PLiCat：基于大语言模型的蛋白质-脂质相互作用解码工具及其在脂质结合特异性预测中的应用

《Briefings in Bioinformatics》：PLiCat: decoding protein–lipid interactions by large language model

本刊推荐：为解决蛋白质-脂质相互作用特异性预测的难题，研究人员开发了PLiCat框架，创新性地融合ESMC与BERT模型，实现了从蛋白序列直接预测8大脂类结合类别的突破。该工具在独立测试集上AUC-ROC达0.88-0.97，通过归因分析解码了脂质结合序列特征，并能评估致病突变对脂结合的影响，为理解脂识别机制和蛋白质设计提供了新范式。

　　

在细胞的生命活动中，蛋白质与脂质的相互作用如同精密的分子舞蹈，调控着信号传导、免疫稳态和表观遗传等关键过程。然而，传统生物化学方法耗时费力，而现有计算工具难以区分不同脂质类别，使得我们对脂质结合特异性的认知存在巨大空白。随着蛋白质语言模型（Protein Language Models, PLMs）的突破性进展，直接从氨基酸序列中解读功能密码成为可能。

为解决这一挑战，南方科技大学的董飞彤与吴婧柔开发了PLiCat（Protein-Lipid interaction Categorization tool），这是首个仅凭序列即可预测八大脂类结合类别的计算工具。该研究发表于《Briefings in Bioinformatics》，通过融合ESM Cambrian（ESMC）与BERT模型，构建了能同时捕捉进化尺度和长程上下文依赖的混合架构。

研究团队采用的关键技术方法包括：基于BioDolphin数据库构建包含12,873个阳性样本和800个阴性样本的高质量数据集；设计端到端训练的ESMC-BERT混合架构，其中ESMC模块提取进化特征，BERT模块捕获长程关联；采用加权交叉熵损失函数解决类别不平衡问题；通过10折交叉验证和独立测试集评估性能；利用集成梯度（Integrated Gradients）进行归因分析解码脂结合特征；并通过潜在空间可视化（UMAP）、致病突变影响分析（Jensen-Shannon散度、Wasserstein距离）等多角度验证模型可靠性。

PLiCat准确区分脂质结合类别

通过多指标评估，PLiCat在独立测试集上表现出色：所有脂类别的AUC-ROC介于0.88-0.97之间，显示其强大的区分能力。尽管AUC-PR因类别不平衡存在差异（PR/FA/PK达0.91，GL/SL较低），但混淆矩阵显示模型对脂肪酸酰基（FA）、异戊二烯脂质（PR）和聚酮化合物（PK）的识别尤为精准。与传统机器学习（RF、SVM、LR）和单一PLM模型（ESM-2、ProtBert）相比，PLiCat均展现显著优势。

消融研究验证ESMC和BERT模块的有效性

通过系统移除或冻结模块的对比实验发现，缺失ESMC（PLiCat-A）会导致准确率与召回率显著下降，而仅使用ESMC（PLiCat-B）的性能衰减较轻微，证明ESMC提供的进化特征与BERT的上下文信息具有互补性。冻结部分层（PLiCat-C/D/E）或调整损失函数（PLiCat-F）均会降低性能，证实混合架构的合理性。

PLiCat学习可解释的脂质结合表征

UMAP可视化显示，训练后模型的潜在空间中不同脂类别形成清晰聚类，而测试集呈现相似模式，表明模型学到了泛化性强的区分特征。归因分析热图揭示了各脂类的独特氨基酸“签名”：如色氨酸（W）对固醇脂质（ST）和脂肪酸酰基（FA）结合呈正贡献，而对异戊二烯脂质（PR）和甘油磷脂（GP）为负贡献，凸显了脂识别机制的特异性。

PLiCat促进脂质结合位点预测

以脱水角鲨烯合酶（CrtM）和赤霉素受体GID1为例，高归因分值的残基与实验验证的结合位点高度重叠。结构映射显示，这些残基簇集在脂结合口袋周围。严格残基级别评估（容差±0）F1分数为0.10，放宽至±2个残基时提升至0.23，表明预测位点与真实结合区空间邻近。

致病突变对脂质结合事件的影响

对脂相关致病突变的分析发现，野生型与突变型序列在PCA嵌入空间中大部分重叠，但部分突变引起预测分布偏移。Jensen-Shannon散度与Wasserstein距离计算表明，NO（非结合）和FA类别对突变最敏感，提示致病变异可能通过改变脂结合特性影响功能。

研究结论指出，PLiCat首次实现了从序列直接预测脂结合类别，解码了脂识别的序列密码。其局限性包括对甘油脂（GL）和糖脂（SL）等类别的区分能力较弱（可能与共享结构域及样本量少有关），且目前仅限八大类别层面。未来整合脂质结构信息、发展子类分辨能力、结合迁移学习将是重要方向。该工具不仅为揭示脂识别机制提供了新视角，更在指导理性蛋白质设计、开发脂相关疾病疗法方面展现出广阔前景。