用于绘制E3-底物结合界面的可解释深度学习框架

Interpretable deep learning framework for mapping E3-substrate binding interfaces.

作者信息Dianke Li, Yuting Zhang, Yuan Liu, Zihao Zhang, Yingjie Qu, Jiajun Li, Linyang Jiang, Lihong Diao, Ziding Zhang, Lingqiang Zhang, Chun-Ping Cui, Dong Li
PMID42161910
发布时间2026-05
DOI10.1038/s41467-026-73143-8

实验完整度

高

含计算模型预测、多组学队列分析及Co-IP、泛素化、免疫印迹、Transwell等体外功能与机制验证

主要模型

HEK293T细胞系 DU145细胞系 HN30细胞系 CPTAC泛癌肿瘤样本多组学数据

重点核对

重点验证SPOP F102C突变降低SPOP-EGR1结合及EGR1泛素化 JunB 241-EEPQTVP-247缺失导致COP1结合丧失及泛素化降低 JunB Q244E突变破坏COP1结合并降低COP1介导的泛素化 Transwell迁移实验中JunB Q244E较野生型促迁移更强,n=4 SPOP F102C与EGR1 475-481缺失验证结合位点

摘要

E3泛素连接酶通过特定界面识别底物。准确界定这些界面至关重要,因为破坏这些界面的突变会损害蛋白质泛素化并驱动癌症进展。然而,可用的E3-底物界面数据稀少,系统性预测方法仍然缺乏。在此,我们提出MetaESI,一个深度学习框架,它同时预测E3-底物相互作用,并利用其可解释架构从头推断结合界面。通过两阶段元学习策略,MetaESI可泛化到多种E3s,并在相互作用和界面预测方面均达到最先进性能。我们将MetaESI应用于蛋白质组规模以生成MetaESI-Atlas,其包含跨八个物种的68,056个注释相互作用。整合多组学数据,我们鉴定出位于MetaESI预测界面处破坏E3-底物结合的突变,并实验验证了代表性实例,包括JunB Q244E和SPOP F102C作为致癌驱动因素。通过将可解释AI与机制见解相结合,MetaESI为可解释模型设计建立了方法学范式,并为精准肿瘤学和靶向蛋白质降解提供了基础资源。

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
如何系统地在蛋白质组规模上从头预测E3-底物相互作用及其结合界面,并解析破坏界面的致癌突变。
核心机制
E3结构化区域与底物无序区域互补结合;界面突变破坏E3-底物结合和泛素化,导致蛋白质异常稳定。
主要证据
MetaESI在基准测试中优于现有方法;Co-IP与体内泛素化实验证实COP1-JunB和SPOP-EGR1相互作用;JunB Q244E和SPOP F102C突变削弱结合与泛素化并增强细胞迁移。
研究意义
建立了可解释模型设计范式,提供精准肿瘤学和靶向蛋白质降解的基础资源,连接突变热点、底物失调与致癌表型。

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。

1

构建可解释深度学习框架

从头预测E3-底物相互作用及结合界面。

利用GARD指标筛选界面区域,结合ESM2编码、截断Transformer和GAT,通过点积解码器生成界面图。

2

两阶段学习策略训练模型

提升对不同数据量E3的泛化与适应能力。

采用改进MAML元学习,再按Common、Few、Rare三类进行E3特异性迁移学习。

3

基准性能评估

验证相互作用与界面预测准确性。

在Common、Few、Rare金标准数据集上比较多种基线方法和界面预测方法。

4

构建并分析MetaESI-Atlas

在蛋白质组规模生成相互作用与界面注释资源。

扫描八个物种,生成68,056个相互作用,并进行GO和PPI网络相似性分析。

5

肿瘤多组学鉴定致癌界面突变

识别破坏蛋白质稳态或重连相互作用网络的突变。

分析CPTAC和TCGA数据,结合mRNA-蛋白回归和DepMap依赖性筛选。

6

实验验证代表性突变

验证预测的E3-底物相互作用和界面突变功能后果。

使用Co-IP、体内泛素化、免疫印迹和Transwell迁移实验验证JunB Q244E和SPOP F102C。

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
DMEM培养基YEASEN41401ES7
胎牛血清VazymeF101-02
青霉素/链霉素Cell worldC0160-611
Lipofectamine 2000转染试剂Invitrogen11668019
蛋白酶抑制剂混合物MCEHYK0010
磷酸酶抑制剂SolarbioP1260
抗Flag抗体MBLM185-3L
抗Myc抗体MBLM192-3
Protein A/G琼脂糖珠Santa Cruzsc-2003
硝酸纤维素膜Merck Millipore--
Flag-HRP抗体MCEF1105
α-tubulin抗体Proteintech66031-1-Ig
GAPDH抗体AbclonalA19056
β-actin抗体AbclonalAC028
泛素抗体MBLD058-3
COP1抗体ABclonalA22106
SPOP抗体Proteintech16750-1-AP
Western Bright ECL化学发光检测试剂Thermo Fisher Scientific--
MG132MCEHY-13259
8 μm孔径聚对苯二甲酸乙二醇酯膜Transwell小室Corning3422

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
模型训练与E3分类
E3按底物数分类标准:Common>4,Few 2-4,Rare单底物;元学习episode数10000,每episode任务数10,每任务样本6(2正4负)
阅读提示:Methods中'MetaESI learning setting'及Fig.1c、1d、1e图注
界面预测评估
金标准正负数据集构建及EMD评估;负样本需E3中心和底物中心平衡采样,GSP:GSN为1:2
阅读提示:Methods中'Gold standard negative dataset construction'及'Evaluation of E3–substrate interface prediction performance',Supplementary Fig.7
Atlas构建
高置信相互作用评分阈值0.749,精度>0.72;界面残基取top20 E3和top10底物,τ=0.1
阅读提示:Methods中'E3–substrate interaction and binding interface prediction',Eq.17-19
致癌突变筛选
CPTAC样本过滤条件(排除突变、CNA≥2、上游E3改变),样本量>10,相关系数>0.3,BH校正P<0.01
阅读提示:Methods中'Identifying oncogenic substrate-interface mutations'及Fig.4a、4b图注
细胞与功能实验
HEK293T、DU145、HN30来源;转染48 h;MG132 20 µM 8 h;Transwell 2×10^5细胞/室、12或36 h;独立重复三次,Transwell n=4
阅读提示:Methods中'Plasmids and cell culture'、'In vivo ubiquitination assay'、'Cell migration assay'及Fig.4、Fig.5图注