- 3 次围观
大规模蛋白质结构预测使全蛋白质组范围的蛋白质—蛋白质相互作用（PPI）筛选成为可能，但如何将具有生物学意义的相互作用与非特异性界面区分开来，仍然面临挑战。为此，我们开发了一种可扩展框架，将快速、无需多序列比对（MSA）的 ESMFold2 预测与 PAE 引导的结构域解析和基于证据的重新排序相结合。在 FoldBench 上，进行三次回收迭代的 ESMFold2-Fast 获得了 57% 的可接受或更高 DockQ 得分，其性能与 AlphaFold2-Multimer 相当，同时显著降低了计算成本。PAE 引导的解析在所解析的结构域对中保留了 98.1% 的 XL-MS 交联。随后，我们开发了结构预测与组学信息分类器（Structure Prediction and Omics informed Classifier，SPOC）-ESMFold2，将结构特征与独立的生物学证据相结合，以优先筛选预测的相互作用。SPOC-ESMFold2 的 AUROC 和 AUPR 分别达到 0.93 和 0.90，而仅使用结构特征的分类器相应为 0.87 和 0.79。在阳性—阴性样本比例为 1:128 的条件下，SPOC-ESMFold2 在 5% 假发现率下实现了 17.2% 的召回率，显著优于单独使用结构置信度指标的表现。该框架通过将结构合理性与正交的生物学证据相结合，为可扩展的 PPI 筛选提供了支持，并可优先遴选候选相互作用以供实验研究。
大规模蛋白质结构预测使得开展全蛋白质组范围的蛋白质-蛋白质相互作用（PPI）筛选成为可能，但从虚假界面中辨别具有生物学意义的相互作用仍然具有挑战性。在此，我们开发了一种可扩展的框架，将快速、无需多序列比对（MSA）的 ESMFold2 预测与 PAE 引导的结构域解析和基于证据的重新排序相结合。在 FoldBench 上，进行三次循环的 ESMFold2-Fast 获得了 57% 的可接受或更高 DockQ 得分，与 AlphaFold2-Multimer 相当，同时显著降低了计算成本。PAE 引导的解析在所解析的结构域对中保留了 98.1% 的 XL-MS 交联。随后，我们开发了结构预测与组学信息分类器（Structure Prediction and Omics informed Classifier，SPOC）-ESMFold2，该方法将结构特征与独立的生物学证据相结合，以优先筛选预测的相互作用。SPOC-ESMFold2 的 AUROC 和 AUPR 分别达到 0.93 和 0.90，而仅使用结构特征的分类器分别为 0.87 和 0.79。在阳性与阴性样本比例为 1:128 的条件下，SPOC-ESMFold2 在 5% 假发现率下实现了 17.2% 的召回率，显著优于单独使用结构置信度指标的表现。该框架通过整合结构合理性与正交的生物学证据，实现了可扩展的 PPI 筛选，从而为实验研究优先筛选候选相互作用。
感谢您有兴趣传播 bioRxiv 的相关信息。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.16.751194v1?rss=1
🏷️ 蛋白质-蛋白质相互作用 蛋白质结构预测 ESMFold2 结构域解析 多组学证据整合 机器学习分类