基于图神经网络的蛋白质突变效应预测研究

作     者：廖玉琼 

作者单位：广州大学 

学位级别：硕士

导师姓名：寇铮

授予年度：2024年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 12[管理学] 0711[理学-系统科学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：图神经网络 蛋白质突变 蛋白质稳定性 蛋白质相互作用 

摘      要：蛋白质稳定性和蛋白质相互作用参与细胞中众多重要的生理过程,对于活细胞执行正常生理功能至关重要。蛋白质突变可影响蛋白质稳定性或改变蛋白质相互作用,进一步导致生理疾病的发生,因此开发蛋白质突变效应的预测算法至关重要。当前研究突变对蛋白质稳定性和蛋白质相互作用影响的预测算法取得了显著进展,但仍然存在提升的空间,涉及蛋白质经验特征选择、突变效应预测准确性、预测算法泛化能力等方面。基于突变效应预测算法的研究进展,本文提出了两种基于图神经网络的蛋白质突变效应预测模型,分别涉及蛋白质稳定性和蛋白质相互作用,具体研究内容包括: (1)突变对蛋白质稳定性影响的预测模型。以野生型和突变型蛋白质的结构信息作为输入,利用稳定性特征编码与基于GAT和Graph Transformer的结构特征提取器提取蛋白质结构特征,并通过全连接层预测两者的稳定性数值,进一步将野生型和突变型蛋白质数值相减,从而预测突变对于蛋白质稳定性的影响。为提升模型的预测性能,开展了参数调优、消融实验、鲁棒性评估等实验,结果显示标签值与预测值之间的皮尔森相关系数与均方根误差分别为0.77与1.06。与已报道的多种模型进行对比,该模型的预测准确性与泛化能力均优于对比模型,其皮尔森相关系数提高了2%以上并且均方根误差至少降低了0.03。 (2)突变对蛋白质相互作用影响的预测模型。以配对蛋白质的结构信息作为输入,利用相互作用特征编码模块和结构特征提取器构建蛋白质相互作用预训练模型,从而获得野生型和突变型蛋白质相互作用的特征表示,进一步使用梯度提升树预测突变对蛋白质相互作用的影响。为提升模型的预测性能,开展了参数调优、消融实验、鲁棒性评估等实验,结果显示标签值与预测值之间的皮尔森相关系数与均方根误差为0.71与1.13。与已报道的多种模型进行对比,该模型预测准确性与泛化能力均优于对比模型,其皮尔森相关系数至少提高了3%并且均方根误差至少降低了0.33。