数据集构建
构建用于训练和评估的PPI和IDPPI数据集。
从HuRI项目和STRING数据库构建数据集，定义IDRs（使用pLDDT和SPOT-Disorder），将蛋白质分为无序、稳定和过渡，并按比例抽样正负样本。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
SpatPPI：一种预测涉及固有无序区域蛋白质-蛋白质相互作用的几何深度学习模型
SpatPPI: a geometric deep learning model for predicting protein-protein interactions involving intrinsically disordered regions
实验完整度
中模型包含结构建模、特征提取和预测验证，以及消融实验和分子动力学模拟验证，但缺少湿实验验证。
主要模型
HuRI-IDP数据集 STRING11.0人类数据集 新型蛋白质测试集 酵母亚网络
重点核对
模型架构中的几何特征（局部坐标系、二面角） IDR定义阈值（>70%可预测无序） 正负样本比例（1:10） 训练中使用的序列相似性阈值（CD-HIT 40%和60%） 分子动力学模拟参数（300 K, 1 atm，时长等）
摘要
固有无序蛋白质和区域（IDRs）缺乏稳定的三维结构，给相互作用预测带来了挑战。我们提出了SpatPPI，一种专门用于IDPPI预测的几何深度学习模型。SpatPPI利用折叠结构域的结构线索，通过几何建模、自适应构象细化和两阶段解码机制来指导IDRs的动态调整。它无需监督输入即可捕捉空间变异性，并在基准数据集上达到了最先进的性能。分子动力学模拟进一步验证了其对IDRs构象变化的高度适应性，以及生成不同且结构感知嵌入的强能力。可免费访问的服务器可在 http://liulab.top/SpatPPI/server 获取。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何准确预测涉及固有无序区域（IDRs）的蛋白质-蛋白质相互作用？
- 核心机制
- SpatPPI通过几何建模区分折叠和紊乱区域，利用折叠结构域信息指导IDRs的构象动态调整，并通过残基接触捕获保留分区特异的相互作用模式，从而增强对IDPPIs的预测。
- 主要证据
- 在HuRI-IDP基准数据集上和STRING数据上，SpatPPI在AUPR和MCC指标上优于现有方法；分子动力学模拟显示预测对IDR构象变化具有鲁棒性；消融实验证明构象重组和残基接触捕获模块对泛化能力至关重要。
- 研究意义
- SpatPPI是首个专门用于大规模IDPPIs预测的深度学习模型，为提高IDPPIs预测的准确性、鲁棒性和泛化能力提供了新方法。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型架构设计
设计能够处理IDR结构变异性的深度学习模型。
将蛋白质结构转换为图，节点为残基，边属性包含距离和方向（四元数）；使用E-GAT层进行节点和边更新，实现构象重组；使用双线性映射和两阶段解码进行残基接触捕捉。
模型评估
评估模型在PPI和IDPPI预测上的性能。
在HuRI-IDP测试集A和B上，与D-SCRIPT、Topsy-Turvy、SGPPI和Speed-PPI比较，使用AUPR和MCC指标。
鲁棒性验证
验证模型对IDR构象变化的鲁棒性。
使用GROMACS对蛋白质进行分子动力学模拟，生成结构扰动，评估预测变化和反转率。
泛化能力评估
评估模型对新蛋白质和跨物种的泛化能力。
在STRING11.0上训练，在新型测试集上评估；在酵母亚网络上进行交叉物种预测。
消融研究
评估各个模块的贡献。
去除构象重组模块（SpatPPI-NoCR）和残基接触捕捉模块（SpatPPI-NoCC），在多个测试集上比较性能。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 模型预测 | AlphaFold蛋白质结构数据库 | -- | -- |
| STRING数据库 | -- | -- | |
| 特征提取 | PSI-BLAST | -- | -- |
| 数据预处理 | CD-HIT | -- | -- |
| 分子动力学模拟 | GROMACS | GROMACS | -- |
| 模型评估 | 英特尔至强铂金8358 | Intel | -- |
| 英伟达A100 GPU | NVIDIA | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建 | IDR阈值：内部定义为pLDDT<0.7为无序，>0.8为折叠，且结合SPOT-Disorder预测；异于通用定义 阅读提示：Methods中‘Selection of intrinsically disordered regions’部分 |
| 模型训练 | 模型超参数如学习率、层数、隐藏维度未在论文中明确列出 阅读提示：Methods中‘The SpatPPI architecture’部分，但未提供具体超参数值 |
| 分子动力学模拟 | 模拟温度（300K）、压力（1atm）、模拟时长（3ns或13ns）、采样间隔等需确认 阅读提示：Results中‘SpatPPI shows the best performance in the prediction of IDPPIs’部分及Additional file 1: Note S4 |
| 性能评估 | 正负样本比例（1:10）、评估指标（AUPR和MCC）、交叉验证折数（10折） 阅读提示：Results中‘SpatPPI shows the best performance in the prediction of IDPPIs’部分及Additional file 3: Table S1 |