ProMaya: 用于准确且可解释的蛋白质 - 蛋白质相互作用识别的层次化通用深度学习框架

《International Journal of Biological Macromolecules》:ProMaya: A hierarchical universal deep learning framework for accurate and interpretable protein-protein interaction identification

【字体: 大 中 小 】 时间:2026年09月25日 来源:International Journal of Biological Macromolecules 8.7

编辑推荐:

   我们提出了ProMaya,它引入了一套统一的原子、结构和蛋白质语言特征系统,用于通用蛋白质-蛋白质相互作用(PPI)发现。多尺度异构图变换器揭示了超越序列相似性和模板推断的通用相互作用原理。ProMaya在九种物种中始终达到超过95%的准确率,比所有最先进(SOTA)工具高出

  

我们提出了ProMaya,它引入了一套统一的原子、结构和蛋白质语言特征系统,用于通用蛋白质-蛋白质相互作用(PPI)发现。多尺度异构图变换器揭示了超越序列相似性和模板推断的通用相互作用原理。ProMaya在九种物种中始终达到超过95%的准确率,比所有最先进(SOTA)工具高出12%以上。其可解释人工智能(XAI)部分使其能够精确识别相关的界面残基、信号通路和调控网络模块。基于Web服务器的ProMaya实现了蛋白质组规模的互作组发现的民主化,减少了对昂贵实验筛选方法的依赖。

引言

蛋白质是基本大分子,在细胞系统的结构、功能和调控中发挥关键作用。蛋白质由氨基酸长链组成,根据DNA编码的遗传信息合成,执行生命所必需的各类生物功能。它们在复杂的细胞环境中运作,其功能主要通过与其他分子的物理关联来介导。大多数蛋白质并非单独作用,而是通过复杂的相互作用网络进行协调,形成从信号传导到代谢控制、基因调控、免疫应答和DNA复制等所有生物过程的物理基础。绘制这些蛋白质-蛋白质相互作用对于理解动态变化的细胞系统至关重要,能够使我们深入了解特定条件下的细胞反应,从而设计合适的干预措施。然而,尽管蛋白质相互作用如此重要,目前对互作组的了解远不完整。即使在模式生物如智人、酿酒酵母和拟南芥中,也仅有少量所有可能的蛋白质-蛋白质相互作用经过实验验证。这些差距既反映了蛋白质结合的生化复杂性,也反映了实验技术的实际局限性。任何生物系统中可能的相互作用数量都过于庞大,无法仅通过实验来捕获,即使对于单一状态和时刻也是如此。

经典实验方法包括酵母双杂交(Y2H)、串联亲和纯化-质谱(TAP-MS)、免疫共沉淀、蛋白质微阵列和低通量生物物理测定,仍然是互作组鉴定的不可或缺的工具,但本质上受到限制。它们通常需要大量蛋白质,严重依赖先验知识如可用抗体,并且在检查瞬时性、弱结合或上下文依赖性相互作用时误报率较高。这些技术通常昂贵、技术要求高且实施费力。大规模互作组图谱绘制实验通常需要广泛的克隆、优化的表达系统、高质量抗体和仔细的实验设计。因此,尽管经过数十年的实验努力,生成全面的互作组图谱仍然是一个缓慢且资源密集的过程,缺失了大部分相互作用空间。

与此同时,下一代测序技术的进展通过大幅增加几乎所有生物体的基因组和转录组数据量,彻底改变了分子生物学领域。测序成本的快速下降和高通量技术的改进使得能够生成大规模基因组数据集。虽然这些发展产生了对基因组学前所未有的深入见解,但与蛋白质相关的数据集(如蛋白质组学测量和相互作用网络)的扩展则有限得多。与核酸不同,蛋白质表现出复杂的结构动态性、翻译后修饰和上下文依赖性相互作用,难以在大规模上进行实验测量。因此,尽管现在有数百万种蛋白质的序列数据可用,但它们的结构和相互作用伙伴的实验表征并未跟上这种数据积累的速度。这种快速积累的序列数据与相对稀缺的结构和互作组信息之间的不平衡产生了通常被称为"序列-结构-相互作用差距"的现象。

这些挑战促成了计算PPI发现方法的发展。早期的计算PPI模型主要依赖应用于手工构建蛋白质特征的经典机器学习技术。氨基酸组成、理化特性、进化替代分数、结构域共现和二级结构倾向性等特征通常被构建为特征向量用于机器学习分类器。最具影响力的方法包括支持向量机、随机森林和贝叶斯分类器如PEPPI。这些模型表明,序列衍生的描述符包含足够的信息来发现某些类型的相互作用,并为计算PPI推断提供了基础见解。然而,它们也存在严重限制:依赖手工特征工程,无法提取层次化图表示,对远缘物种蛋白质的泛化能力有限,以及捕获结合物理决定因素的能力不足。它们最大的限制是无法捕获更具信息量的中间变量,而这只有深度学习才能实现。

随后,深度学习通过启用从原始序列、结构和分子图中自动、数据驱动地推导隐藏特征和元特征,彻底改变了计算生物学。基于深度学习的PPI算法可以分为三大类:基于序列、基于结构和多模态融合。

一)基于序列的方法仍然最为广泛,因为蛋白质序列数据丰富且易于获取,以及蛋白质组水平分析如蛋白质分类所需的计算可扩展性。DeepPPI和D-script等模型利用循环神经网络、卷积架构和基于Transformer的编码器来识别识别PPI所需的序列模式。最近,蛋白质大语言模型的嵌入通过捕获进化约束、突变共变和功能签名,显著提高了表示丰富性。然而,基于序列的模型本质上缺乏明确的结构性信息,如几何互补性、表面拓扑和相互作用残基的空间排列,这些是物理结合的基本决定因素。因此,这些方法通常难以区分具有相似序列特征但结构兼容性不同的蛋白质。

二)基于结构的方法通过纳入三维信息来解决这一限制。AlphaFold2的出现极大地扩展了结构覆盖范围,使基于图的模型如PPI-GNN和Struct2Graph得以开发,这些模型利用几何和拓扑特征来识别相互作用界面。这些方法改进了残基接近度和表面特性的建模;然而,它们仍受到不完整结构覆盖、构象变异和无法捕获瞬时性或柔性相互作用的限制。值得注意的是,内在无序区域在许多PPI中发挥核心作用,但在常规以结构为中心的框架中表征不佳,限制了其在不同相互作用类型中的适用性。

三)多模态融合方法的出现是为了整合涵盖序列和结构属性的异质数据源。这些模型将序列和结构信息协同作用,将进化、结构、理化和几何信息融合为更符合生物学原理的统一表示。例如,Jha等人开发了一个多模态PPI框架,采用由ResNet50处理的三维蛋白质体积以及共轭三联轴和自协方差序列表示。类似地,最近的研究纳入了距离图、基于能量的描述符和拓扑感知图嵌入。虽然这些多模态方法优于单模态变体,但在捕获高分辨率PPI识别所需的细微、伙伴特定相互作用模式方面仍显不足。许多基于图神经网络的架构主要聚合邻域特征,而不是明确建模每对蛋白质独特的关系依赖性,限制了其在跨物种蛋白质组中的准确性和泛化能力。

尽管有所有这些发展,现有方法中仍然存在三个关键限制。首先,单模态架构无法充分捕获层次依赖关系,残基相互作用不仅受局部接触调节,还受全局蛋白质拓扑和动态性调节。其次,没有框架明确建模局部表面质量密度,即蛋白质表面上原子质量的空间分布,作为结合的物理决定因素。局部表面质量密度控制范德华力和疏水坍缩,这在PPI预测中仍未被量化。第三,几何表示缺乏多尺度分辨率,无法协调原子水平理化细节与介观界面形态。因此,即使是最新工具如PPI-GNN,在瞬时相互作用上也表现出较低准确性,且跨物种泛化能力较差。

基于这些主要瓶颈,我们在此引入ProMaya,这是一个深度学习框架,通过明确建模局部表面质量密度作为分子识别的主要驱动因素,同时捕获内在无序区域对蛋白质结合的动态贡献,重新定义了多模态PPI发现。我们的核心假设是,蛋白质-蛋白质相互作用受相对表面上互补的"质量密度指纹"支配,紧密堆积的疏水核心、π堆积芳香族簇和埋藏极性网络产生的密集区域形成独特的理化签名,比单纯的静电或疏水性更能有效地指导伙伴选择。然而,相当一部分相互作用,特别是在信号和调控网络中,不是通过刚性界面介导的,而是通过柔性、富含无序的片段介导的,这些片段经历无序到有序转变,通过短线性基序参与。这些内在无序区域表现出低局部表面质量密度、高构象熵和独特序列签名,这些无法通过几何或结构单独捕获。为了考虑这些双重分子识别模式,ProMaya集成了质量加权表面点云、原子分辨率几何图和内在无序区域倾向性分数,将它们与来自大型蛋白质语言模型如ProtTrans的进化约束统一起来。这种组合使ProMaya能够准确建模结构化结合界面和柔性无序介导的相互作用,为蛋白质组范围内的PPI特异性决定因素提供整体、多尺度表示,完全以通用方式。

为实现这一原则,ProMaya协同三种创新:

1)多尺度几何学习:原子坐标被转换为Pointnet++衍生的点云,其中每个顶点编码局部表面质量密度以及静电、曲率和化学特征。

2)层次化图变换器:一种新颖的层次化图变换器架构在原子、残基和蛋白质分辨率上处理特征,具有跨级注意力机制,将物理约束向上传播并将功能上下文向下传播。

3)多模态序列-结构融合:来自ProtTrans嵌入的进化信号通过门控交叉注意力与几何特征集成,保留生物上下文,否则在纯结构模型中会丢失。

ProMaya实现了显著的准确性和一致性,准确率超过97%,在测试覆盖不同物种的大量实验数据时平均准确率为95%以上。与最先进方法相比,ProMaya以巨大优势胜出,在四个独立数据集上的基准测试中,超过了PPI-GNN、D-SCRIPT、DeepPPI和PEPPI。据我们所知,ProMaya在九种涵盖主要分类群的物种中实现了最强的跨物种和冷启动性能,比现有最先进方法高出12%。这也使其成为昂贵且繁琐实验的有力替代,同时有望加速系统生物学领域的发展。

数据集准备

实验确定的二价蛋白质-蛋白质复合物来自PDBbind 2021和DIPS-PLUS,由涵盖六个模式生物(智人、酿酒酵母、大肠杆菌、拟南芥、果蝇和秀丽隐杆线虫)的46,706个结构组成。结构质量通过排除分辨率大于3.0埃、不完整骨架链、超过5个连续缺失残基等条目来保证。

数据集构建和大规模、多物种PPI基准的编目

我们使用PDBbind 2021和DIPS-PLUS,从智人、酿酒酵母、大肠杆菌、拟南芥、果蝇和秀丽隐杆线虫中汇编了一个结构解析的多物种蛋白质-蛋白质相互作用语料库,产生46,706个二价复合物。结构质量过滤后(分辨率不超过3.0埃,完整骨架,无伪连接子和非生理组装),45,231个复合物被纳入最终数据集。

结论

蛋白质-蛋白质相互作用支撑着细胞信息处理,但它们的发现仍受编码策略限制,这些策略要么缺乏结构特异性,要么无法整合多尺度信息。ProMaya通过引入基于以下假设的层次化、多模态框架来解决这一问题:相互作用界面表现出源自紧密堆积原子环境的独特局部表面质量密度签名。这一原则通过多尺度几何学习、层次化图变换器和多模态序列-结构融合得以实现。

CRediT作者贡献声明

Umesh Bhati:写作-审查与编辑,写作-原始草稿,可视化,验证,软件,方法学,调查,形式分析,数据编目。Sagar Gupta:写作-审查与编辑,可视化,软件,调查。Veerbhan Kesarwani:可视化。Ravi Shankar:写作-审查与编辑,写作-原始草稿,监督,项目管理,方法学,调查,资金获取,形式分析,概念化。

资金

本工作由印度政府科学技术部国家网络项目资助,项目编号为BT/PR40177/BTIS/137/49/2022,授予R.S.。

利益冲突声明

作者声明他们没有利益冲突。

致谢

本工作在喜马拉雅高通量计算生物学中心旗下进行,这是一个由印度政府科学技术部支持的研究中心。本工作由印度政府科学技术部国家网络项目资助,授予R.S.。U.B.感谢印度政府科学技术部作为DBT-SRF提供的财政支持。S.G.和V.K.感谢印度政府科学技术部作为项目关联提供的财政支持。

UB、SG 和 VK 还要感谢科学与创新研究学院(AcSIR)以及 Umesh Bhati、Sagar Gupta、Veerbhan Kesarwani 和 Ravi Shankar。
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