1. 蛋白突变效应预测工程导论
蛋白质突变效应预测，指的是给定一个野生型蛋白序列（有时还包括结构）以及一个或多个氨基酸替换，估计该替换对蛋白功能、稳定性、结合能力或表型造成的影响。它既不是单纯的分子生物学问题，也不是单纯的机器学习问题，而是一项需要把生物学假设、数据、模型与实验验证串起来的工程任务。本课程把这类任务统称为“蛋白突变效应预测工程”，强调可复现、可评估、可迭代的工程化方法，而不是只停留在跑通某个脚本或复现某篇论文。
课程定位：从“能预测”到“能交付”
在真实项目中，突变效应预测通常服务于三类目标：一是筛选，从成千上万个候选突变中挑出少量值得实验验证的位点；二是解释，说明某个致病突变为什么破坏结构或功能；三是设计，指导定向进化或理性设计以获得更高活性、更强稳定性或更优结合亲和力。这三类目标对模型的要求并不相同：筛选看重排序能力，解释看重机制合理性，设计看重在未见过位点上的外推能力。因此，本课程不会把“预测准确率”当作唯一指标，而是要求读者同时关注数据来源、特征表示、模型假设、评估协议与下游决策。
课程整体按“问题定义—数据与特征—模型与训练—评估与校准—实验闭环”的主线展开，但每一章会围绕一个具体工程问题深入，而不是泛泛介绍算法。学完本课程，读者应能独立完成一个小型突变效应预测项目：明确任务边界，构建或选用合适数据集，训练并评估模型，给出可解释的候选排序，并设计最小验证实验。
核心问题：突变效应预测到底难在哪里
第一，标签稀缺且异质。同一蛋白可能同时存在热稳定性 ΔΔG、酶活 kcat/Km、结合亲和力 ΔΔG_bind、丰度变化、致病性分类等不同标签，它们的量纲、噪声和生物学含义都不同。把不同标签混在一起训练，往往得到看似很高但无法解释的指标。
第二，分布偏移严重。实验数据常集中在少数研究充分的蛋白（如溶菌酶、GFP、p53）上，而实际应用中的目标蛋白可能同源性很低。模型在训练集上表现好，不代表在新蛋白上可用。
第三，结构信息不完整。很多蛋白没有实验结构，AlphaFold 等预测结构虽可用，但侧链构象、质子化状态、配体结合构象仍存在不确定性。直接把预测结构当作真实结构使用，会引入系统性误差。
第四，上位效应与背景依赖。单个突变效应并不总能线性叠加，双突变可能表现出协同或拮抗。忽略上位效应，会在组合突变设计中产生严重偏差。
第五，评估协议不统一。随机划分、按位点划分、按蛋白划分、按同源簇划分，得到的指标差异巨大。若不明确划分方式，指标数字没有可比性。
工程化流程：一条可复现的主线
下面给出本课程贯穿始终的工程化流程。它不是唯一正确路径，但能保证每一步都有明确输入、输出和判断依据。
- 任务定义：明确预测对象（单点/多点突变）、目标标签（稳定性/活性/致病性）、输出形式（回归值/概率/排序）和决策阈值。
- 数据构建：收集实验数据，统一单位与参照态，去重、去泄漏，记录突变位点、野生型残基、突变后残基、蛋白标识与实验条件。
- 特征表示：序列独热、进化保守性（MSA 频率、保守性打分）、结构特征（溶剂可及性、二级结构、接触图）、物理化学描述符，以及预训练蛋白语言模型嵌入。
- 模型选择与训练：从线性基线、梯度提升树到图神经网络、微调语言模型，按数据规模与任务复杂度选择，并固定随机种子与数据划分。
- 评估与校准：按蛋白或同源簇划分，报告 Spearman、NDCG、AUC 等排序指标，并做概率校准与不确定性估计。
- 解释与筛选：输出候选突变排序、关键位点贡献和置信区间，形成可提交实验的短名单。
- 实验闭环：设计最小验证集，比较预测与实测，记录偏差来源，回流更新数据与模型。
典型应用场景
场景一：酶热稳定性改造。目标是在保持活性的前提下提高 Tm。输入是野生型序列与结构，输出是候选突变对 ΔΔG 的预测排序。工程上通常先过滤掉活性位点与二硫键关键残基，再对表面电荷、疏水核心堆积、氢键网络相关位点打分，最后选 10–20 个突变做实验。
场景二：抗体亲和力成熟。目标是提高抗原结合亲和力。此时标签是 ΔΔG_bind 或 KD 比值，特征必须包含界面接触、静电互补与构象熵。由于界面突变常伴随表达量下降，评估时需同时监控表达与聚集倾向。
场景三：致病性变异解读。目标是判断罕见错义突变是否致病。标签是二分类或致病性概率，数据来自 ClinVar、gnomAD 等。评估必须按基因或蛋白划分，避免同一基因的突变同时出现在训练与测试集。
场景四：定向进化辅助设计。目标是组合多个有益突变。此时不仅要预测单点效应，还要估计上位效应，常用方法包括加性模型残差分析、双突变扫描数据训练的组合模型，以及基于结构的能量计算交叉验证。
本节知识结构图
下图把本节的核心对象、工程主线与典型应用放在同一张关系图中，便于快速建立整体框架。图中左侧是输入与数据层，中间是建模与评估层，右侧是应用与实验闭环层，箭头表示主要数据流与反馈方向。
从本节出发的实践建议
如果你刚开始接触这一方向，建议先不要急着训练复杂模型。选一个你熟悉的蛋白，例如溶菌酶或 GFP，找一份公开的单突变稳定性数据集，按“按蛋白划分”的方式切分训练与测试，先跑通线性回归或梯度提升树基线，记录 Spearman 相关系数。然后逐步加入保守性特征、结构特征和语言模型嵌入，观察指标变化。每一步都保留数据划分、特征版本和随机种子，形成可复现的实验记录。这样做的目的不是追求最高分，而是建立对“什么信息真正有用、什么评估方式可信”的判断力。