蛋白质是一类维持生命所必需的复杂生物大分子，机体细胞执行许多功能时均需要蛋白质的参与。蛋白质发挥功能的基础与其复杂的三维结构密切相关，化学性质与空间位置的组合是它们发挥活性的关键，因此要了解蛋白质的功能就需要对其结构进行精确测定。

传统的蛋白质结构测定包含X射线晶体衍射、核磁共振、冷冻电子显微镜(Cryo-EM)等方法，但基于实验的方法通常较为繁琐而昂贵，且若蛋白质难以获得、难以结晶或不能稳定存在，则这些方法将不适用。不过，蛋白质的序列测定已是蛋白质研究中的常规程序，因此直接从蛋白质序列出发预测蛋白质结构的方法正受到越来越多的关注。

基于序列的蛋白质结构预测方法通常包含两个组成部分。第一部分是蛋白质构象采样过程，该过程需要生成尽可能包含正确结构的多样化构象集；第二部分则是对已生成的构象进行模型评分(quality assessment, QA)，挑选出尽可能接近天然结构的蛋白质构象。

蛋白质结构预测

构象模型QA的优化是一个具有挑战性的问题，国际蛋白质结构预测竞赛(CASP)还为此主题单独开设了一个分类。一般而言，蛋白质的折叠是热力学驱动的，其可以通过体系自由能的变化(包括焓变与熵变的贡献)表征。但是，自由能变化的数值估计较为困难、计算开销大，一般需要较高维度的采样并依赖基于经验的蛋白环境数据。

机器学习技术的出现和发展及大量蛋白结构的精确测定则为基于机器学习方法的新型QA方法提供了机遇。以3D卷积神经网络(CNN)方法为基础，作者开发了一种改进的QA评估算法Ornate^[1]，以进一步提升预测模型QA的准确性与易用性。算法将全局评分任务拆分为一组本地的基于残基的打分任务，并以一个特别构建的CNN处理残基数据。算法同时也会自动识别残基原子类型并对网络中的数据进行动态路由。

带有动态特征路由的三维卷积神经网络

图1：CNN网络拓扑图^[1]

蓝色箭头代表3D卷积层连接，红色箭头代表全连接关系

作者构建了一个卷积神经网络，接受拆分的本地任务中残基数据以及其邻接域中的残基信息作为输入，给出每个残基的预测质量打分。图1示网络的拓扑结构，算法首先通过一个“Retyper”层与三重3D卷积层处理输入的残基数据，学习高级结构特征，粗化数据并进行降维；随后经全连接层重整，组合特征并经归一化、后置路由层加权后产生最终结果。此网络采用ELU激活函数，测试显示其可加速神经网络的学习并提高准确度。

算法的“Retyper”层同样是一个卷积层，其处理蛋白质中167种原子类型(20种残基的PDB原子类型标记)并将其投射至一个15维的特征空间。这一步处理可以有效降低输入数据的维度，并使数据密度由稀疏转为密集。在卷积层后，作者构建并训练了一个数据路由层。路由层接受卷积层的数据作为输入，预测并给出输入的残基经卷积层处理后各个特征分量在最终结果中应占的权重，进而提高结果准确性。

图2：划分残基计算任务输入示例^[1]

图示晶体1YRF，深灰色示当前计算的残基Phe58

浅灰色为其周围参与计算的邻接域(边长19.2 Å的盒型空间)中的残基

在通常的蛋白质构象全局评估中，由于需要考虑较多的特征数据，局部的残基有利及不利构象特征可能被弱化，导致模型评估能力下降。与全局评估相比，Ornate算法采用将蛋白质拆分为残基组分别进行本地打分的方式，可以使网络更具体地学习相关细部特征，进而提升评分准确度。

传统上，CNN接受固定长度的数据作为输入，但不同蛋白质的大小可存在较大差异。故为了覆盖尽可能多种类的蛋白质，全局的计算方法需要构建大体量的网络，并受到网络复杂度、训练耗时与最大容许结构大小的限制。将蛋白拆分并单独计算的方法则具有更好的可扩展性，无需对输入数据进行大幅缩放以匹配网络输入。此算法的网络可为每个残基提供一个依据CAD-score^[2]方法计算的QA评分，允许直接对特定位置的残基进行打分，或将得分求和并取平均值作为整个蛋白的评分。

算法表现评价

表1：算法表现横向比较结果(CAD-score)^[1]

P.L. = Prediction Loss, r = Pearson's r, ρ = Spearman's ρ, τ = Kendall's τ

Av. = Average, Gl. = Global，* = 针对CAD-score调优

表1为作者发展的QA评分算法Ornate与其他预测方法的模型评分结果比较；其中Proq3D是一应用了外部进化信息数据库的方法，其余均为仅基于蛋白序列的方法；评价中采用CAD-score作为真值，测试数据选择CASP11与12的样例。测试结果显示，Ornate的各项评价指标几乎都仅次于Proq3D方法。表2示采用GDT-TS计算结果作为真值进行对比时各算法的测试表现。尽管Ornate算法并未针对GDT打分进行优化，其在测试中仍然具有较好的表现，在3个测试集的部分评价指标中取得了较高排名。

表2：算法表现横向比较结果(GDT-TS score)^[1]

^{* = 针对GDT-TS score调优}

Ornate算法与作为基准的CAD-score方法对蛋白结构进行QA评估的结果对比如图3所示。真实的蛋白结构展示于Native列，剩余两列为特别构建用于测试的包含正确区域与不佳区域的蛋白结构。Ornate可以以较高的打分识别出正确的结构部分，并能区分建模不佳的结构。其与Native列的正确答案吻合，并与CAD-score计算的结果有较高的一致性。

图3：本地QA打分对比^[1]

1、2列为测试用蛋白结构，3列为正确结构

总结

蛋白质结构预测是目前重要的研究方向，其结果的QA评估则对预测方法的训练与准确率起到关键作用。本文介绍的Ornate算法是最近应用于QA评估的3D卷积神经网络算法之一。通过应用专门设计的残基CNN打分网络、任务切片计算、降维处理与结果特征的路由网络加权，Ornate算法表现出较好的QA评估能力，在多项相关测试中取得了不错的结果。此类算法与蛋白质构象生成算法的联合应用可望有效提高根据序列进行的蛋白质结构预测准确度，进而推进相关研究的发展。

参考文献

[1] Guillaume Pagès, Benoit Charmettant, SergeiGrudinin. Protein model quality assessment using 3D oriented convolutionalneural networks[J]. Bioinformatics, 2019, DOI: 10.1093/bioinformatics/btz122.

[2] Kliment Olechnovic, Eleonora Kulberkyte, Ceslovas Venclovas. CAD-score: A new contact area difference-based function for evaluation ofprotein structural models[J]. Proteins: Structure, Function, and Bioinformatics, 2013, 81(1):149-162.

---

作者：沈子豪

校稿：李诗良

编辑：王洁

华东理工大学/上海市新药设计重点实验室/李洪林教授课题组

Li's Lab地址:上海市梅陇路130号 电话：021-64250213课题组网站：http://www.lilab-ecust.cn

长按扫码可关注