基于共演化的金属结合残基预测：图神经网络方法
机器学习
2026-02-23 v2 材料科学
生物大分子
定量方法
摘要
理解蛋白质-金属相互作用是结构生物学的核心课题，金属离子在催化、稳定和信号传递中至关重要。预测金属结合残基及金属类型一直面临蛋白质结构和演化复杂性的挑战。传统的序列和结构方法往往无法捕捉反映残基如何协同演化以维持金属结合功能的共演化约束。虽然近期的共演化方法已捕获部分信息，但仍未充分利用完整的共演化残基网络。为此，我们提出金属结合图神经网络（Metal-Binding Graph Neural Network, MBGNN），利用完整的共演化残基网络以更好地捕捉蛋白质结构中的复杂依赖关系。实验结果表明，MBGNN 在金属结合残基识别和金属类型分类任务上，分别比最先进的共演化方法 MetalNet2 提升了 2.5% 和 3.3% 的 F1 分数。在两个数据集上验证，MBGNN 均优于两类共演化方法和两类序列方法，实现最高的平均 F1 分数。这一发现表明，将共演化残基网络与图神经网络集成，能够显著提升我们解码蛋白质-金属相互作用的能力，从而促进功能注释和理性金属蛋白设计。代码与数据已发布于 https://github.com/SRastegari/MBGNN。
引用
@article{arxiv.2502.16189,
title = {Co-Evolution-Based Metal-Binding Residue Prediction with Graph Neural Networks},
author = {Sayedmohammadreza Rastegari and Sina Tabakhi and Xianyuan Liu and Tianyi Jiang and Wei Sang and Haiping Lu},
journal= {arXiv preprint arXiv:2502.16189},
year = {2026}
}
备注
10 pages, 6 figures