蛋白质功能预测新SOTA，上海理工、牛津等基于统计的AI方法，登Nature子刊
内容提要
牛津大学等研究团队设计了一种基于统计的图网络方法PhiGnet，用于蛋白质功能注释和功能位点识别。PhiGnet在性能上优于其他方法，即使没有结构信息也能缩小序列-功能差距。研究结果表明，将深度学习应用于进化数据可以突出残基级别的功能位点，为解释和研究蛋白质的特性和新功能提供支持。该研究发表在《Nature Communications》上。
延伸解读
无需结构信息的蛋白质功能预测
PhiGnet 仅从蛋白质序列预测功能，不依赖结构信息，这解决了计算预测中结构数据缺乏的瓶颈。传统方法常需结构信息，而 PhiGnet 利用进化数据缩小了序列-功能差距，为大规模未表征蛋白质的功能注释提供了可行途径。
残基级别功能位点识别与验证
PhiGnet 通过激活分数定量评估每个残基对特定功能的重要性，在九种蛋白质中平均准确率超过75%，与实验确定的配体/离子/DNA结合位点高度一致。这表明该方法能精确定位功能位点，为实验研究提供指导。
性能优势与泛化能力
在基准测试中，PhiGnet 对 GO 术语和 EC 编号的预测性能优于现有监督和无监督方法，平均 AUPR 分别达到0.70和0.89。其泛化稳健性在不同序列同一性阈值下表现良好，随着序列同一性增加，预测性能提高。
进化数据驱动与局限性
PhiGnet 的成功在于利用进化数据中的高阶模式，特别是残基群落信息，来准确分配功能注释。然而，该方法在序列多样性较低的蛋白质家族中可能存在偏差和噪音，且学习机制的解释仍具挑战。
Q&A
PhiGnet是什么？
PhiGnet是一种基于统计的图网络方法，用于蛋白质功能注释和功能位点识别。
PhiGnet的主要优势是什么？
PhiGnet在没有结构信息的情况下仍能缩小序列-功能差距，并在功能注释的预测能力上优于其他方法。
PhiGnet如何评估残基的重要性？
PhiGnet使用激活分数评估每个残基在特定功能中的重要性，从而精确定位功能位点。
PhiGnet的准确性如何？
在九种蛋白质中，PhiGnet的平均准确率超过75%，表现出良好的预测性能。
PhiGnet的局限性是什么？
PhiGnet在序列多样性较低的蛋白质家族中可能出现偏差和噪音，影响功能位点的识别。
PhiGnet的研究成果发表在哪里？
该研究成果发表在《Nature Communications》上。
