一种基于低秩适配结构逆折叠模型的蛋白质突变稳定性预测方法

本发明属于生物信息学领域，具体涉及一种基于低秩适配结构逆折叠模型的蛋白质突变稳定性预测方法。

背景技术：

1、蛋白质稳定性是决定蛋白质正确折叠、维持生物学功能以及实现工程化改造的重要性质。天然蛋白质通常处于相对有限的稳定状态，单个氨基酸突变即可改变蛋白质内部相互作用网络、局部构象柔性和空间堆积方式，进而导致蛋白质功能降低、错误折叠、聚集或失活。因此，准确预测单点突变对蛋白质稳定性的影响，对于酶工程、疾病相关突变分析、工业蛋白设计和功能蛋白优化具有重要意义。

2、目前，蛋白质突变稳定性变化可以通过实验方法进行测定，但实验测定通常周期较长、成本较高，难以覆盖大量候选突变组合。为提高突变筛选效率，已有多种计算预测方法被提出，包括基于物理能量函数的方法、基于统计势的方法以及基于机器学习的方法。基于物理能量函数的方法通常依赖显式结构建模和复杂能量项计算，计算成本较高，且预测结果容易受到参数设定和结构质量的影响。

3、近年来，数据驱动的机器学习方法通过整合蛋白质序列、结构和进化特征，在突变稳定性预测任务中取得了一定效果。然而，这类方法通常依赖大量带有实验稳定性标签的数据进行监督训练。当目标蛋白家族的标注数据不足，或者测试蛋白与训练数据分布差异较大时，模型容易出现泛化能力下降、过拟合或同源信息泄漏等问题。

4、随着蛋白质结构预测和蛋白质表示学习的发展，结构条件逆折叠模型能够在给定蛋白质骨架结构的条件下预测与该结构相匹配的氨基酸序列，从而为突变效应分析提供结构先验信息。但是，现有结构逆折叠模型的原始训练目标主要是序列恢复或序列设计，并非直接面向突变稳定性排序；若直接进行全参数微调，又可能带来训练成本高、参数量大以及预训练结构先验被破坏的问题。

5、此外，现有突变稳定性预测方法通常更关注最终预测分数，而对模型预测依赖的局部结构因素解释不足，难以明确哪些邻近残基或局部结构环境对突变稳定性判断起主要作用。因此，亟需一种能够利用蛋白质骨架结构信息、减少对实验稳定性标签依赖、降低模型适配成本，并同时提供残基级结构解释的蛋白质突变稳定性预测方法。

技术实现思路

1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于低秩适配结构逆折叠模型的蛋白质突变稳定性预测方法。该方法能够充分利用蛋白质三维骨架结构信息和结构条件逆折叠模型学习到的序列-结构兼容性特征，在不依赖目标突变数据集实验稳定性标签进行监督训练的情况下，实现蛋白质单点突变稳定性变化的快速预测；本发明通过低秩适配模块进行参数高效微调，降低模型训练参数量和计算开销，同时通过适配器缩放策略调节原始结构先验与低秩适配更新信号之间的相对贡献，减少全参数微调造成的结构先验遗忘；本发明还通过邻近残基遮蔽分析获得残基级贡献结果，能够解释模型预测所依赖的局部结构因素，适用于蛋白质工程、酶稳定性改造、疾病相关突变分析和功能蛋白设计等场景。

2、为了解决上述技术问题，本发明采用了以下技术方案：

3、本发明第一方面提供了一种基于低秩适配结构逆折叠模型的蛋白质突变稳定性预测方法，包括如下步骤：

4、步骤1：无监督训练的蛋白质结构训练集的构建，所述蛋白质结构训练集包含蛋白质骨架结构及蛋白质的天然氨基酸序列，不包含实验稳定性变化标签；

5、步骤2：蛋白质结构图输入的构建，对于所述蛋白质结构训练集中的蛋白质骨架结构，提取每个残基的主链骨架原子坐标，并根据残基间的空间距离构建残基级空间近邻图；

6、步骤3：建立结构条件逆折叠模型，所述结构条件逆折叠模型包括结构特征提取模块、节点与边特征嵌入模块、序列嵌入模块、结构编码器层、序列条件解码器层、归一化层和氨基酸预测输出投影层；所述结构条件逆折叠模型用于根据输入的蛋白质骨架结构、残基级空间近邻图和经过掩码处理的序列上下文，输出每个残基位置对应的氨基酸条件概率分布；

7、步骤4：在所述结构条件逆折叠模型中引入低秩适配模块，具体为：冻结结构特征提取模块、节点与边特征嵌入模块、序列嵌入模块、结构编码器层、序列条件解码器层、归一化层和氨基酸预测输出投影层中的原始参数，并在上述模块所包含的线性层中插入低秩适配模块；

8、步骤5：对蛋白质序列中的部分残基进行掩码处理，对被掩码残基进行无监督残基恢复训练，以优化所述低秩适配模块的参数；

9、步骤6：在推理阶段，通过适配器缩放系数调节原始结构条件逆折叠模型输出与低秩适配模块更新输出之间的相对贡献，得到最终模型参数；

10、步骤7：突变稳定性评分，对于待评价的单点突变，在相同蛋白质骨架结构和相同掩码序列上下文中，分别计算野生型残基和突变残基的结构条件概率，并将二者的对数概率差作为突变稳定性预测得分；

11、步骤8：残基级贡献解释，对于突变残基，选择其空间近邻残基，逐一遮蔽所述空间近邻残基的氨基酸信息，重新执行步骤7得到新预测得分，根据遮蔽前后的得分变化确定所述空间近邻残基对中心突变残基的贡献值。

12、其中，步骤1中，蛋白质结构训练集通过对获取的蛋白质三维结构数据依次进行结构质量筛选、异常样本剔除、序列一致性聚类和冗余去除获得；所述序列一致性聚类的阈值为30%。

13、在本发明的一些实施例中，步骤1中，最终获得约295000个蛋白质结构样本的集合，可表示为：

14、             (1)

15、其中，表示用于无监督训练的蛋白质结构训练集；表示第个蛋白质样本的骨架结构；表示第个蛋白质样本对应的天然氨基酸序列；表示训练集中蛋白质结构样本的数量。

16、其中，步骤2中，以残基作为图节点，并根据主链骨架原子之间的欧氏距离确定残基间的空间邻近关系，每个残基选取空间距离最近的48个残基作为空间近邻残基，得到残基级空间近邻图，用于表示该残基作为突变位点时周围的局部三维结构环境。

17、在本发明的一些实施例中，步骤2中，蛋白质骨架结构表示为：

18、                    (2)

19、其中，表示蛋白质骨架结构；表示蛋白质序列长度；表示每个残基对应的四个主链骨架原子；表示每个原子的三维坐标维度，该三维空间坐标可以直接从

20、在本发明的一些实施例中，步骤2中，残基之间的空间距离表示为：

21、               (3)

22、其中，表示残基与残基之间的空间距离；和分别表示残基和残基的原子坐标。

23、在本发明的一些实施例中，步骤3中，经过掩码处理的序列上下文来源于训练样本中的原始序列。其中，为该蛋白质样本的天然氨基酸序列；当预测第个残基位置的氨基酸条件概率时，将中第个残基替换为掩码标记，得到，其余残基位置保持不变。因此，是由训练样本原始序列经过单位置掩码处理得到的序列上下文，具体表示为：

24、为第个蛋白质样本对应的天然氨基酸序列：

25、              (4)

26、当预测第个残基位置的氨基酸条件概率时，将中第个残基位置进行掩码处理，得到：

27、            (5)

28、其中，步骤3中，所述结构条件逆折叠模型以蛋白质骨架结构、残基级空间近邻图以及经过掩码处理的序列上下文为输入，输出对应残基位置的氨基酸条件概率分布，具体表示为：

29、                      (6)

30、其中，表示结构条件逆折叠模型输出的氨基酸条件概率；表示第个残基位置的候选氨基酸；表示蛋白质骨架结构；表示由残基间空间距离构建的残基级空间近邻图；表示第个残基被掩码后的序列上下文。

31、在本发明的一些实施例中，在步骤3的基础模型建立阶段，表示基础结构条件逆折叠模型参数；在步骤4至步骤6引入低秩适配并进行适配器缩放后，推理阶段采用最终参数。

32、其中，步骤4中，冻结的原始参数包括结构特征提取模块中的几何特征线性投影参数、节点与边特征嵌入模块参数、序列嵌入模块参数、结构编码器层参数、序列条件解码器层参数、归一化层参数以及氨基酸预测输出投影层参数；所述低秩适配模块插入各模块中具有线性变换的层，具体包括结构特征线性投影层、节点嵌入线性层、边嵌入线性层、序列嵌入线性层、结构编码器层内的消息变换和前馈线性层、序列条件解码器层内的消息变换和前馈线性层以及氨基酸预测输出投影层。

33、其中，步骤4中，对于任一被适配的线性变换的层，其输出满足如下关系式：

34、             （7）

35、其中，表示线性映射层输出；表示结构条件逆折叠模型传递的特征向量；表示被冻结的基础模型线性层原始权重，是中与该线性变换对应的一个具体权重矩阵；和表示可训练低秩矩阵，表示低秩矩阵秩，表示低秩适配缩放系数。

36、在本发明的一些实施例中，取32，取32，使为1.0；低秩矩阵采用kaiminguniform初始化，低秩矩阵初始化为零，低秩适配模型包含592736个可训练参数。

37、其中，步骤5中，所述掩码处理包括随机残基掩码和局部空间残基掩码；所述随机残基掩码是在有效残基位置中随机选择待恢复残基；所述局部空间残基掩码是以中心残基为起点并按照原子距离选择其空间近邻残基作为待恢复残基；所述掩码处理中残基掩码比例为10%，训练时利用未掩码残基及其结构上下文预测被掩码残基的真实氨基酸类型。

38、在本发明的一些实施例中，训练损失函数表示为：

39、       (9)

40、其中，表示无监督残基恢复损失；表示被掩码残基位置集合；表示第个残基位置的真实氨基酸类型；表示结构条件逆折叠模型输出的氨基酸条件概率；表示蛋白质骨架结构；表示残基级空间近邻图；表示第个残基被掩码后的序列上下文。

41、其中，步骤6中，所述最终模型参数为：

42、               (10)

43、其中，表示最终结构条件逆折叠模型参数；表示未引入低秩适配模块时结构条件逆折叠模型的全部原始参数，包含步骤3所述各模块的原始权重；表示低秩适配模块产生的参数更新；表示适配器缩放系数。对于任一被适配线性层，是中的组成部分，对应由低秩矩阵产生的增量权重。

44、在本发明的一些实施例中，对于第个残基位置，引入低秩适配并进行适配器缩放后，其候选氨基酸的条件概率表示为：

45、                      (11)

46、其中，表示经低秩适配和适配器缩放后的结构条件逆折叠模型输出的氨基酸条件概率；表示经低秩适配和适配器缩放后的最终结构条件逆折叠模型参数；表示第个残基位置的候选氨基酸；表示蛋白质骨架结构；表示残基级空间近邻图；表示第个残基被掩码后的序列上下文。

47、其中，步骤7中，对于待评价的单点突变，其形式表示为：

48、                 (12)

49、其中，表示单点突变，表示突变残基的位置，表示野生型残基，表示突变残基；

50、将突变残基替换为掩码标记，在相同蛋白质骨架结构和相同掩码序列上下文中分别计算突变残基和野生型残基的结构条件概率，突变稳定性预测得分表示为：

51、  (13)

52、其中，表示突变对应的稳定性预测得分；表示经低秩适配和适配器缩放后的结构条件氨基酸概率分布。

53、其中，步骤8中，对于突变残基，根据原子距离选择其48个空间近邻残基，逐一选取其空间邻近残基，将其氨基酸信息遮蔽；在遮蔽残基的状态下，重新执行步骤7，得到新的预测得分；并根据遮蔽前后得分变化确定残基级贡献值，表示为：

54、     (14)

55、其中，表示邻近残基对中心突变残基处突变预测结果的贡献值，表示除野生型残基之外的候选突变氨基酸集合，表示遮蔽邻近残基后重新计算得到的突变稳定性预测得分。

56、在本发明的一些实施例中，通过对本发明构建的预测模型在不同数据集上进行预测及与现有方法进行对比，表明本发明提供的方法具有良好的预测效果。本发明不依赖目标数据集实验稳定性标签，能够利用无标签蛋白质结构数据完成模型适配，降低对实验测定数据的依赖；本发明采用低秩适配模块进行参数高效微调，减少训练参数量和计算成本，同时降低全参数微调导致结构先验遗忘的风险；本发明通过随机残基掩码和局部空间残基掩码相结合的训练策略，使模型能够同时学习整体序列-结构关系和突变位点附近的局部结构环境；本发明通过适配器缩放策略平衡原始结构先验和微调后突变评分信号，有利于提高模型在不同蛋白质体系中的泛化能力；本发明采用相同结构上下文下的野生型残基和突变残基对数概率差进行评分，能够快速完成单点突变稳定性预测；本发明进一步提供残基级贡献解释结果，有助于分析突变影响的局部结构来源，提高预测结果的可解释性。

57、有益效果：

58、（1）本发明不依赖目标数据集中的实验稳定性变化标签进行监督训练，而是利用无标签蛋白质结构数据进行无监督残基恢复训练，可避免对实验标注数据的依赖，提高方法在新蛋白家族和未充分测定蛋白结构中的适用性。

59、（2）本发明通过低秩适配模块对结构条件逆折叠模型进行参数高效微调，并在推理阶段采用适配器缩放调节低秩适配更新的贡献，在降低训练参数量和计算资源消耗的同时，有助于保留模型原有的结构先验信息。

60、（3）本发明在相同蛋白质骨架结构和相同掩码序列上下文中比较野生型残基与突变残基的结构条件概率，并进一步通过邻近残基遮蔽分析获得残基级贡献结果，既能够快速得到单点突变稳定性预测得分，又能够提供模型预测所依据的局部结构解释。