TREAD:用蛋白质语言模型嵌入进行监督式重复序列注释
Beyond profiles: supervised repeat annotation using protein embeddings
作者提出 TREAD,一个直接基于蛋白质语言模型嵌入的监督式重复序列注释框架,将重复检测重构为残基级注释问题。在 RepeatsDB 和 Pfam 的互补基准上,TREAD 与基于 profile 的 HMMER 持平或更优,尤其在低数据和高差异场景。作者还用 TREAD 扫描 AlphaFold Database 和代表性蛋白质组中的 β-螺旋桨蛋白,生成该折叠的综合普查。
预印本 · biorxiv · 10.64898/2026.05.19.725729
本站摘要基于收录版本 v2(2026-10-29),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
蛋白质重复序列可产生多样的蛋白质结构和功能,但由于单个重复单元在序列上可能差异显著而结构却保持相似,基于序列的检测往往颇具挑战。大多数灵敏方法依赖于比对或衍生谱直接表示的序列信息,从而限制了灵活性和可扩展性。在此,我们提出 TREAD(基于迁移学习的蛋白质嵌入重复序列注释,Transfer learning-based REpeat Annotation using Protein EmbeDdings),这是一个将重复序列检测重新表述为残基层注释问题的有监督框架,直接在蛋白质语言模型的嵌入上运行。TREAD 不构建显式的概率谱,而是隐式地学习重复序列特异特征,从而实现残基级评分和灵活的重复片段提取。在基于 RepeatsDB 和 Pfam 的互补基准测试中,TREAD 持续达到或超越了广泛使用的基于谱的工具 HMMER,尤其是在低数据量和高差异度的场景下。该模型对评分阈值表现出稳健性,并在独立测试集(包括包含远缘相关家族的测试集)上展现出更好的泛化能力。为展示 TREAD 的实际应用价值,我们将其用于在 AlphaFold 数据库和代表性蛋白质组中调查 {beta}-螺旋桨蛋白,从而生成该折叠类型的全面普查。该分析揭示了螺旋桨结构的广泛多样性,识别出生命之树中跨谱系的特异性扩张模式,并提示了螺旋桨与其他重复折叠类型之间此前未被认识的关系。总而言之,TREAD 为基于谱的重复序列注释提供了一种灵活且可扩展的替代方案,并建立了一个以基序为中心的蛋白质序列注释通用框架。
来源:bioRxiv · biorxiv.org