跳到正文
bioRxiv· Rozsa, Z. B.; Erdos, G.·· 来源仅提供日期AI 评分68

DEEP 框架从蛋白质结构预测器中提取潜在能量景观

DEEP: Extracting Latent Energetic Landscapes from Protein Structure Predictors

AI 导读

Rozsa 与 Erdos 提出 DEEP 框架,可直接从蛋白质结构预测器预测的残基对距离分布中提取有效统计势,无需用实验稳定性数据训练。DEEP-Boltz 在 64 项 ProteinGym 稳定性评测上的平均每项 Spearman 相关系数为 0.720,数值上优于匹配比较中的全部 97 个已发表零样本方法,与直接用实验稳定性测量训练的最佳预测器处于同一水平。

预印本 · biorxiv · 10.64898/2026.10.15.759389

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

现代蛋白质结构预测器能够学习复杂的序列-结构关系,但其内部表征在多大程度上捕捉了支配蛋白质稳定性和构象偏好的能量学原理,仍不清楚。在此,我们提出 DEEP(Distogram Encoded Energetic Potential,距离图编码能量势),这是一个通用框架,可直接从预测的残基对距离分布中提取有效统计势,以模型自身的末端距离状态作为内部参考,无需在实验稳定性数据上进行训练。将其应用于 Boltz-2(DEEP-Boltz),在 64 项 ProteinGym 稳定性实验中实现了 0.720 的平均逐实验 Spearman 相关性,在匹配比较中数值上优于全部 97 种已发表的零样本方法,与直接在实验稳定性测量上训练的最佳预测器相当。除突变效应外,DEEP-Boltz 还能在超过 180,000 个 Rosetta decoy 中准确区分天然样构象与非天然构象。将 DEEP 应用于 AlphaFold2 揭示了几乎相同的构象判别能力,但突变效应预测能力明显更弱,这表明识别有利构象和捕捉其对序列变化的能量敏感性是学习到的结构表征的不同属性。这些发现共同表明,蛋白质结构预测器编码了其几何预测之外的可及能量信息,并且这种信息可以被提取。我们将该框架和 DEEP-Boltz 作为一个免费可用的工具发布,用于提取这些潜在能量表征以及零样本预测突变引起的蛋白质稳定性变化。

来源:bioRxiv · biorxiv.org