解析蛋白質環狀置換偏好並預測可行性

30 秒理解

從天然 CP site 的結構環境學習哪些骨架切點較可能讓重新接線後的蛋白仍能折疊與運作。

核心問題

蛋白質骨架不是每一處都能安全切開；能否從天然與實驗 CP sites 的序列、結構、packing 與 dynamics，預測哪些新端點仍可讓蛋白折疊並保持穩定？

直覺

可行切點通常像結構表面的鬆軟接縫：較常位於 loop、較暴露、較少 packing、較有彈性，也離 buried hydrophobic core 較遠。論文把這些弱訊號整合成 46 個 features，再讓四種模型投票。

為什麼重要

人工 circular permutation 的建構與驗證昂貴；predictor 不取代實驗，但可先排除低機率位置，把濕實驗集中在較可能折疊的候選。

閱讀前置

• 理解 viable CP site 的 operational definition：產物可折疊且足夠穩定／可純化。
• 了解 solvent accessibility、packing density、B-factor／RMSF 與 GNM flexibility。
• 能閱讀 ROC AUC、sensitivity、specificity、MCC 與 predicted positive fraction。
• 理解 train/test separation 與 sequence-redundancy control。

paper-specific guide · plain → technical → input → output → source

逐步方法導讀

1. 01 · 建立正負例與獨立資料集

   從有系統實驗的蛋白收集能折與不能折的切點，並把大型 CP databases 當作額外正例來源。

   論文語言: Dataset L 有 7 proteins／335 sites；拆成 Dataset T（6 proteins，76 viable、100 inviable）與 DHFR（86 viable、73 inviable）。nrCPDB-40（1,059 proteins）及 nrGIS-40（2,814 domains）與上述 sets 皆控制在 <40% sequence identity。

   輸入: literature wet-lab outcomes、CPDB、GIS、PDB／SCOP structures。

   輸出: 低冗餘 training、independent evaluation 與 large-scale positive sets。

   邊界: 大型 database sets 幾乎只有 viable positives，不能直接估 specificity。

   PDF pp. 14–15, Materials and Methods — Preparation of Experimental Datasets

2. 02 · 量化 CP 偏好並選 46 個 features

   把每個 residue 周邊的字母、secondary structure、表面深度、packing、彈性與 core distance 轉成可比較的數字。

   論文語言: 原始候選包含 48 primary、19 secondary 與 36 tertiary properties；以 permutation tests、ROC、冗餘相關係數與跨資料集測試篩選。特徵包括 propensity scores、RSA、CN/WCN、closeness、RMSF、GNM-F 與新定義 farness。

   輸入: 每個 candidate residue 的 sequence 與 structure context。

   輸出: 46 個 standardized、較具資料集獨立性的 features。

   邊界: 單一 feature 的相關或 AUC 不證明因果；例如 flexibility、packing 與 exposure 彼此相關。

   PDF pp. 3–11, Figures 1–4 and Table 1; PDF pp. 15–16, feature calculations and selection

3. 03 · 整合 HI、ANN、RF 與 SVM

   四個模型各給 0–1 score，再平均成 final probability score。

   論文語言: hierarchical integration 依 biological meaning 建 feature tree 並搜尋 weights；另訓練三層 ANN、500-tree random forest 與 RBF-kernel SVM。final score ≥0.5 被判為 viable。

   輸入: 每個 residue 的 46-feature vector。

   輸出: 每個 residue 的 CP viability probability score。

   邊界: score 是校準便利量，不是折疊成功的物理機率保證；閾值需依實驗成本選擇。

   PDF pp. 9–12, Figure 4 and Table 2; PDF p. 16, Hierarchical Integration and machine-learning methods

關鍵結果

天然 CP site 並非隨機分布；其偏好可轉成後續 CPred 的預測訊號。

逐節證據導讀

論文事實、本站判讀與教學模型分開標示。

paper-fact

可行 CP sites 的共同結構語言

天然 CP 偏好 Pro、Gly、hydrophilic residues 與 loop／turn／bend，排斥 bulky hydrophobic residues、α/π helices 與 β-bridges。RSA、centroid distance、packing 與 flexibility analyses 共同指向表面、鬆散且可動的位置。

100-ps MD 得到的 RMSF 對 viable/inviable sites 的 AUC 為 0.76；計算較便宜的 GNM-F 為 0.77。secondary-structure propensity 平均 AUC 約 0.73，而單純 sequence propensity 約低於 0.60。

原文定位: PDF pp. 3–8, Figures 1–3 and Table 1

paper-fact

把 DHFR 留到最後才看

Dataset T 與 DHFR 的 sequence identity 低於 9%；前者 train/test 模型，後者獨立評估。combined model 在 DHFR 的 AUC 為 0.905（文中四捨五入為 0.91），高於 closeness baseline。

在沒有 negatives 的 nrCPDB-40／nrGIS-40，作者固定 predicted positive fraction 為 0.5，再報 sensitivity；combined system 分別約 0.75 與 0.715。這不是完整 accuracy，因為 specificity 在這兩集不可得。

原文定位: PDF pp. 11–12, Table 2; PDF pp. 14–16, dataset and PPF definitions

project-reading

預測是優先順序，不是實驗替身

score 可用來縮小切點集合，但 viable 的定義只保證 foldable／stable 到研究採用的門檻，不保證 catalytic activity、expression yield 或 engineered function 更好。

實驗設計應把高分、中分與少量低分 controls 一起測，並記錄 folding、solubility、stability 與 function。只驗高分成功案例會造成 verification bias。

原文定位: PDF pp. 13–14, Conclusions and Future Work

研究設計與評估

資料與樣本

Dataset T：6 proteins、76 viable／100 inviable sites；independent DHFR：86／73；nrCPDB-40：1,059 proteins；nrGIS-40：2,814 domains。各資料集 pairwise sequence identity 控制在 40% 以下，T 與 DHFR 低於 9%。

比較基準

• 既有 closeness predictor，以及單 feature farness；四個個別模型 HI、ANN、RF、SVM 也和 averaged ensemble 比較。

指標

ROC AUC

跨所有 threshold 的 viable-vs-inviable ranking discrimination。
邊界: 不指定實際工作 threshold，也不直接表示 precision。

Sensitivity at PPF = 0.5

當一半 residues 被預測 positive 時，已知 viable sites 被找回的比例。
邊界: 為無 negative database sets 設計；不能由此推 specificity。

Precision / recall by threshold

在指定 probability cutoff 下，命中可信度與找回率的交換。
邊界: 會受 class prevalence 與 dataset composition 影響。

論文報告的結果

四模型平均在 independent DHFR 達 AUC 0.905；在 PPF=0.5 時，nrCPDB-40 sensitivity 約 0.75、nrGIS-40 約 0.715。論文將系統套用到 8,859 個代表結構，但這是 prediction deployment，不是 8,859 個 wet-lab validations。

PDF pp. 11–13, Tables 2–4 and Figure 5; PDF p. 17, Text S1 description

teaching-model · not a reported experiment

教學例（不是論文實驗）

為四個候選切點排優先順序

本站教學模型：A 在 exposed loop、低 WCN、高 GNM flexibility；B 在 buried helix；C 在表面但緊密 packed；D 是 flexible loop 但靠近 active site。

1. 將每個 site 的 46 features 標準化，避免 Å、counts 與 propensity scales 直接混加。
2. 讓 HI、ANN、RF、SVM 各自輸出 0–1 score，再取平均；預期 A 高、B 低，C／D 需模型綜合判斷。
3. 實驗同時測 A、C、D 與一個低分 B control，分開量 folding、stability 與 function。

帶走什麼: 多特徵模型把候選排序；active-site risk 與最終功能仍需人類設計與實驗判斷。

outside-scope

相對 FAST 的證據邊界

這是蛋白工程切點可行性預測，不是 FAST 類 pairwise 結構 alignment 競賽。

合法來源與取用

20 pages · SHA-256 5e3a1f66eda942cdca09e1c68af5a7be9699489baa8a03c1b915980322c246cd

合法開放全文。

Europe PMC open-access PDF

限制與防誤讀

• 天然案例的選擇偏差不保證能完全代表人工設計。

證據定位清單

1. PDF pp. 2–8, feature preference analyses and Figures 1–3
2. PDF pp. 9–12, Figure 4 and Table 2
3. PDF pp. 13–14, Conclusions and Future Work
4. PDF pp. 14–15, Preparation of Experimental Datasets
5. PDF pp. 15–16, feature calculations, PPF and machine-learning methods

理解檢查

1. 為何 nrCPDB-40 不能報 specificity？

   答案: 它缺乏系統收集的 inviable CP sites，幾乎只有 positives。

   沒有 true negatives 就無法計 true-negative rate。

2. AUC 0.91 是否表示 91% predictions 都成功？

   答案: 不表示；AUC 是 viable 排在 inviable 前面的整體 ranking discrimination。

   實際成功比例還依 threshold 與 prevalence。

3. 高 CP score 保證功能更好嗎？

   答案: 不保證；模型目標是 foldable/stable viability。

   function improvement 是另一個 endpoint，論文列為未來工作。

讀完標準: 設計一個 12-site wet-lab validation：說明如何按 score 分層抽樣、加入 low-score controls，並分開定義 folding、stability、expression 與 function 的成功門檻。

本篇詞彙表

Viable CP site

在本文 operational definition 下可產生 foldable、足夠 stable／purifiable circular permutant 的切點。

Farness

以加權 harmonic-distance 概念描述 residue 離 buried／hydrophobic core 多遠的量。

Predicted positive fraction

整個測試集中被模型判為 positive 的 residues 比例。

Hierarchical integration

依生物意義把 features 組成 tree，再逐層加權整合。