突变诱导折叠切换的深度学习预测基准评测

已知许多蛋白质能够采取多种不同的折叠状态，而这些状态通常与关键功能行为相关。对这类折叠转换蛋白或变构型蛋白性质的预测性理解，能够为蛋白质动力学与能量学提供洞见，并促进复杂蛋白质功能和分子机器的设计。近年来，新近发展的深度学习建模工具，包括 AlphaFold，已显著提高了从序列预测蛋白质结构的准确性，但其在预测点突变效应或折叠转换方面的表现仍不明确。本文构建了一个经 NMR 表征的 GA/GB 模型折叠转换系统突变体系统性数据集，并利用该数据集评估当前结构预测与设计方法是否能够预测突变诱导的折叠状态变化。我们测定了三个关键位点变体的折叠状态群体分布，这些位点可差异性地稳定 3、4β+、混合态或未折叠态，从而为突变层面的折叠转换建立了一个定量实验基准。利用这一基准对一组基于深度学习和基于物理的建模与设计算法进行评估和比较后，我们发现，不同方法的表现存在差异且具有位点依赖性；其中某些基于 AlphaFold2 的算法能够预测单个位点上的突变效应，表明其对残基替换物理效应具有一定程度的理解。将预测结果与实验测得的稳定性变化进一步比较后，也更加突显了这种位点依赖性的成功以及预测算法所面临的普遍挑战。总体而言，本研究为突变诱导的折叠转换提供了一个新的基准，并揭示了深度学习模型在预测突变依赖性蛋白质构象状态方面的当前能力与局限性。

许多蛋白质已知能够采取多种不同的折叠状态，而这些状态通常与关键功能行为相关。对这类折叠切换蛋白或变形蛋白性质的预测性理解，能够为蛋白质动力学与能量学提供洞见，并促进复杂蛋白质功能和分子机器的设计。近年来，新近发展的深度学习建模工具，包括 AlphaFold，在基于序列预测蛋白质结构的准确性方面带来了显著提升，但其在预测点突变效应或折叠切换方面的表现尚不明确。在此，我们提出了一个经系统性 NMR 表征的 GA/GB 模型折叠切换体系突变体数据集，并利用该数据集评估当前结构预测与设计方法是否能够预测由突变诱导的折叠状态变化。我们测定了三个关键位点变体的折叠状态群体分布，这些位点对 3α、4β+、混合态或未折叠态具有差异性稳定作用，从而生成了一个关于突变水平折叠切换的定量实验基准。利用这一基准对一组深度学习和基于物理的建模与设计算法进行评估和比较后，我们发现，该基准揭示了不同方法之间以及不同位点之间表现的差异性；其中某些基于 AlphaFold2 的算法能够预测单个位点上的突变效应，表明其对残基替换的物理效应具有一定程度的理解。进一步将预测结果与实验测得的稳定性变化进行比较，也进一步凸显了其在不同位点上的成功程度差异，以及预测算法所面临的普遍挑战。总体而言，本研究为突变诱导的折叠切换提供了一个新的基准，并揭示了深度学习模型在预测依赖突变的蛋白质构象状态方面的当前能力与局限性。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.02.742283v1?rss=1

🏷️ 蛋白质折叠转换 点突变效应 深度学习预测 AlphaFold2 结构预测基准