一个用于研究蛋白质-蛋白质相互作用的大型数据集

一个用于研究蛋白质-蛋白质相互作用（PPI）的大型数据集，基于深度突变扫描（DMS）数据。

蛋白质-蛋白质相互作用的重要性：

PPI在细胞功能中起着关键作用，理解这些相互作用对于药物发现和生物机制研究至关重要。

尽管在预测蛋白质结构方面取得了进展，但准确预测PPI的强度仍然是一个挑战。

当前方法的挑战：

传统的低通量实验方法生成的数据量有限，难以满足深度学习模型的训练需求。

高通量的DMS实验虽数据丰富，但往往未充分利用，尤其是在考虑相互作用伙伴时。

这个大型数据集，包含超过1000万个DMS原始数据点，精炼为50万个高质量数据点，来自25个实验，专注于PPI。

数据集确保包含所有相互作用蛋白的序列和结构，超越了仅关注单个蛋白的先前数据集。

数据收集和处理：

将野生型序列映射到PDB中的相应复杂结构，若存在不匹配，则使用同源建模进行填补。

使用FoldX生成突变体的结构，以便获得野生型和突变体的结构用于模型训练。

数据分割策略：

引入了“中间与极端分割”和“跨实验分割”策略，旨在提高模型在现实世界应用中的泛化能力。

基线模型和指标：

包含十种基线模型，涵盖结构-based、MSA-based和序列-based类别。

使用标准指标如Spearman、AUC、MCC等，并引入“UnbiasHit@10”指标，适用于仅测试少数 top 变体的实际情况。

实验结果：

结构-based模型表现更好，因为它们包含了蛋白质的物理信息。

尽管如此，仍存在改进空间，尤其是在处理噪声较大的DMS数据和有限的PPI对时。

未来方向和应用：

计划每年更新数据集，以纳入新研究并扩大覆盖范围。

潜在应用包括药物发现、合成生物学和疾病机制研究等。

文章提供了一个高质量的PPI数据集和评估模型的框架，有望推动PPI预测和理解的进展。