Nature Methods
引入DeepMVP，准确预测PTM位点与变异影响

小赛推荐：

本文介绍了PTMAtlas和DeepMVP，一个基于高质量数据的深度学习框架，可准确预测PTM位点及其变异影响，显著优于现有工具。研究为PTM相关疾病变异的系统分析提供了新资源。

 

文献概述
本文《DeepMVP: deep learning models trained on high-quality data accurately predict PTM sites and variant-induced alterations》，发表于《Nature Methods》杂志，回顾并总结了一种新型深度学习框架DeepMVP的开发，该框架结合大规模高质量PTM位点数据库PTMAtlas，实现了对六种主要PTM类型及其变异影响的高精度预测。

背景知识
翻译后修饰（PTMs）在调控蛋白质功能、稳定性及细胞信号传导中起核心作用，其异常常与多种疾病（如癌症、神经退行性疾病）相关。传统工具如MIMP仅适用于磷酸化且依赖激酶特异性数据，限制了对其他PTM类型的分析。同时，公共数据库中的PTM数据因质量控制不一致，常包含大量低可信度位点，导致预测模型全局FDR偏高。本文通过系统性重分析241个公共MS/MS数据集，构建PTMAtlas数据库，并训练DeepMVP模型，显著提高PTM位点预测的准确性与适用性。DeepMVP不仅适用于人类蛋白，还可扩展至病毒蛋白，为疾病机制、药物靶点发现及个性化医疗提供新工具。

 

提供基因敲除小鼠服务，适用于基础生物学研究、疾病模型构建、药物研发等方向，涵盖全身基因敲除及组织特异性敲除，避免胚胎致死问题，支持基因功能与疾病机制研究。

了解更多

 

研究方法与实验
研究团队系统重分析241个公共PTM富集MS/MS数据集，使用统一分析流程（MaxQuant）并设置1% FDR阈值，构建高质量PTM位点数据库PTMAtlas，涵盖397,524个PTM位点。随后，基于PTMAtlas数据，采用CNN与GRU组合并结合遗传算法优化模型结构，训练DeepMVP模型用于预测磷酸化、乙酰化、甲基化、sumoylation、泛素化和N-糖基化六类PTM位点。模型性能在独立测试集及癌症蛋白质基因组数据中验证，并通过Shapley值分析解释预测结果，链接PTM变化至潜在修饰酶。

关键结论与观点

• DeepMVP在PTM位点预测中表现显著优于现有工具，AUC值普遍高于0.85，其中N-糖基化达到0.98。
• 模型预测的变异影响与实验数据高度一致，97%的变异-PTM事件在CPTAC癌症数据中得到支持。
• 应用DeepMVP于ClinVar及TCGA数据，识别出7,713个致病性胚系变异影响PTM位点，其中32%的变异显著改变PTM概率。
• 模型具备可解释性，通过Shapley值分析可初步链接PTM变化至修饰酶，如CDK、PKA等。
• DeepMVP在病毒蛋白如SARS-CoV-2中亦可预测PTM位点，且80%-87.5%的实验验证磷酸化位点被正确识别。

研究意义与展望
DeepMVP提供了一种通用、激酶无关的PTM位点预测工具，适用于多种PTM类型，为疾病变异的功能解析提供新路径。未来可扩展至其他PTM类型，并结合多组学数据深入解析变异对调控网络的影响。该框架还可用于药物靶点发现和酶抑制剂设计，推动精准医疗与功能基因组学研究。

 

提供基因敲入与人源化小鼠模型服务，适用于基因功能研究、人类疾病模拟、药物筛选及免疫治疗研究，支持点突变、报告基因插入及全人源化模型构建。

了解更多

 

结语
本文介绍了DeepMVP，一种基于深度学习的PTM位点及变异影响预测工具。通过系统重分析241个公共MS/MS数据集，构建高质量PTMAtlas数据库，为模型训练提供高可信度数据。DeepMVP在六种主要PTM类型中均表现优异，尤其在乙酰化、磷酸化等类型上显著优于现有方法。其在癌症基因组及胚系变异分析中也展现出高灵敏度与特异性，支持大量未报道的PTM变异机制，如RAF1 S259F与磷酸化失活、FBN1 I1048T与N-糖基化获得等。研究不仅提升了PTM变异分析的系统性与准确性，也为药物靶点识别与激酶抑制剂开发提供新资源，具有广泛应用前景。

 

Bo Wen, Chenwei Wang, Kai Li, Yi Li, and Bing Zhang. DeepMVP: deep learning models trained on high-quality data accurately predict PTM sites and variant-induced alterations. Nature Methods.