Nat. Commun. | 融合结构建模与深度学习的大肠杆菌蛋白互作组与功能网络构建

DRUGONE

研究人员提出了一种整合多种计算方法的策略，用于在全蛋白组尺度上预测蛋白–蛋白相互作用，并构建功能网络。该方法融合了三类互补信息来源：基于三维结构的PrePPI方法、基于蛋白语言模型的Topsy-Turvy方法，以及基于进化信息评估界面的ZEPPI方法。

在高质量实验数据库的评估中，整合后的模型表现优于任何单一方法，并能够识别更多高置信度相互作用。进一步，研究人员利用AlphaFold3相关算法对部分预测复合物进行结构建模，发现其界面与结构模板模型高度一致。在系统层面，对大肠杆菌互作网络进行聚类分析后，得到数百个功能一致性较高的子网络。这些网络不仅揭示了已知生物过程，还为未知功能蛋白的注释提供了重要线索。

蛋白–蛋白相互作用的预测以及复合物结构建模，是理解细胞功能网络的核心问题。随着AlphaFold等结构预测方法的发展，蛋白结构建模取得了突破，但在全蛋白组尺度上直接预测所有相互作用仍然计算代价极高。

以大肠杆菌为例，潜在相互作用数量可达数百万级，而对于人类蛋白组更是达到数亿级别。即使借助高精度结构预测方法，也难以在可接受时间内完成全局计算。

实验方法虽然在高通量检测方面取得进展，但仍无法覆盖完整互作组，且缺乏结构信息。因此，计算方法成为构建全局互作网络的重要手段。

已有方法通常依赖单一信息源，例如结构同源建模、序列共进化或深度学习预测，但这些方法各有局限。研究人员提出，通过整合不同类型的信息，可以显著提升预测能力与覆盖范围。

方法

研究人员构建了一个基于贝叶斯框架的整合模型，将三种方法的预测结果进行统一融合。

首先，PrePPI通过结构比对，从已知蛋白复合物中寻找模板，将目标蛋白映射到模板结构上，从而构建复合物模型，并通过界面相似性进行评分。

其次，ZEPPI利用进化信息，通过分析界面残基的共进化信号，判断蛋白是否可能形成稳定相互作用。

再次，Topsy-Turvy基于蛋白语言模型，从序列层面预测蛋白是否具有相互作用倾向。

三种方法分别从结构、进化和序列三个维度提供证据。研究人员通过似然比进行整合，使不同来源的信息在统一框架下协同工作，从而得到综合评分。

结果

不同方法的性能比较

研究人员在大肠杆菌高质量互作数据库上评估了各方法的性能。

结果表明，结构方法在低假阳性率区域表现较好，而序列方法具有更高覆盖率。整合方法则在整体性能上优于所有单一方法，同时显著增加了高置信度预测的数量。

特别值得注意的是，不同方法预测的相互作用集合重叠较小，这意味着它们捕获的是互补信息。因此，整合策略能够有效扩展互作网络的覆盖范围。

在严格筛选条件下，整合模型可预测数万条相互作用，其中大部分为此前未被实验记录的新相互作用。

结构预测验证

研究人员选取部分高置信度相互作用，利用AlphaFold3相关方法进行复合物结构预测，并与基于模板的模型进行比较。

结果显示，在多数情况下，两种方法预测的界面高度一致，尤其是在高置信度样本中表现更为显著。这表明结构建模与深度学习方法在界面预测上具有一致性。

此外，一些新预测的相互作用在结构上表现出合理的结合模式，进一步支持其生物学可信性。

图1：复合物结构预测。

互作网络与功能子网络

研究人员基于预测的相互作用构建了大肠杆菌互作网络，并进行聚类分析。

结果得到数百个子网络，其中大多数具有显著的功能一致性。这一点尤为重要，因为这些网络完全基于预测相互作用构建，并未使用任何功能信息。

通过对这些子网络进行功能富集分析，可以观察到涵盖多种生物过程，例如转录调控、代谢、信号传导以及细胞结构相关过程。

功能网络解析

研究人员进一步分析了若干代表性子网络。在细胞黏附相关网络中，大量蛋白共同参与细胞表面结构形成与稳定，而未注释蛋白也被预测参与这一过程，从而获得潜在功能注释。

在信号转导网络中，多个调控蛋白形成复杂的相互作用关系，揭示了不同通路之间的潜在交叉调控机制。在转录调控网络中，一些未知蛋白被预测与已知转录因子相互作用，提示其可能参与基因表达调控。

在氧化还原稳态网络中，多个蛋白共同维持细胞内的氧化还原平衡，而新预测蛋白可能在该过程中发挥作用。

这些分析表明，互作网络不仅能够重构已知生物过程，还能够为未知蛋白提供功能预测。

图2：功能子网络。

讨论

研究结果表明，整合多种计算方法能够显著提升蛋白互作预测的准确性与覆盖范围。不同方法之间的低重叠性说明它们捕获了不同层面的信息，而整合策略能够充分利用这些互补优势。

在结构层面，模板建模方法与AlphaFold类方法在界面预测上表现出一致性，这为大规模结构预测提供了可行路径。由于AlphaFold类方法计算成本较高，而PrePPI等方法速度较快，两者可以形成有效的筛选与精细建模流程。

与以往仅关注少量高置信度相互作用的研究不同，本研究更强调构建完整互作网络，从而获得系统层面的生物学理解。这种策略在功能注释和网络分析中具有明显优势。

通过网络聚类分析，研究人员能够在无需先验功能信息的情况下，识别出具有生物学意义的功能模块，并为未知蛋白提供可靠的功能预测。

整理 | DrugOne团队

参考资料

Zhao, H., Velez, C., Naravane, A. et al. Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks. Nat Commun (2026).

https://doi.org/10.1038/s41467-026-71166-9

内容为【DrugOne】公众号原创｜转载请注明来源