DeepMind 利用无监督学习开发 AlphaMissense，预测 7100 万种基因突变

类基因组共有 31.6 亿个碱基对，无时无刻不在经历复制、转录和翻译，也随时有着出错突变的风险。

错义突变是基因突变中的一种常见形式，然而人类目前只观察到了其中的一小部分，能够解读的更是只有 0.1%。

准确预测错义突变的作用，对于罕见病、遗传病的研究和防治有着重要作用。这次，DeepMind 又出手了。

作者 | 雪菜
编辑 | 三羊、铁塔

人类基因组共有 31.6 亿个碱基对。这些碱基对每天会经历复制、转录、翻译，最终表达成为蛋白质，调控人类日常生理活动。

在如此庞大的工作量下，即使是精细的人体也很难做到毫无差错。稍有不慎，碱基对就可能配位错误，导致基因突变，日积月累甚至引发癌症。

错义突变 (Missense Mutation) 是一种常见的基因突变形式。 由于 DNA 中碱基突变，翻译得到的氨基酸发生了变化，最终导致整个蛋白质功能被破坏。

在这里插入图片描述

图 1：错义突变示意图。由于 DNA 中腺嘌呤核苷酸突变为鸟嘌呤核苷酸，翻译得到的氨基酸由谷氨酰胺变为丝氨酸

目前人类观察到了 400 多万种错义突变，但仅能将 2% 的错义突变归类为致病突变或是良性突变。

准确预测错义突变的作用能够加深人类对于罕见病的理解，并针对潜在的遗传病进行预防和治疗。 虽然变异效应多重分析 (MAVEs) 可以对蛋白质的突变进行系统的分析，并准确预测其临床效果，但这一方法需要大量的人力物力，难以对所有错义突变可能进行全面的分析。

为此，DeepMind 通过 AlphaFold 分析了蛋白质的整体结构，并结合弱标签学习和无监督学习开发了 AlphaMissense，对错义突变的后果进行了系统的分析。AlphaMissense 利用 ClinVar 数据集进行了验证，预测正确率达到 90%。

随后，AlphaMissense 对人类可能出现的 7,100 万种错义突变进行了预测，其中 32% 可能为致病性突变，57% 可能为良性突变。这些结果将极大促进分子生物学、基因组学、临床医学等学科的发展。这一成果已发表于「Science」。

在这里插入图片描述

图 2：AlphaMissense 对 7,100 万种错义突变的预测结果（上）及人类目前观察到和确认的结果（下） ![在这里插入图片描述](https://img-blog.csdnimg.cn/44b06de16f28492ebc39f6d7f3d5dc0c.png#pic_center)

实验过程

AlphaMissense：AlphaFold + 微调

将一串氨基酸序列输入 AlphaMissense 后，它会对序列中任一氨基酸变化的致病性进行预测。 AlphaMissense 的实现和 AlphaFold 非常相似，只在架构上做了细微的调整。

在这里插入图片描述

图 3：AlphaMissense 的结构示意图

AlphaMissense 的训练集来源广泛，但主要来自于人类和非人灵长类。其中，来源于人类的良性错义突变有 1,248,533 个，致病错义突变则从可能出现但尚未被观察到的 65,314,044 个突变中抽取。

AlphaMissense 的训练包括两步。首先，同 AlphaFold 一样，AlphaMissense 需要预测多序列对比 (Multiple Sequence Alignments) 中被随机掩码的氨基酸，进而预测单链蛋白质的结构，并进行蛋白质语言建模。

随后，研究人员利用人类蛋白质对 AlphaMissense 进行微调 (fine-tuning)，并设定了模型的输出目标，即错义突变的致病性。

由于未被观察到的错义突变中存在相当数量的良性突变，但在训练过程中都将其归为了致病突变，因此 AlphaMissense 训练集的噪音很大。为了提升训练集的数量和质量，研究人员使用自蒸馏 (self-distillation) 的方式对数据进行了过滤。

临床数据验证：不同数据集中的表现

训练完成后，利用标注后的临床数据 (ClinVar 数据集)、罕见发育障碍患者中的新发突变 (de novo variants) 和 ProteinGym 中的 MAVE 结果对 AlphaMissense 进行验证。

首先，研究人员对 AlphaMissense 在 ClinVar 数据集中的表现进行了评价。在对 18,924 个突变位点进行分析后，AlphaMissense 的 auROC 为 0.940，较之前最先进的进化模型 (EVE) 有所提升 (0.911)。

在对错义突变进行临床评价时，人们一般会关注特定疾病相关的基因。因此，分辨出这些基因中良性和致病的错义突变尤为重要。研究人员利用 AlphaMissense 对 ClinVar 中的 612 个基因进行分析，其 auROC 为 0.950，优于 EVE 的 0.921。

最后，研究人员分析了 AlphaMissense 在解密发育障碍 (DDD, Deciphering Developmental Disorders) 数据集中的预测结果。AlphaMissense 的 auROC 为 0.809，与 PrimateAI 的 0.797 相当。

在这里插入图片描述

图 4：AlphaMissense 和其他模型在不同数据集中性能对比

A：对 ClinVar 中突变位点的分析；

B：对 ClinVar 中基因的分析；

C：对 DDD 数据集的分析。

同时，AlphaMissense 对 Cancer Hotspots、ACMG (American College of Medical Genetics) 和其他 MAVE 数据的预测结果也较其他模型更为优异。上述结果说明，AlphaMissense 在多个数据集中表现优于现有模型。

总体预测性能：反映蛋白质突变趋势

用临床数据对 AlphaMissense 进行验证之后，研究人员利用 AlphaMissense 对 2.16 亿个氨基酸在人类常见的 19,233 个蛋白质中可能发生的突变进行了预测，最终得到了 7,100 万种错义突变的预测结果。

AlphaMissense 的致病性预测结果在 0-1 之间，越接近 1 说明致病可能性越高。由于绝大多数预测结果接近 0 和 1，因此 0.2 至 0.8 之间的数据可能不太准确。最终，他们将预测结果分为三类：可能致病、可能良性和无法确定。

为对 AlphaMissense 的预测性能进行整体评价，研究人员计算了所有蛋白质的单个氨基酸致病性。结果显示，芳香族氨基酸和半胱氨酸的突变更容易引发疾病，与实际结果一致，因为这两种氨基酸起到了维持蛋白质结构的作用。

在这里插入图片描述

图 5：AlphaMissense 的预测结果热图，色块代表 2.16 亿个氨基酸变化在蛋白质组中的平均致病性

将 AlphaMissense 的预测结果和 AlphaFold 预测的蛋白质结构可视化之后，我们可以看到这些蛋白质的突变趋势。 比如，蛋白质结构紊乱的区域与良性突变的发生区域相对应，这与蛋白质组学的预测结果也是一致的。
在这里插入图片描述

图 6：ACMG 和 MAVE 数据集中部分蛋白质的可视化结果

左侧为 AlphaMissense 预测的致病性，可能致病的错义突变为红色，可能良性的错义突变为蓝色，已被收录于 ClinVar 数据集的突变以实心圆标注。右侧为 AlphaFold 预测的蛋白质结构，不同颜色表示这一区域突变致病性，与 AlphaMissense 相对应。

预测准确率：与 MAVE 结果一致性

为调查 AlphaMissense 和 MAVE 结果之间的一致性，研究人员利用 AlphaMissense 对两组 MAVE 数据进行了分析。与其他预测方法相比，AlphaMissense 与 MAVE 数据最为接近。

在这里插入图片描述

图 7：AlphaMissense 和其他模型与 MAVE 预测结果的斯皮尔曼相关系数，其中 AlphaMissense 结果最好

随后，他们又将 AlphaMissense 的预测数据和实验验证过的错义突变致病性进行了对比。SHOC2 蛋白可以与 MRAS 和 PP1C 蛋白形成复合物，激活 Ras-MAPK 癌症通路。AlphaMissense 与 MAVE 对这一突变和 Ras 癌症细胞的相关性进行了预测，得到的斯皮尔曼相关系数为 0.47，优于其他模型 (ESM1v: 0.41, ESM1b: 0.40, EVE: 0.32)。

在这里插入图片描述

图 8：不同模型对 MAVE 数据集中错义突变的预测结果

进一步的，研究人员探究了 AlphaMissense 对 SHOC2 蛋白不同区域氨基酸错义突变致病性的预测结果。在 SHOC2 的前 80 个氨基酸中，MAVE 预测第 63-74 号氨基酸突变是致病的，因为这一区域会通过 RVxF 与 PP1C 蛋白结合。AlphaMissense 是唯一一个识别出这一重要区域的模型。

在这里插入图片描述