用于药物基因变异效应预测的矩阵变分自编码器
机器学习
2025-07-04 v1
摘要
变异效应预测器(VEP)旨在评估蛋白质变体的功能影响，传统上依赖于多序列比对(MSA)。这种方法假设自然发生的变体是适应性的，这一假设受到药物基因组学的挑战，其中一些药物基因经历较低的选择压力。深度突变扫描(DMS)数据集通过为变体提供定量适应性评分提供了一种替代方案。在这项工作中，我们提出了一种基于Transformer的具有结构化先验的矩阵变分自编码器(matVAE)，并评估了其在来自ProteinGym基准的对应于26个药物靶点和ADME蛋白的33个DMS数据集上的性能。我们的模型在MSA上训练(matVAE-MSA)在DMS数据集上的零样本预测中优于最先进的DeepSequence模型，尽管使用的参数少一个数量级，并且在推理时需要更少的计算。我们还将matVAE-MSA与matENC-DMS(一个在DMS数据上训练的类似容量的模型)进行比较，发现后者在监督预测任务上表现更好。此外，将AlphaFold生成的结构整合到我们的Transformer模型中进一步提高了性能，达到了与在MSA上训练并在DMS上微调的DeepSequence相当的结果。这些发现凸显了DMS数据集在预测性能没有显著损失的情况下替代MSA的潜力，激励了DMS数据集的进一步开发以及探索它们之间的关系以增强变异效应预测。
引用
@article{arxiv.2507.02624,
title = {A Matrix Variational Auto-Encoder for Variant Effect Prediction in Pharmacogenes},
author = {Antoine Honoré and Borja Rodríguez Gálvez and Yoomi Park and Yitian Zhou and Volker M. Lauschke and Ming Xiao},
journal= {arXiv preprint arXiv:2507.02624},
year = {2025}
}
备注
12+8 pages