双峰：用于无结构蛋白-蛋白结合亲和力和突变效应的双头架构

我们提出了一种新型双头深度学习架构用于蛋白-蛋白相互作用建模，使能够同时预测结合亲和力 ($\Delta G$) 和诱导突变效应 ($\Delta\Delta G$)，仅使用蛋白序列信息。我们的方法为现有方法提供了显著的进步，采用专门的预测头在共享表示网络上运行，允许直接且优化地预测这两个值。为确保稳健的泛化，我们将来自 SKEMPI v2 和 PDBbind 的互补数据集整合在内，并采用严格的蛋白域基准分割策略，以防止训练和验证集之间发生信息泄漏。我们的架构组合基于Transformer的编码器，采用新颖的跨注意力机制直接处理配对蛋白序列，无需任何结构信息。网络使用 ESM3 表示嵌入输入序列，然后采用可学习的切片窗口嵌入层高效管理可变长度序列。多层Transformer编码器采用双向自注意力捕获蛋白内部模式，而跨注意力层则显式建模蛋白对之间的相互作用。该共享表示网络输入到独立的 $\Delta G$ 和 $\Delta\Delta G$ 预测头中，允许任务特定的优化，同时利用共同特征。该模型在 $\Delta\Delta G$ 验证上的Pearson相关系数为 0.485，而保持强大的 $\Delta G$ 预测 (Pearson: 0.638)。虽然现有方法需要蛋白质结构数据和结合界面信息，但我们的模型消除了这些限制。这为那些结构未知或难以结晶的蛋白质（如病毒和内在无序蛋白质）提供了关键优势。