- 2 次围观
内容形式：摘要译文
内在无序区域（IDRs）内蛋白质结合位点的计算预测方法，在高质量基准数据集上的表现高度不一致。为了解释这些差异的来源，我们在三个独立测试集上系统比较了各种预测方法：两个采用最新 DisProt 注释更新的 CAID 数据集，以及一个由 DIBS、FuzDB、IDEAL 和 MFIB 汇编而成的复合数据集（DBs）。主要基于 DisProt 数据训练的预测方法在 CAID 数据集上取得了显著更高的 AUC 值，但在 DBs 上表现较差。相比之下，基于较早期、低质量 PDB 数据集训练的预测方法在所有数据集上表现较为均衡，并在 DBs 上略占优势。训练数据来源较为混合的预测方法则表现出介于两者之间的特征。通过采用相同 CNN 架构的对照实验和特征分析，我们证明，驱动这些性能差异的主要因素是结合位点自身的内在无序倾向。DisProt 数据集中的结合残基，其平均无序倾向评分明显高于源自 PDB 的数据集中的结合残基。这种此前未被认识到的选择偏差——文献研究倾向于表征无序程度更高的结合位点，而源自 PDB 的注释则捕获无序程度较低的结合位点——实际上将 IDR 蛋白质结合位点划分为两类截然不同的类别。因此，针对其中一类优化的预测方法难以推广至另一类。结合位点长度和序列保守性对于解释所观察到的不一致性仅发挥次要作用，甚至几乎不起作用。这些发现凸显了当前 IDR 结合位点预测基准测试实践和训练策略中的一个关键局限，强调了对
更均衡且能够反映疾病状态的参考数据集。此外，本文提出的诊断技术或可应用于本研究所探讨的具体应用场景之外。
关键词：内在无序蛋白质 · 蛋白质结合位点预测 · 基准数据集偏差 · DisProt数据库 · 卷积神经网络 · 无序倾向评分
原文链接：https://www.biorxiv.org/content/10.64898/2026.06.24.733783v1?rss=1