一種基于深度學習的多肽-蛋白質相互作用(PepPIs)預測框架(CAMP)，包括了多肽-蛋白質相互作用預測和相應的多肽結合殘基識別。
背景介紹
多肽，通過與多種蛋白質相互作用參與了許多細胞過程，如程序性細胞死亡、基因表達調控和信號轉導，在人類生理中發揮著重要作用。通過實驗確定PepPIs通常是費時且昂貴的。為了解決這個問題，研究人員開發了一系列計算方法，以促進肽藥物的發現。
基于序列和基于結構的方法，是預測蛋白質與配體相互作用的兩種主流方法?；谛蛄械姆椒?，主要利用原始序列信息對交互進行建模。但這種方法，通常需要已知的蛋白質-配體相互作用作為監督標記，蛋白質(或配體)的成對相似度評分作為輸入特征，由于相似度計算的復雜性，這對于大規模數據通常是不切實際的?；诮Y構的方法，如分子對接，通過在原子水平上建模結構構象和預測結合親和力，成功地解決了這個問題。目前，確定PepPIs有許多成熟的對接策略，根據輸入結構信息的程度，大致可分為局部 (DynaRock和rossetta FlexPepDock)和全局(如PIPER-FlexPepDock和HPEPDOCK)對接方法。不幸的是，求解這樣的三維結構，通常是耗時且昂貴的，更不用說由于能量函數的高計算復雜性而消耗的大量計算資源。
最近，蓬勃發展的深度學習技術，為蛋白質配體或蛋白質相互作用(PPI)的建模提供了可行的解決方案，用更少的計算資源就可以實現更高的準確性。盡管肽藥物越來越被重視，最近幾十年獲批的肽療法的數量也呈上升趨勢，但只有少數工作提出了利用機器學習或深度學習方法來建模PepPIs。此外，對于解讀PepPIs的潛在機制，現有的方法主要集中在蛋白質表面的肽結合殘基的識別上，如基于序列的PepBind方法和基于結構的InterPep方法。遺憾的是，這些方法都有自身的局限性。
此外，現有大多數用于建模PepPIs的計算方法，都未能回答藥理學家經常提出的一個重要問題——如何確定每個單獨的肽殘基對結合活性的貢獻？因此，顯然需要解決以下挑戰：(1)準確有效地識別PepPIs，同時考慮多肽和蛋白質的信息；(2)對大數據集具有很強的泛化能力；(3)檢測關鍵的肽結合殘基，可提供有用的線索。
主要內容
為此，來自清華大學的趙誕&曾堅陽等研究者提出了CAMP，這是一個可同時預測PepPIs和識別結合殘基以及肽序列的深度學習框架。綜合評價表明，CAMP可以成功捕獲多肽與蛋白質之間的二元相互作用，并識別出參與相互作用的多肽的結合殘基。此外，CAMP在預測雙肽-蛋白相互作用方面，優于其他主流方法。CAMP可以作為預測肽-蛋白相互作用和識別肽中重要結合殘基的有用工具，有助于肽藥物的發現過程。相關的研究成果以“A deep-learning framework for multi-level peptide-protein interaction prediction”為題發布在國際著名期刊Nature Communications上。
CAMO概述
首先，CAMP應用了以下5個步驟的多源數據管理和多級標簽構建(圖1a)：
(1)?從RCSB PDB中提取肽蛋白復合物結構，從DrugBank中提取已知藥物-靶點對；
(2)?利用蛋白質配體相互作用預測因子(protein ligand interaction predictor, PLIP)，識別每個PDB復合物中肽與蛋白質之間的非共價相互作用，僅保留具有非共價相互作用的肽蛋白對作為陽性樣本；
(3)?從PepBDB獲得肽的結合殘基標簽(PepBDB是由RCSB PDB衍生的肽蛋白復合物的結構數據庫)；
(4)?基于肽和蛋白質的一級序列，生成肽和蛋白質的殘基級結構和理化性質、內在無序傾向以及蛋白質的進化信息；
(5)?整合多級標簽，即肽-蛋白對的二元相互作用標簽和肽結合殘基標簽進行訓練過程。
圖 1. CAMP的工作流程和體系結構。圖片來源于Nat. Commun.
CAMP的整體網絡架構，如圖1b所示。給定輸入肽-蛋白對的特征輪廓，CAMP利用兩個多通道特征提取器分別對它們進行處理。該數值通道，用于提取預定義的密集特征(即蛋白定位特異性評分矩陣(PSSM)和蛋白和肽序列中每個殘基的內在無序趨勢)。每個分類通道都包含一個自學習詞嵌入層，該層采用輸入肽或蛋白質的分類特征之一(即原始氨基酸、二級結構、極性和親水性)。
接下來，CAMP利用兩個卷積神經網絡(CNN)模塊分別提取多肽和蛋白質的隱藏語境特征。此外，CAMP采用自注意力機制來了解殘基之間的長期依賴關系，以及蛋白質和多肽個體殘基對最終相互作用預測的貢獻。然后，CAMP結合所有提取的特征，使用三個完全連接層來預測給定的肽-蛋白對之間是否存在相互作用。CAMP取每個位置具有sigmoid激活功能的肽CNN模塊的輸出，預測每個肽殘基是否與伴侶蛋白結合。
在二元相互作用預測中，CAMP優于基線方法
在這里，研究者比較了CAMP與其他最先進的基線方法的分類性能，包括基于相似度的矩陣分解方法(NRLMF)、基于深度學習的PPI預測模型(PIPR)和基于深度學習的CPI預測模型(DeepDTA)。
圖2顯示，CAMP的表現始終優于最先進的基線方法，在AUC和AUPR方面分別增加了10%和15%。此外還注意到，在“新肽設置”下的模型表現，似乎比在其他設置下的模型表現更好。這些測試結果表明，在所有交叉驗證設置下，CAMP都能比基線方法獲得更好、更健壯的性能。圖2還顯示了CAMP在某些聚類設置下生成的預測結果相對不同。?
圖2. 交叉驗證三種設置下CAMP與基線模型的AUC和AUPR。圖片來源于Nat. Commun.
通過表征肽結合殘基的新見解
在CAMP中，研究者設計了一個監督預測模塊，來識別肽序列中的結合殘基。首先，研究者利用來自PepBDB的相互作用信息，構建了一組肽結合殘基的合格標簽；這是一個全面的結構數據庫，包含了從RCSB PDB已知的相互作用肽蛋白復合物，以及有關氫鍵和疏水接觸中肽結合殘基的信息。
在這些監督信息的支持下，CAMP在使用隨機分裂設置的五倍交叉驗證程序進行肽結合殘留鑒定時，獲得的平均AUC為0.806，馬修斯相關系數(MCC)為0.514(圖3a, b)。
圖3. 通過5倍交叉驗證，評價CAMP在基準數據集上肽結合殘基識別的性能。圖片來源于Nat. Commun.
為了進一步證明CAMP在結合殘基預測中的性能，研究者還選擇了4個具有代表性的案例(預測肽結合殘基的平均AUC評分分別為約1%、35%、50%和85%)，并將預測殘基與真實相互作用的殘基進行了比較。
圖3c顯示了第一個案例，一個HIV-1特異性細胞進入抑制劑和HIV-1 GP41三聚體核心的復合物(PDB ID: 1FAV)。肽抑制劑有33個氨基酸，其中12個是結合殘基。CAMP識別了所有這些結合殘基，沒有任何假陽性。
圖3d顯示了第二個案例，HIV-1 gp120包膜糖蛋白和CD4受體的復合物(PDB ID: 4JZW)，在平均AUC方面排名前35%左右。該肽有28個氨基酸，其中13個是結合殘基。研究者預測的結合殘基覆蓋了沿著肽序列的11個真結合殘基，遺漏了2個真結合殘基。
圖3e顯示了第三個案例，組蛋白去乙?；负湾^蛋白重復家族A蛋白的一個肽復合物(PDB ID: 3V31)。在研究者的預測中，這一對在AUC方面排名中位數，CAMP成功識別了11/13的真結合殘基，其中有一個假陽性。
圖3f顯示了最后一個案例，T淋巴瘤侵襲和轉移誘導蛋白和8個殘基磷酸化的syndecan-1肽復合物(PDB ID: 4GVC)，在研究者的預測中排名約85%，平均AUC為0.571。所有8個殘基(包括1個假陽性)都被CAMP預測為結合殘基。
總體來說，研究者的測試結果表明，CAMP能夠準確預測結合殘基，從而為進一步理解肽與伴侶蛋白的相互作用機制提供了可靠的證據。
CAMP在附加基準數據集上的通用性
為了證明CAMP對二元交互預測的魯棒性，研究者評估了CAMP和基線模型對上述測試數據集的幾個變化的正-負比率的性能。圖4a和b顯示CAMP在所有場景下取得了最好的結果，表明CAMP優于基線方法，具有相對穩健的性能。研究者還觀察到，隨著正負比從1:1下降到1:10，所有方法的AUC均略有增加。
研究者還評估了CAMP對肽結合殘基識別的預測結果。研究者從PepBDB中獲得了注釋的肽序列結合殘基。從測試數據集來看，總共有208種PepPIs具有這樣的肽結合殘基標簽。圖4c和d顯示了CAMP能夠維持其對上述附加數據集的預測能力。
圖4. CAMP具有穩健的性能，并在獨立測試集上優于基線模型。圖片來源于Nat. Commun.
CAMP在三個相關任務中的擴展應用
研究者進一步研究了CAMP在預測肽-PBD (protein binding domain)相互作用、結合親和評價和肽虛擬篩選三個相關任務中的應用潛力。圖5顯示了CAMP在除PDZ外的所有家族中，都顯著優于HSM-ID和HSM-D。
圖5. CAMP、HSM-ID和HSM-D在8個系列中的模型表現。圖片來源于Nat. Commun.
結論總結
本篇文章提出了CAMP，一個用于預測多肽-蛋白多水平相互作用的深度學習框架，包括二元相互作用預測和多肽結合殘基預測。所有結果表明CAMP可以提供準確的肽-蛋白相互作用預測，并有助于理解肽結合機制。
未來，研究者計劃加入更多的數據，如結合域信息，以進一步改進預測蛋白結合殘基的結果。
參考文獻
Lei, Y., Li, S., Liu, Z. et al. A deep-learning framework for multi-level peptide–protein interaction prediction. Nat Commun?12, 5465 (2021). https://doi.org/10.1038/s41467-021-25772-4