TriFit：基于蛋白质动力学的三模态融合用于突变适应性预测
机器学习
2026-04-15 v1 生物大分子
定量方法
摘要
预测单个氨基酸取代（SAVs）的功能影响是理解遗传疾病和工程治疗蛋白的核心任务。虽然蛋白质语言模型和结构方法在该任务上取得了强大的性能，但系统上忽略了蛋白质动力学；残基柔性、相关运动和所有oster coupling 已是结构生物学中被证实的突变容忍性决定因素，却未被纳入监督变体效应预测器。我们提出 TriFit，一个多模态框架，集成序列、结构和蛋白质动力学，通过四专家混合专家（MoE）融合模块进行三模态交叉对比学习。通过 ESM-2（650M）的掩码边际评分提取序列嵌入；从 AlphaFold2 预测的 C-alpha 几何结构提取结构嵌入；从高斯网络模型（GNM）B 因子、振型和残基-残基交叉相关系数提取动力学嵌入。MoE 路由器根据输入自适应加权模态组合，实现无固定模态假设的蛋白质特异性融合。在 ProteinGym 替换基准（217 个 DMS 实验，69.6k 个 SAVs）上，TriFit 实现 AUROC 0.897 ± 0.0002，超越所有监督基线，包括 Kermut（0.864）和 ProteinNPT（0.844），以及最好的零样本模型 ESM3（0.769）。消融研究确认动力学对两两模态组合的最大边际贡献，TriFit 在无后处理校正的情况下实现良好校准的概率输出（ECE = 0.044）。
引用
@article{arxiv.2604.12026,
title = {TriFit: Trimodal Fusion with Protein Dynamics for Mutation Fitness Prediction},
author = {Seungik Cho},
journal= {arXiv preprint arXiv:2604.12026},
year = {2026}
}