3. 突变效应标签体系

在蛋白突变效应预测工程中，模型最终学到的并不是“突变本身”，而是我们喂给它的标签。标签体系决定了任务边界、损失函数、评价指标，甚至决定了模型能否迁移到新的蛋白家族。同一个氨基酸替换，在不同数据库里可能被标注为“致病”“功能受损”“稳定性下降”“适应度降低”，这些标签语义相关但并不等价。若直接混合训练，模型会把不同测量尺度、不同实验条件、不同判定阈值的信息压缩成同一个数值，导致预测结果不可解释。因此，本节的核心任务是：先厘清四类常见标签的物理含义与来源，再建立一套可落地的统一化处理流程。

四类标签的语义边界

适应度（fitness）通常来自深度突变扫描（DMS）或竞争性生长实验，衡量突变体在特定选择压力下的相对繁殖能力。它的数值往往是相对值，例如以野生型为 1.0，有害突变为 0.2，有益突变为 1.8。适应度是“表型综合量”，可能同时包含稳定性、活性、表达量、聚集倾向等贡献，因此它最接近进化学意义上的适合度，但机制解释性最弱。

稳定性（stability）一般指蛋白折叠自由能变化 ΔΔG，单位是 kcal/mol。正值表示突变后去稳定，负值表示稳定化。来源包括热变性实验（Tm 偏移）、化学变性曲线、以及 Rosetta、FoldX 等计算工具预测值。稳定性标签的物理量明确，但实验通量低，计算值噪声大，且不同工具的系统偏差需要校正。

致病性（pathogenicity）来自临床遗传学数据库，如 ClinVar、HGMD、UniProt 变异注释。它本质上是二分类或三分类标签：良性、致病、意义不明（VUS）。致病性不是直接测量值，而是综合了人群频率、共分离、功能实验和计算预测的专家判定，因此存在标签噪声和类别不平衡。

功能活性（activity）衡量突变体保留特定生化功能的能力，例如酶催化效率 kcat/Km、配体结合亲和力 Kd、转录激活强度等。它通常以野生型为参照做归一化，数值范围可跨越多个数量级，且不同实验的底物、缓冲液、温度条件差异显著。

统一化处理的关键步骤

统一化不是简单地把所有标签缩放到 0~1，而是要在保留物理意义的前提下，让不同来源的标签可以共同参与训练。建议按以下顺序处理。

第一步，方向统一。不同标签的“好”方向不一致：适应度越高越好，ΔΔG 越负越稳定，致病性越高越有害，活性越高越好。若不做方向对齐，模型会学到矛盾的梯度。工程上通常统一为“风险分数”：适应度取负、稳定性取 ΔΔG 正值、致病性保持正向、活性取负，使所有维度都满足“数值越大越有害”。这一步必须在数据字典中显式记录，避免后续换人维护时方向翻转。

第二步，尺度归一。适应度常分布在 0~2，ΔΔG 分布在 -5~5 kcal/mol，致病性是 0/1 离散值，活性可能跨越三个数量级。直接拼接会让量纲大的维度主导损失。推荐对连续标签做分位数归一化而非简单 Min-Max，因为 DMS 数据存在极端离群点。例如对适应度按 1%~99% 分位数截断后再线性映射到 [0,1]；对 ΔΔG 可按 tanh(ΔΔG/3) 压缩，使 ±3 kcal/mol 附近保持近似线性，极端值饱和。致病性二分类保持 0/1，三分类可展开为 one-hot 或有序编码。

第三步，置信度加权。不同来源的标签可信度差异很大。同一突变若同时有实验 ΔΔG 和 FoldX 预测值，应优先采用实验值，并给计算值更低的样本权重。一个可操作的权重方案是：人工审编的临床致病性 w=1.0，DMS 适应度 w=0.9，实验稳定性 w=0.85，计算稳定性 w=0.5，VUS 样本 w=0.3 或直接屏蔽。权重作为额外通道输入模型，让损失函数对低置信样本不敏感。

第四步，冲突消解。同一突变可能在一个数据库中标注为致病，在另一个数据库中被 DMS 判定为中性。此时不应简单平均，而应建立优先级规则：临床证据等级高者优先；若证据等级相同，取实验重复数多者；若仍冲突，标记为“争议样本”并从训练集中剔除，或保留但赋予低权重。争议样本的比例应作为数据质量指标持续监控。

一个可执行的标签统一化示例

假设我们处理人类蛋白 P 的三个突变：A123V、G456D、L789P。原始记录如下表所示。表中数值为教学示例，用于说明处理过程，并非真实实验结果。

按前述流程处理：方向统一后，适应度风险 = 1 - fitness，稳定性风险 = ΔΔG，致病性风险 = 1（致病）或 0（良性），活性风险 = 1 - activity。尺度归一采用分位数映射，假设该蛋白 DMS 适应度 1%~99% 分位为 [0.1, 1.2]，则 A123V 的适应度风险归一值为 (1-0.95-0.1)/(1.2-0.1) ≈ -0.045，截断到 0。稳定性风险用 tanh(ΔΔG/3) 得 A123V≈0.10，G456D≈0.76，L789P≈0.94。最终三个突变的统一风险向量分别为 [0.00, 0.10, 0.00, 0.07]、[0.55, 0.76, 1.00, 0.59]、[0.77, 0.94, 1.00, 0.84]。可以看到，G456D 和 L789P 在四个维度上均呈现高风险，而 A123V 接近野生型，这与生物学直觉一致。

标签统一化完成后，下一步才是特征工程与模型选择。若标签本身方向混乱、尺度失衡、置信度不分层，再复杂的网络也只能拟合噪声。因此，在蛋白突变效应预测工程中，标签体系的治理应当先于建模，并且贯穿整个项目生命周期。