跳到正文
bioRxiv· Lin, B.; Lu, D.·· 来源仅提供日期AI 评分61

EpiRank:用伙伴无关表面斑块检索预测蛋白质结合界面表位

EpiRank: partner-agnostic surface-patch retrieval for epitope prediction of protein binding interfaces

AI 导读

Lin 与 Lu 构建了 EpiRank,一种仅用单链几何与物理化学特征的伙伴无关表位预测器,并在 3,529 条目标链上按检索问题评估。

预印本 · biorxiv · 10.64898/2026.10.26.762091

本站摘要基于收录版本 v1(2026-11-01),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

基于结构的界面预测方法通常以残基测试集上的单一汇总 ROC AUC 来报告结果。但对蛋白质设计者而言,真正关心的问题截然不同,也困难得多:给定一条目标链,排名最高的表面斑块会是真实的结合位点吗?我们构建了 EpiRank——一个不依赖结合伙伴的表位预测器,它基于 HumanPPI 的 29,246 个人类预测二聚体、12,296 条目标链、418 万个残基,仅使用单链几何与理化特征(170 个特征,不使用伙伴信息、不做序列搜索、不使用结构字母表),并将其作为检索问题来评估:采用同源性与伙伴图受控的划分方式,在通过显式伙伴污染过滤的 3,529 条链上进行评测。该模型有 64% 的情况能在排名最高的斑块中命中真实表位。这个数字的参考价值远没有看起来那么大。在同样的规则下,随机放置的紧凑斑块命中真实表位的比例是 41%,因此模型的提升度是 1.57 倍,而非 64%;54% 的预测斑块完全没有落在任何东西上;而且当同样的链由在 2,000 条链和 11,669 条链超集上训练的模型打分时,相当一部分链的答案发生了变化,而汇总指标却几乎没有变动。我们记录了该任务容易导致结论夸大的四种具体方式:划分之间的伙伴图渗透、常规 30% 序列一致性阈值下的单链接同源性渗透、只统计命中数量而奖励空间平滑而非真实信号的命中判定规则,以及以成功为条件的热点精确度——后者会把随机基线排在训练模型之上。这四种情况在开发过程中都出现过,而且每一种都推翻了我们此前已经得出的结论。我们主张,界面预测论文除了 AUC 之外,还应报告相对于几何匹配随机基线的提升度、斑块精确度以及逐目标稳定性,并且我们开源了用于计算这些指标的评测框架。

来源:bioRxiv · biorxiv.org