基于蛋白质语言模型ESM-2的SARS-CoV-2宿主因子预测框架TransFactor及其在抗病毒治疗中的应用

本研究针对病毒宿主因子鉴定实验方法存在的高假阳性/阴性率问题，开发了基于ESM-2蛋白质语言模型的TransFactor框架。通过整合33项SARS-CoV-2研究的实验数据，该模型仅需蛋白序列即可预测促病毒宿主因子，其性能（AUROC 0.89）显著优于传统机器学习方法，并通过计算丙氨酸扫描识别出COMM/PX/RRM等关键功能域，为抗病毒药物靶点发现提供了新范式。

　　

病毒与宿主的博弈从未停歇，从2016年寨卡病毒到COVID-19大流行，人类不断遭遇新发传染病的挑战。病毒如同精密的"分子海盗"，劫持宿主细胞机器完成其生命周期。传统抗病毒药物多靶向病毒自身蛋白，但病毒快速突变导致的耐药性促使科学家将目光转向宿主因子——这些被病毒"绑架"的细胞蛋白犹如"叛徒"，协助病毒完成入侵、复制和释放。然而现有宿主因子鉴定主要依赖CRISPR-Cas9或RNAi筛选，这些高通量方法存在细胞系限制、结果重复性差等缺陷，犹如在黑暗森林中盲目射击，假阳性率高达40%（Baggen et al., 2021）。

为突破这一瓶颈，Helmholtz Munich研究所的团队在《Bioinformatics》发表创新研究，开发出TransFactor预测框架。该研究巧妙利用蛋白质语言模型ESM-2的预训练知识，仅需蛋白序列即可预测SARS-CoV-2宿主因子，避免了繁琐的组学实验。通过整合33项独立研究的实验数据构建金标准数据集，采用低秩自适应（LoRA）微调策略，模型在测试集达到AUROC 0.89的优异性能。更引人注目的是，通过计算丙氨酸扫描技术，首次系统识别出COMM、PX和RRM等结构域可能是介导促病毒功能的关键"分子开关"。

关键技术方法

研究从UniProtKB获取20,415条人类蛋白序列，基于33项SARS-CoV-2研究筛选出1,038个阳性宿主因子。采用ESM-2模型提取蛋白特征，创新性结合LoRA微调策略降低计算成本。通过mmseq2聚类（序列相似度10%）确保数据无泄漏，使用Optuna优化超参数。验证阶段采用5折交叉验证，通过计算丙氨酸扫描实现模型可解释性分析，GO富集使用DAVID数据库完成。

研究结果

1. 1.

   模型性能验证

   TransFactor显著优于传统方法：在测试集AUROC达0.89，较CNN-LSTM模型提升11%。Precision@100达0.37，意味着每验证100个预测靶点可发现37个真实宿主因子，较实验筛选（平均精度0.13）效率提升近3倍。

1. 1.

   生物学一致性验证

   对3,936个候选蛋白的预测显示，高评分候选者与已知宿主因子具有高度一致的GO富集模式（OR=15.0, p<0.0001），如内吞作用调控、RNA结合等通路。这提示模型成功捕捉到宿主因子的功能特征，而非简单记忆序列模式。

1. 1.

   关键功能域发现

   计算丙氨酸扫描揭示：COMM结构域（如COMMD4 172-199位点）的突变导致预测评分下降最显著（Δ?_Ala<-0.5），这与COMMD家族蛋白在病毒内体运输中的已知功能吻合。PX和RRM结构域同样被识别为关键区域，而解旋酶结构域等则影响微弱。

研究启示

该研究开创性地将蛋白质语言模型应用于宿主因子预测，其价值体现在三方面：首先，TransFactor仅需序列信息即可预测，解决了新兴病毒研究中组学数据缺失的难题；其次，模型识别出的COMM等结构域为抗病毒药物设计提供了精确靶标；最后，该框架可扩展至其他传染病研究，如对SARS-CoV宿主因子的预测召回率达42%。

局限性在于当前模型仅处理1024个氨基酸以内的序列，且跨病毒属预测性能有待提升。未来结合结构预测模型AlphaFold或能进一步提升精度。这项研究标志着计算生物学在抗病毒领域的重大突破，为应对未来大流行提供了新的"数字武器"。