分享一篇发表在Science上的文章，题目为“Protein codes promote selective subcellular compartmentalization”，文章通讯作者是来自麻省理工学院的Regina Barzilay教授与Richard A. Young教授。Barzilay课题组致力于发展用于先导化合物筛选和临床诊疗的机器学习算法；Young课题组致力于研究病变组织中基因表达的变化。

在正常的生理活动中，细胞需要将约100亿个蛋白质分子精准分配到不同的亚细胞区室（如核仁、核斑点、染色质等）以执行特定功能。长期以来，蛋白质的三维结构被认为是其功能的核心，但区室化机制仍不明确。传统观点认为，蛋白质通过特异性相互作用或弱多价非共价作用形成凝聚体（condensates）。近年来，研究发现不同凝聚体内部具有独特的化学微环境，暗示蛋白质可能通过序列特征适配特定区室的溶剂环境。

在本文中，作者发展了一种名为ProtGPS的深度学习模型，揭示了蛋白质序列中隐藏着一种未被识别的“定位代码”，指导其选择性分布到特定区室之中。

首先，作者基于UNIPROT和CD-code数据库，共收集了5480个已知定位于12个凝聚体中的蛋白序列信息。作者使用ESM2（Evolutionary Scale Modeling）预训练模型处理蛋白质序列信息，针对凝聚体定位构建多分类器，对分布概率进行预测。最终模型在12种区室的预测中均表现出理想的准确性（AUC-ROC位于0.83–0.95区间），显著优于随机森林或线性回归模型。

接下来，作者将ProtGPS模型用于凝聚体定位的蛋白质设计。结合马尔可夫链蒙特卡洛（MCMC）算法，约束生成序列满足自然蛋白质的化学空间、内在无序性（IDRs）且在目标区室的分类概率≥0.95。接下来，以mCherry荧光蛋白为载体，作者设计并合成了大概100 AAs长度的嵌合蛋白，通过流式分选和活细胞成像验证其定位效果。以核仁为例，MCMC生成的10个蛋白中，4个（NUC1/2/5/6）在活细胞中显著富集于核仁，其分配比（K值）较对照提升5–15倍。

最后，作者将ProtGPS模型用于揭示蛋白致病突变的致病机制。从ClinVar数据库筛选20.5万个致病突变（含截断突变和单点突变），利用ProtGPS预测突变对定位的影响，并通过Shannon熵和Wasserstein距离量化信息变化，截断突变导致区室预测的不确定性（Shannon熵）显著增加，单点突变次之。

随后，作者在细胞中表达突变蛋白，观察其定位异常。20个致病突变蛋白中，截断突变（如DAXX-R318Ter、TCOF1-Q55Ter）引发核仁或核斑点结构紊乱，而单点突变（如BRD3-R334S）仅引起轻微变化，与Wasserstein距离的预测趋势一致。

总体而言，本文发展的化学酶法为甲基蛋白质组学研究提供了强有力的工具，有望推动精准医学和表观遗传药物开发。

本文作者：TZS

责任编辑：MB

DOI：10.1126/science.adq263

原文链接：https://doi.org/10.1126/science.adq263