基于蛋白质语言模型的插入缺失变异效应预测新框架IndeLLM的开发与应用

本研究针对插入缺失(indel)变异因改变蛋白序列长度而难以用现有工具准确评估的难题，开发了IndeLLM框架。该研究创新性地利用蛋白质语言模型(PLM)进行零样本推断，通过改进评分函数和构建连体网络，实现了对indel致病性的高精度预测（马修斯相关系数MCC=0.77），并提供了将indel影响映射至特定蛋白区域的可视化方法，为疾病相关变异分析提供了新工具。

在基因组变异研究中，插入缺失（indel）变异约占人类变异的18%，但其功能影响预测却长期面临特殊挑战。与单核苷酸变异（SNV）不同，indel会改变蛋白质序列长度，这使得基于序列比对的传统方法和新兴的蛋白质语言模型（PLM）都难以直接处理。特别是框内indel（in-frame indel），它们通过添加或移除完整密码子而保持阅读框不变，其致病机制复杂多变，可能通过破坏蛋白稳定性、功能域或相互作用界面导致疾病，但预测工具却远未成熟。

现有indel致病性预测工具大多依赖于手工筛选的特征（如序列保守性、indel大小等），这些特征选择基于不完全的生物学机制认知，可能存在偏差。更重要的是，这些工具主要针对人类基因组设计，缺乏跨物种通用性。随着蛋白质语言模型的崛起，研究人员看到了解决这一困境的新希望。这些模型通过在海量蛋白序列上训练，能够捕捉深层次的进化约束和结构信息，为变异效应预测提供了新思路。然而，如何让PLM有效处理长度变化的indel序列，并实现可解释的预测，仍是亟待突破的技术瓶颈。

为解决这一难题，研究团队开发了IndeLLM框架。该研究首先系统评估了多种基于PLM的零样本评分方法，发现传统的伪对数似然（PLL）求和法存在长度偏差问题。通过创新性地只计算野生型和突变型序列重叠区域的概率和，提出了IndeLLM评分法，将预测性能从MCC 0.58提升至0.65。更进一步，研究人员构建了一个轻量级连体网络（Siamese network），通过巧妙分割序列嵌入区域（重叠区与indel区），结合indel类型和长度信息，最终实现了MCC 0.77的预测精度，显著优于现有最佳工具。

关键技术方法包括：从三个独立研究整合7,500个人类indel变异构建基准数据集；采用ESM2（650M参数）蛋白质语言模型生成序列嵌入；开发基于重叠区域的IndeLLM零样本评分算法；构建单隐藏层连体网络进行转移学习；通过序列同一性聚类确保训练集、验证集和测试集的数据独立性。

高效评分方法的性能验证

研究团队系统比较了五种零样本评分策略，发现IndeLLM方法（计算重叠区域概率和）表现最优，其接收者操作特征曲线下面积（AUC）达0.93，显著优于传统的Brandes评分法（AUC 0.89）。该方法通过消除序列长度差异带来的偏差，解决了低保守区域概率波动对评分的影响问题。特别值得注意的是，使用绝对概率差值的评分方法（IndeLLM abs）并未带来性能提升，表明简单的概率求和已能有效捕捉indel的生物学效应。

连体网络架构的创新设计

研究人员设计了四种连体网络变体进行对比实验。模型1仅使用野生型和突变型序列的平均嵌入；模型2增加IndeLLM评分作为输入；模型3进一步加入indel类型和长度信息；模型4则创新性地将嵌入分割为重叠区域和indel区域。结果表明，模型4表现最佳（MCC 0.77），证明将indel氨基酸嵌入信息与序列上下文分离能显著提升预测性能。这种生物学引导的特征工程方法，有效避免了信号稀释，使小网络也能实现state-of-the-art性能。

预测性能的全面评估

与九种现有工具的比较显示，IndeLLM连体网络在独立测试集上AUC达0.94，优于最佳传统工具PROVEAN（AUC 0.91）。特别值得注意的是，该模型对插入变异的假阴性预测率从19.51%降至6.10%，表明其能更好捕捉通过稳定性改变或功能获得机制致病的变异。通过在最新ProteinGym数据集上的验证，进一步证实了模型的泛化能力（AUC 0.90，MCC 0.79）。

可解释性分析的结构映射

研究团队开发了将氨基酸概率差异映射到蛋白结构的方法，以FGFR1（成纤维细胞生长因子受体1）和GLMN（glomulin）为例展示了该技术的洞察力。在FGFR1酪氨酸激酶域中，甲硫氨酸535缺失被预测会破坏αC螺旋稳定性——这是酶激活的关键结构元件。另一个FGFR1 Ig样结构域中的5氨基酸缺失，则被预测导致结构域重构，该假设通过AlphaFold结构预测得到验证。这种可视化工具有助于研究人员理解indel致病的结构基础。

该研究通过系统解决PLM处理indel变异的技术难题，建立了新的方法论标准。IndeLLM框架不仅提供了高精度的预测工具，更重要的是开创了将indel效应定位到特定蛋白区域的可视化方法。其轻量级网络设计避免了过拟合风险，而基于生物学原理的特征工程为蛋白质工程和疾病变异解读提供了新范式。随着多模态蛋白质模型的发展，这种方法有望进一步整合结构和功能信息，推动蛋白质变异解读进入新阶段。研究提供的开源工具（GitHub和Google Colab版本）将大大降低该技术的使用门槛，促进其在基因组医学中的应用。