8.AlphaMissense：原图、模型逻辑与研究范式
8.AlphaMissense：原图、模型逻辑与研究范式
Perry论文题名： Accurate proteome-wide missense variant effect prediction with AlphaMissense
期刊与年份： Science，2023。论文原文。
范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。
阅读来源说明： Science 2023 正文；当前下载 PDF 含 2026-09-24 更正说明：分类阈值基于未平衡的 ClinVar 全集，不应与基因平衡基准混淆。
研究瓶颈怎样转化为问题
AlphaFold 已能提供大量结构信息，但结构预测对单碱基引起的氨基酸变化常不敏感，不能直接用结构是否变化判定致病。AlphaMissense 选择迁移其内部序列和残基对表示，并用新的错义任务训练。依据设计逻辑推断，idea 是利用结构模型已经学到的几何上下文，而不强迫它生成突变后的结构；同时用自然人群代理标签减少临床收录偏倚。
输入、目标与证据链
模型接收参考蛋白序列及 MSA，结合 AlphaFold 衍生 Evoformer 表征，预训练包含结构与掩码氨基酸任务，再以常见人/灵长类变异和未观察变异的弱标签微调。频率加权是为了降低稀有变异代理标签的噪声。输出是指定氨基酸替换的分数，不是突变结构、功能方向或某位患者的患病概率。临床标签、病例新生变异、MAVE、细胞必需性与复杂性状分别检查不同外推；训练没有使用这些具体临床/功能标签，阈值校准仍使用 ClinVar。
Figure 1：AlphaMissense 架构与训练
原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 参考序列及多序列比对进入 Evoformer，结合残基对表示、循环计算及掩码残基预测，输出结构与错义致病分数。 |
| B | 常见人类/灵长类变异作为偏良性训练信号，未观察到变异作另一类，按等位基因频率加权减少罕见变异的不可靠监督；这是人群代理标签。 |
| C | 用 ClinVar、疾病新生变异及多重变异效应实验三个方向评估，避免只凭一种基准下结论。 |
A 说明结构语境如何进入表征；B 说明监督信号来自人口频率，而不是实验确定的二分类。未观察变异含很多真正良性，常见变异也可能有较弱或环境相关效应，所以训练只是弱监督。C 设置三类不同测试，能发现模型只符合某一个标签体系的风险。此处重要创新是迁移和标签设计的结合；不宜把它说成 AlphaFold 计算了每个突变的三维形变。
Figure 2：临床变异分类性能
原图来源：所用 PDF 文件第 5 页，Figure 2。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 在按基因平衡良性/致病数量的 ClinVar 集合比较 AUROC；直接用 ClinVar 训练方法的灰色结果可能有训练重叠优势。 |
| B | 对至少各有五个良性、致病标签的 612 个蛋白求平均逐基因 AUROC，防止标签多的基因主导总体结果。 |
| C | 比较 DDD 病例与健康对照的疾病相关新生变异，检验另一种临床证据下的区分能力。 |
| D | 分箱比较平均预测分数与真实致病比例，并显示良性/致病分数分布；评估分数校准而非只看排序。 |
| E | 改变要求的预测精确率，统计可明确分类的变异比例；揭示可靠性与覆盖率的权衡。 |
| F | ACMG 可采取临床措施的基因示例：左按位置展示变异分数，右在结构上着色平均分数；定位关键区域及已注释变异。 |
| G | 对优先开展 MAVE 实验的基因作同样展示，说明资源能指导后续实验选择。 |
A 的基因平衡与 B 的逐基因平均意在防止基因标签比例造成虚高表现；D 校准和 E 覆盖率则是另一问题。当前 PDF 更正指出分类阈值依据未平衡 ClinVar 全集，因此‘90% precision’依赖该集合比例，不能搬到任意筛选人群。F/G 的结构着色解释敏感区域，但临床使用还需表型和遗传证据。不同疾病基因的基线风险不同，整体分数校准不能保证每个基因都同样可靠。
Figure 3：与大规模功能实验的一致性
原图来源：所用 PDF 文件第 7 页，Figure 3。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 比较 ProteinGym 72 个蛋白的逐蛋白 Spearman 相关分布，评价分数对实验效应的排序。 |
| B | 限制到所有方法均覆盖的 25 个人类蛋白、608,175 个变异，避免覆盖差异混淆比较。 |
| C | 在另收集的 20 个人类蛋白上检验相关性，提供额外独立验证。 |
| D | SHOC2 的实测、AlphaMissense、EVE 替换热图；对应结构域及界面注释，检验模型是否恢复敏感区及特定替换效应。 |
| E | 把 SHOC2 平均分数映射到与 MRAS/PP1C 的复合物，突出结合界面的敏感残基。 |
| F | 在 GCK 结构上显示高分催化及配体结合位置，也标出变构区域，解释功能敏感性。 |
| G | 比较 GCK 体外活性与致病分数；失活变异总体高分，但部分过度活化致病变异分数低，提示功能获得机制是局限。 |
共同覆盖的蛋白集合控制方法缺失预测造成的优势，新增实验集合进一步检验泛化。D/E 的 SHOC2 说明替换差异与复合物界面能对应，G 的 GCK 则主动展示重要失败模式：过度活化也可能致病，较低预测分数不能排除该机制。DMS 测的是特定功能和实验条件，Spearman 评价排序而不是临床风险校准。研究中应保留功能方向标签，避免把失活与获得功能折成一个未经检查的强弱轴。
Figure 4：基因必需性与短基因
原图来源：所用 PDF 文件第 9 页，Figure 4。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 展示中性选择下每基因预期 LoF 变异数；预期不超过 10 个的基因，人群 LOEUF 统计效能不足。 |
| B | 在统计效能不足/充分两组比较基因分数识别细胞必需基因的 AUROC；AlphaMissense 对短、低变异数量基因补充人群约束指标。 |
| C | 在 LOEUF 效能不足的基因中，按平均致病分数和 LOEUF 十分位展示必需/非必需基因比例；高 AlphaMissense 分数组富集必需基因。 |
| D | SF3b 复合物结构中突出较小、LOEUF 效能不足的亚基，给出具体生物例子。 |
| E | 各 SF3b 亚基蛋白长度，说明为何小亚基的自然人群变异不足。 |
| F | 表格比较各亚基细胞必需性、预期 LoF、AlphaMissense 与 LOEUF 排名；小亚基仍可被模型识别为敏感。 |
小蛋白在自然人群中预期 LoF 数少，LOEUF 的统计功效不足；预测全部替换可补充缺失的观察。A–C 在效能不同的基因组分开评估，D–F 用 SF3b 小亚基展示具体例子。这是基因级汇总用途，和逐变异用途不相同。细胞必需性依赖细胞系与培养条件，也不同于人体单倍剂量不足或 AD 风险；基因平均分数高只能提示功能敏感，不能指定疾病机制。
Figure 5：开放预测资源的用途
原图来源：所用 PDF 文件第 10 页，Figure 5。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 展示全蛋白组错义预测表的一行，包括变异及分数/分类，说明可查询资源的内容。 |
| B | 按人群频率及 MAVE/ACMG 基因集统计预测类别；罕见变异和功能重要基因集合中有害预测比例更高。 |
| C | 比较各类罕见变异与约 4,000 个 UK Biobank 性状关联的比例；检验预测致病类别是否富集可观测的性状关联。 |
资源表把大规模预测变成可复用输入，B 的频率和基因集比较验证预期趋势，C 的 UK Biobank 性状关联检查群体层价值。但预测类别的性状关联富集不说明全部标记都有因果作用，也不意味着每个 likely pathogenic 会导致某一疾病。用这些结果设计新研究，应固定模型版本、转录本和阈值，并保持预测证据与实际临床/功能标签来源可追溯。
我的理解与可迁移设计
最值得借鉴的是承认弱标签噪声并用多个正交终点验证。对于 AD 非编码序列，不应照搬蛋白模型，也不应把常见或跨物种出现等同绝对良性；可借其策略，冻结已有序列表征，再用真实 MPRA 等位效应训练更小的头。尤其要保留功能方向和细胞背景，让模型知道不同机制可能都与疾病有关。当前更正也提醒我：排版中一个‘平衡/未平衡’差异会改变精确率的含义，写作必须交代阈值在哪个分母上校准。
