DOI: https://doi.org/10.1038/s41467-026-75590-9
PMID: https://pubmed.ncbi.nlm.nih.gov/42823401
تاريخ النشر: 2026-09-01
المؤلف: Chenlin Lu وآخرون
الموضوع الرئيسي: تقنيات و تطبيقات مطيافية الكتلة
نظرة عامة
تناقش هذه القسم تطوير PFNet، وهو إطار عمل للتعلم الآلي مصمم لحساب الطاقة الحرة على مستوى البقايا لفتح ($\Delta G_{op}$) للبروتينات والمجمعات باستخدام مجموعات بيانات تبادل الهيدروجين/الطيف الكتلي (HX-MS) على مستوى الببتيد التقليدي. تعتبر $\Delta G_{op}$ وصفًا حراريًا حاسمًا لاستقرار البروتين المحلي، مما يوفر رؤى حول التجمعات الت conformational الديناميكية التي تحدد وظيفة البروتين في ظل ظروف ذات صلة فسيولوجيًا. كانت التفسيرات التقليدية لبيانات HX-MS إلى حد كبير نوعية، تركز على الفروق النسبية في امتصاص الديوتيريوم بين حالات البروتين المختلفة. ومع ذلك، يهدف PFNet إلى الاستفادة من المعلومات الشاملة الموجودة في بيانات HX-MS لاشتقاق معدلات تبادل الهيدروجين الفردية ($k_{ex}$) لمجموعات الأميد الخلفية، مما يسهل حساب $\Delta G_{op}$.
تتناول مقدمة PFNet حاجزًا تكنولوجيًا كبيرًا في تحليل تجمعات البروتين، والذي كان محدودًا بسبب نقص الأدوات الدقيقة والقابلة للتوسع لمراقبة التغيرات الطاقية بدقة عالية. من خلال تأطير استنتاج $\Delta G_{op}$ كمشكلة عكسية قابلة للتوسع، يعزز PFNet إمكانية الوصول والتحليل الكمي لاستقرار البروتين، مما يمكّن الباحثين من فهم تأثيرات الطفرات، والتعديلات بعد الترجمة، والتفاعلات الجزيئية على وظيفة البروتين بشكل أفضل. يعد هذا التقدم محوريًا للانتقال من لقطات البروتين الثابتة إلى فهم أكثر شمولاً للعمليات الديناميكية التي تدعم النشاط البيولوجي.
طرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة لتقدير مستوى الضوضاء التجريبية المعادل المتسق مع البيانات الاصطناعية. قاموا بمقارنة المتبقيات مقابل الفترات النظرية المستمدة من مكونين موحدين من الضوضاء تم استخدامهما خلال التدريب. تم حساب احتمال تغطية فترة التنبؤ (PICP) باستخدام تعريفين: فترة المعادل التبايني وفترة الدعم.
تُعرف فترة المعادل التبايني بعرضي النصف \( a \) و \( b \) لمكونات الضوضاء، حيث \( a = n_l \cdot 10 \) و \( b = n_l \cdot \sigma \)، مع تمثيل \( \sigma \) لشدة الذروة المعنوية. يتم التعبير عن الفترة كـ \([-h_{\text{var}}, h_{\text{var}}, h_{\text{var}}] = \sqrt{a^2 + b^2}\). بدلاً من ذلك، يتم إعطاء الانحراف المعياري للضوضاء الاصطناعية المجمعة بواسطة \( h_{\text{var}} = \sqrt{3} \sigma \). تُعرف فترة الدعم، التي تعمل كتحقق تكميلي، كـ \([-h_{\text{sup}}, h_{\text{sup}}, h_{\text{sup}}] = a + b\). يتم تحديد مستوى الضوضاء التجريبية المعادل عند النقطة التي تحقق فيها PICP تغطية اسمية قدرها 0.95، مما يضمن توافق التغير التجريبي مع ظروف القياس الاصطناعية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تقييمهم لـ PFNet، وهو نموذج مصمم للتنبؤ باستقرار البروتين من خلال مجموعات بيانات معيارية اصطناعية HX-MS. يتكون المعيار من 1,000 بروتين اصطناعي تحاكي الظروف التجريبية، مما يسمح بتقييم محكوم لأداء PFNet. تم تقييم النموذج باستخدام معاملات ارتباط بيرسون ($R$) وخطأ الجذر التربيعي المتوسط (RMSE)، مما يظهر دقة وقوة تفوق الضوضاء مقارنة بطريقة بايزيان المتطورة FEATHER، مع تقليل وقت التحليل بشكل كبير من ساعات إلى ثوانٍ. من الجدير بالذكر أن أداء PFNet تحسن مع زيادة عدد الببتيدات، مما يدل على كفاءة بيانات قوية، بينما أظهر PFNet-Centroid دقة أقل بسبب فقدان المعلومات من التجميع المركزي.
كشفت التحليلات الإضافية أن الشبكة العصبية التلافيفية (CNN) المستخدمة لترميز أغلفة الكتلة النظيرية ضرورية للحفاظ على دقة التنبؤ. حقق نموذج PFNet الكامل نسبة عالية من التنبؤات الواثقة (ثقة > 0.8)، مما يتوافق مع قيم RMSE أقل، وبالتالي تأسيس درجات الثقة كمؤشرات موثوقة لدقة التنبؤ. عند مقارنتها بقيم $\Delta G_{op}$ المستمدة من HX-NMR التجريبية لمختلف البروتينات، أظهر PFNet توافقًا قويًا، مع ارتباطات بيرسون تتراوح من 0.63 إلى 0.91 وقيم RMSE تتراوح بين 2.49 و 5.53 كيلوجول/مول. كما أشار المؤلفون إلى أنه بينما كان أداء PFNet جيدًا ضد طرق أخرى لتحديد $\Delta G_{op}$، قد لا تعكس بيانات التدريب الاصطناعية تعقيدات تجارب HX-MS الحقيقية بالكامل، مما يشير إلى أن النسخ المستقبلية من PFNet يجب أن تتضمن نماذج ضوضاء أكثر واقعية لتعزيز قوتها عبر أنظمة البروتين المتنوعة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على قدرات PFNet، وهو نموذج تعلم عميق، في تحليل ديناميات البروتين من خلال تبادل الهيدروجين-الديوتيريوم الطيف الكتلي (HX-MS). يلتقط PFNet بفعالية الفروق الطاقية بين حالات البروتين الوظيفية، كما يتضح من أدائه في التنبؤ بتغيرات الطاقة الحرة (ΔΔG_op) لكل من الأشكال غير المرتبطة والمربوطة بـ trimethoprim من إنزيم الإيكولاي ثنائي هيدروفولات ريدكتاز (ecDHFR). أظهر النموذج أخطاء ملاءمة أقل مقارنة بـ FEATHER، مما يدل على توافق أقرب مع البيانات التجريبية. بالإضافة إلى ذلك، تتوافق تنبؤات PFNet جيدًا مع نتائج المسح الطفري العميق، مما يكشف أن الطفرات في المناطق المستقرة من ecDHFR أقل تحملًا في وجود بروتين Lon، مما يشير إلى فهم دقيق لتأثيرات الطفرات بناءً على الاستقرار المحلي.
علاوة على ذلك، تم تطبيق PFNet لتحليل التفاعل بين بروتين السنبلة SARS-CoV-2 ومستقبل ACE2 البشري، مما يوفر رسم خرائط حرارية عالية الدقة تتجاوز التحليلات التقليدية على مستوى الببتيد. حدد النموذج بقايا رئيسية، مثل Gln498 و Gln493، كحرجة لارتباط ACE2، مما يؤكد النتائج من الدراسات الهيكلية والطفرية. كما كشفت التحليلات عن تغييرات حرارية مرتبطة عند ارتباط ACE2، مما يبرز التوازن المعقد بين الاستقرار المحلي وعدم استقرار ورقة β المركزية. بشكل عام، يعزز PFNet تفسير بيانات HX-MS، مما يمكّن من رؤى تفصيلية حول تفاعلات البروتين واستقراره، مما قد يُعلم التصميم العقلاني للعلاجات ويعزز فهمنا لديناميات البروتين في أنظمة بيولوجية معقدة.
DOI: https://doi.org/10.1038/s41467-026-75590-9
PMID: https://pubmed.ncbi.nlm.nih.gov/42823401
Publication Date: 2026-09-01
Author(s): Chenlin Lu et al.
Primary Topic: Mass Spectrometry Techniques and Applications
Overview
The section discusses the development of PFNet, a machine learning framework designed to compute the residue-level free energy of opening ($\Delta G_{op}$) for proteins and complexes using conventional peptide-level hydrogen exchange/mass spectrometry (HX-MS) datasets. $\Delta G_{op}$ serves as a crucial thermodynamic descriptor of localized protein stability, offering insights into the dynamic conformational ensembles that dictate protein function under physiologically relevant conditions. Traditional interpretations of HX-MS data have been largely qualitative, focusing on relative differences in deuterium uptake among various protein states. However, PFNet aims to leverage the comprehensive information contained in HX-MS data to derive individual hydrogen exchange rates ($k_{ex}$) for backbone amide groups, thus facilitating the calculation of $\Delta G_{op}$.
The introduction of PFNet addresses a significant technological barrier in protein ensemble analysis, which has been limited by the lack of accurate and scalable tools to monitor energetic changes at high resolution. By framing the inference of $\Delta G_{op}$ as a scalable inverse problem, PFNet enhances the accessibility and quantitative analysis of protein stability, enabling researchers to better understand the effects of mutations, post-translational modifications, and molecular interactions on protein function. This advancement is pivotal for moving beyond static protein snapshots to a more comprehensive understanding of the dynamic processes that underpin biological activity.
Methods
In this section, the authors describe the methodology used to estimate the equivalent experimental noise level consistent with synthetic data. They compared residuals against theoretical intervals derived from two uniform noise components utilized during training. The prediction interval coverage probability (PICP) was computed using two definitions: the variance equivalent interval and the support interval.
The variance equivalent interval is defined by the halfwidths \( a \) and \( b \) of the noise components, where \( a = n_l \cdot 10 \) and \( b = n_l \cdot \sigma \), with \( \sigma \) representing the normalized peak intensity. The interval is expressed as \([-h_{\text{var}}, h_{\text{var}}, h_{\text{var}}] = \sqrt{a^2 + b^2}\). Alternatively, the standard deviation of the combined synthetic noise is given by \( h_{\text{var}} = \sqrt{3} \sigma \). The support interval, which serves as a complementary check, is defined as \([-h_{\text{sup}}, h_{\text{sup}}, h_{\text{sup}}] = a + b\). The equivalent experimental noise level is determined at the point where the PICP achieves a nominal coverage of 0.95, thereby ensuring that the experimental variation aligns with the synthetic benchmarking conditions.
Results
In this section, the authors present the results of their evaluation of PFNet, a model designed for predicting protein stability through synthetic HX-MS benchmark datasets. The benchmark comprises 1,000 synthetic proteins that mimic experimental conditions, allowing for a controlled assessment of PFNet’s performance. The model was evaluated using Pearson correlation ($R$) and root-mean-squared error (RMSE) metrics, demonstrating superior accuracy and robustness to noise compared to the state-of-the-art Bayesian method FEATHER, while significantly reducing analysis time from hours to seconds. Notably, PFNet’s performance improved with an increased number of peptides, indicating strong data efficiency, whereas PFNet-Centroid exhibited reduced accuracy due to information loss from centroiding.
Further analysis revealed that the convolutional neural network (CNN) used to encode isotopic mass envelopes is crucial for maintaining predictive accuracy. The full PFNet model achieved a high proportion of confident predictions (confidence > 0.8), correlating with lower RMSE values, thus establishing confidence scores as reliable indicators of prediction accuracy. When compared to experimental HX-NMR-derived $\Delta G_{op}$ values for various proteins, PFNet showed strong agreement, with Pearson correlations ranging from 0.63 to 0.91 and RMSE values between 2.49 and 5.53 kJ/mol. The authors also noted that while PFNet performed well against other methods for determining $\Delta G_{op}$, the synthetic training data may not fully encapsulate the complexities of real HX-MS experiments, suggesting that future iterations of PFNet should incorporate more realistic noise models to enhance its robustness across diverse protein systems.
Discussion
The discussion section of the research paper highlights the capabilities of PFNet, a deep learning model, in analyzing protein dynamics through hydrogen-deuterium exchange mass spectrometry (HX-MS). PFNet effectively captures energetic differences between protein functional states, as evidenced by its performance in predicting the free energy changes (ΔΔG_op) for both the apo and trimethoprim-bound forms of E. coli dihydrofolate reductase (ecDHFR). The model demonstrated lower fitting errors compared to FEATHER, indicating a closer alignment with experimental data. Additionally, PFNet’s predictions correlate well with deep mutational scanning results, revealing that mutations in ecDHFR’s stable regions are less tolerated in the presence of the Lon protease, suggesting a nuanced understanding of mutational effects based on local stability.
Furthermore, PFNet was applied to analyze the interaction between the SARS-CoV-2 spike protein and the human ACE2 receptor, providing high-resolution thermodynamic epitope mapping that surpasses traditional peptide-level analyses. The model identified key residues, such as Gln498 and Gln493, as critical for ACE2 binding, corroborating findings from structural and mutational studies. The analysis also revealed coupled thermodynamic changes upon ACE2 binding, highlighting the intricate balance between local stabilization and central β-sheet destabilization. Overall, PFNet enhances the interpretation of HX-MS data, enabling detailed insights into protein interactions and stability, which could inform the rational design of therapeutics and advance our understanding of protein dynamics in complex biological systems.