于,蛋白质对糖类分子的识别广泛参与糖酵解、糖基化模式形成、多糖材料构建、细胞黏附和信号传导等关键生命过程,因此,解析糖–蛋白识别机制并准确预测结合特异性,对于基础生物学研究以及糖类相关诊断和治疗策略开发均具有重要价值。然而,现有基于物理的打分函数在蛋白质–碳水化合物体系中的表现并不理想。通用能量函数多针对蛋白–蛋白或蛋白–小分子复合物构建,往往难以捕捉糖结合所依赖的弱而关键的相互作用,尤其是CH–π相互作用;与此同时,可用于无监督学习的大规模高质量糖–蛋白结构数据又明显不足,制约了通用深度学习模型的训练。因此,如何在有限实验结构的条件下构建能够识别“类天然结合”与“非结合/非天然结合”状态的监督学习模型,成为该领域亟待解决的问题。

针对上述问题,研究人员开发了CLIMBS,用于判别碳水化合物–蛋白质复合物是否处于结合状态。该模型并不直接预测结合自由能,而是将问题定义为二分类任务,即“binding”与“nonbinding”。研究的一个关键创新在于训练数据的构建:正样本来自实验解析的糖–蛋白复合物结构,负样本则来自计算设计流程中未成功的糖结合蛋白设计结果,即“合成负数据”。这一策略缓解了真实非结合结构稀缺的问题,并使模型能够在具有挑战性的近真实场景中学习区别结合与非结合界面的几何和化学特征。研究结果表明,CLIMBS在整体准确率、糖类型辨别能力、运行速度和实用应用方面均优于对比方法,能够有效辅助糖–蛋白复合物的对接筛选与设计评估。

研究人员主要采用了以下关键技术方法:首先,从蛋白质数据库(PDB)中筛选并整理实验解析的碳水化合物–蛋白质复合物作为正样本,并利用Rosetta设计流程生成表现不佳的复合物作为负样本,构建包含19种碳水化合物的训练与测试库;其次,对复合物界面进行最小结合位点提取,将原子、键、极性相互作用和CH–π相互作用编码为图结构;随后,在模型架构中结合球形消息传递(SMP)、主邻域聚合(PNA)和基于超节点的分层图池化,以片段层级表示糖类共享结构特征;最后,将模型应用于未见糖类型预测、模型再训练、分子对接评分和蛋白设计筛选等任务,并与Rosetta、AutoDock、HADDOCK和DIFFDOCK等方法比较性能。

Results Overview of CLIMBS
研究人员首先介绍了CLIMBS的整体设计思想与基础性能。CLIMBS以碳水化合物–蛋白质复合物结构为输入,仅提取结合界面而非整个复合物,以聚焦结合几何特征并降低计算开销。模型在原子层面构建图结构,并通过池化层进一步形成片段级图表示,以增强对不同糖类共享官能团和骨架特征的学习能力。训练集中包含2438个正样本和2429个负样本,整体预测准确率达到88.90%。在不同糖–蛋白复合物类型上的测试显示,模型不仅对训练中见过的糖具有稳定性能,对未见糖也具有一定泛化能力;最低准确率为70.00%,最高达到96.13%。作者据此认为,片段级表示有助于模型在结构相似的多种糖类之间提取具有迁移性的识别特征。

Performance Comparison with Other Methods
在这一部分,研究人员将CLIMBS与多种现有评分方法进行了系统比较,包括Rosetta Energy Function REF、Autodock score function、HADDOCK score function以及DIFFDOCK的置信度模型。结果显示,CLIMBS对单个样本的预测时间仅为0.06 s,计算效率极高。在多项指标中,CLIMBS表现最优,其曲线下面积(AUPRC)为0.816,准确率为83.80%,较其他方法高出20%以上;灵敏度达到74.02%,而其他方法均低于40%。此外,所有方法对负样本的识别普遍优于正样本,但CLIMBS在特异性与灵敏度之间的差距最小,仅为19.02%,说明其对正负样本的偏倚较低。进一步利用Wasserstein距离分析正负样本得分分布后发现,CLIMBS的正负分布分离最明显,提示其在复杂且多样化的糖结合数据集中具有更强的判别能力。

Sugar-Type Specificity
由于单糖之间结构高度相似,糖类型特异性是评价模型实用性的核心指标之一。研究人员以Marinomonas primoryensis PA14的碳水化合物结合结构域MpPA14为案例,评估CLIMBS对不同单糖的区分能力。该蛋白可结合多种单糖,但不结合N-乙酰半乳糖胺。研究中选取了6个已解析复合物及1个推定GalNAc复合物,经Rosetta弛豫和局部对接后,分别用CLIMBS和Rosetta进行评价。结果表明,CLIMBS与Rosetta均能识别GalNAc为不结合,而对其他糖识别为结合;但对于结合最强的岩藻糖,Rosetta倾向于高估结合自由能。进一步的反事实分析聚焦于β-葡萄糖复合物,通过逐一翻转或去除羟基、去除末端O6、删除环碳原子乃至完全移除糖分子等扰动,检验模型是否真正学习到了具有化学意义的糖特征。结果显示,去除糖分子会使全部预测转为非结合,删除环碳会改变21%的预测,而羟基取向改变往往比单纯删除产生更显著影响。这说明CLIMBS依赖于糖的立体化学和官能团几何,而非仅仅记忆蛋白结合口袋形状。

Medium-Trained Model to Predict the Binding of Unseen Sugars
针对训练集中未出现糖类型的预测问题,研究人员分析了不同训练轮次对模型泛化能力的影响。使用未纳入部分糖类样本的模型测试阿拉伯糖、GlcNAc-GlcA、RP5和ASG等未见糖后发现,随着训练轮次增加,训练集内糖类的验证损失持续下降并收敛,但部分未见糖样本的损失在100–200轮后停止收敛,甚至出现回升。尤其是未见二糖GlcNAc-GlcA,其损失在更长训练后明显增大。该结果表明,训练轮次过多可能导致对已见糖过拟合,从而削弱对未见糖的泛化性能。研究人员据此提出,对于预测未见碳水化合物,中等训练程度的模型(约200–300轮)更为适合。

Retraining the Model for New Sugars
研究人员进一步考察了CLIMBS对新糖类型的小样本再训练能力。首先,构建仅含7种PDB中高丰度碳水化合物的初始数据库,并以此训练基础模型。随后通过多组实验,将结构相近但未包含于初始数据集中的糖逐步加入训练,评估模型性能变化。对于唾液酸和阿拉伯糖,唾液酸初始准确率较低,但加入12个样本即可提升至约80%,且不损害阿拉伯糖这一未参与训练糖的性能。对于含呋喃糖环的果糖和核糖,加入48个果糖样本后,果糖准确率显著升至95.75%。对于带有磷酸化或磺酸化修饰的单糖,虽然初始模型从未见过这类修饰,但仍能取得60%–76%的准确率,再以不足40个样本再训练后可提升至76%–85%。在二糖方面,基础模型虽仅用单糖训练,却已能对二糖和部分多糖重复单元给出较高准确率;再加入一定数量的蔗糖或麦芽糖样本后,性能进一步改善。这一系列结果表明,CLIMBS具有较强的迁移学习潜力,通过少量新增样本即可快速适应新的糖化学空间。

Application to Protein Docking
在蛋白质–碳水化合物全局对接任务中,研究人员评估了CLIMBS筛选正确配体放置构象的能力。数据集包含197个分辨率优于2 ?的样本,其中99个样本的Chai-1预测模型通过结构质量筛选并用于评估。研究中将配体RMSD < 2 ?的构象定义为真正例,并分别采用CLIMBS、Rosetta及两者联合指标进行判断。结果显示,CLIMBS在该任务中的准确率为58%,略高于Rosetta;联合指标与CLIMBS单独使用表现相近,说明两者在该测试集上对复合物的判别模式相似。作者指出,在对接场景中,CLIMBS性能较训练集任务有所下降是可以预期的,因为此类任务中正负样本均来自同一生成流程,且样本本身更加困难。

Application to Protein Design
在糖结合蛋白设计任务中,研究人员使用一组通过定向进化从非结合骨架获得的工程化蛋白变体进行评估。实验上已知4种蛋白变体与13种碳水化合物之间的结合亲和力和特异性,但无晶体结构可用。研究人员利用Chai-1预测全部52个复合物,并对通过结构质量筛选的37个模型进行CLIMBS和Rosetta评估。结果显示,CLIMBS总体准确率为70%,显著高于Rosetta的24%;在更严格的Rosetta阈值下,Rosetta性能有所提升,而CLIMBS与Rosetta联合后准确率最高可达81%。这些结果说明,CLIMBS可作为设计流程中的有效过滤器,用于从候选模型中筛选更可能真实结合的糖结合蛋白。

Discussion
讨论部分强调了CLIMBS的几个核心贡献。首先,二元分类框架使模型专注于区分“可结合”与“不可结合”结构,这与传统能量打分函数和置信度指标形成互补,但也意味着该模型不能直接给出相互作用强弱的连续量化。其次,利用设计失败结构构建合成负样本,是该研究最具特色的策略之一。该策略不仅构建了正负平衡的数据集,也使模型能够学习到区别糖结合与非结合界面的原子级细节。再次,CLIMBS的片段层级表示增强了对共享结构基元的利用,使其在小数据集条件下仍具备良好的泛化与再训练能力。作者还指出,CH–π相互作用被模型显式纳入图边信息,而金属离子作用、疏水不利接触和空间冲突等因素则在预处理与训练过程中被隐式编码。总体而言,CLIMBS是一种与现有能量法和机器学习方法相互正交的新型评分工具,能够在糖–蛋白建模流程中提升类天然复合物的筛选效率。

研究结论部分可译为:CLIMBS的架构设计与嵌入表示充分利用了碳水化合物之间共享的结构特征,而基于合成负数据的训练策略则塑造了其判别能力。这一思路具有推广至其他监督学习方法的潜力,并可进一步挖掘这一规模庞大但尚未被充分利用的数据资源。
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