Cell Rep. Methods | MViewEMA: 面向蛋白质复合物结构的单模型全局精度估计方法

随着AlphaFold等深度学习结构预测方法的快速发展，蛋白质结构预测能力正在不断迈向更高精度。然而，在实际应用场景中，一个愈发关键的问题也随之浮现：当前的瓶颈往往不再是“能否生成结构”，而是“如何从大量候选结构中筛选出最可靠的模型”。尤其是在复合物结构预测任务中，现有的高精度结构预测算法通常能够生成大量候选构象。面对缺乏真实实验结构作为参考的情形，如何快速、准确地判断哪个候选模型更接近天然构象，已经成为影响下游生物学机制解析、药物设计以及界面功能研究可靠性的关键环节。

近期，浙江工业大学张贵军教授团队在Cell Reports Methods发表研究工作，提出了一种面向蛋白质复合物结构模型的单模型全局精度评估框架——MViewEMA。MViewEMA以蛋白质复合物的单一结构模型为输入，通过构建多视图表征学习方法，从残基间多尺度互作关系中挖掘结构质量信号，实现对复合物模型全局精度的有效评估。该方法与依赖多序列比对（MSA）、模板信息或蛋白质语言模型等建模过程信息的传统评估方法不同，不仅实现了仅基于模型自身结构特征的高效评估，更通过摆脱对特定预测方法的依赖，建立了一种与建模过程解耦的独立评估途径。这意味着它能直接适用于任何来源的复合物模型，从而大幅提升了方法的通用性。得益于其仅需分析模型自身结构的轻量化设计，该评估过程也更加高效，进一步增强了方法在大规模或高通量场景下的实用价值。实验结果表明，MViewEMA在蛋白质复合物全局精度评估任务上优于现有方法，并且展现出了较强的模型排序与筛选能力。

图1.《Cell Reports Methods》发表论文

研究思路

MViewEMA的研究思路如图2所示。以蛋白质复合物结构模型作为输入，首先从微观环境（MiE）—介观环境（MeE）—宏观环境（MaE）三个层次提取残基–残基互作特征：其中，MiE用于刻画单个残基的理化性质、局部几何构象及统计能量特征；MeE通过构建以残基为中心的局部三维体素环境表征其邻域空间结构；MaE则进一步描述残基间的全局距离、空间取向及统计能量关系。在此基础上，MViewEMA采用异质分层神经网络架构对多视图特征进行协同交互：利用3D卷积网络提取局部空间模式，结合2D卷积与Transformer捕获长程残基依赖关系，并通过图注意力网络在残基图上进行迭代信息传递与跨尺度融合，最终输出蛋白质复合物模型的全局置信度评分。

图2.算法流程图

实验结果

MViewEMA在CASP15基准测试中的全局精度评估表现

为了系统评估MViewEMA在复合物模型精度评估任务中的表现，作者首先在CASP15基准数据集上，将其与16种单模型精度估计（EMA）方法以及多种共识方法进行了比较（图3）。结果显示，MViewEMA在TM-score和Oligo-GDTTS两类全局精度指标上均取得了领先或具有竞争力的综合表现，表明其能够更准确地刻画候选复合物模型的整体结构质量。值得注意的是，在困难的复合物子集目标上，MViewEMA相较于多种共识方法仍然表现突出，说明其即使不依赖多模型间的一致性信息，也能稳定识别高质量候选结构。更重要的是，在相同硬件条件下，相对于之前团队开发的DeepUMQA3实现了约10倍的速度提升。在后AlphaFold时代，面对“模型海啸”般爆发的海量候选结构，这种“高精度+高效率”的组合尤为关键。

图3.MViewEMA在CASP15基准数据集上的性能比较

MViewEMA能够作为AlphaFold类方法的独立补充评估器

在现有结构预测流程中，AlphaFold-Multimer和AlphaFold3等方法通常会提供内部置信度指标或排序信号，用于候选模型筛选。因此一个现实的问题是：如果已有“自评估分数”，还需要独立EMA方法吗？为回答这一问题，作者进一步构建了AlphaFold测试集，系统比较了MViewEMA与AlphaFold自评估结果的差异（图4）。结果显示，MViewEMA在21/26个目标上Top1Loss优于AlphaFold-Multimer，所选Top1模型的中位TM-score从0.791提升至0.886（提升约12%）。在目标缺乏充分进化信息、MSA较浅或模板质量有限时，依赖建模过程信息的自评估机制可能受到一定程度的制约，而独立EMA反而更有机会发现真正高质量的候选模型。

图4.MViewEMA与AlphaFold-Multimer、AlphaFold3自评估的性能比较

MViewEMA能够提升深度学习对接方法的模型选择效果

除了AlphaFold类端到端结构预测框架外，蛋白质对接方法通常以已知单体结构为起点，通过大规模采样生成大量候选复合物装配构象。因此，这类方法同样高度依赖后续的模型排序与高质量结构筛选。为进一步验证方法的泛化能力，作者评估了MViewEMA在蛋白质对接场景中的表现（图5）。结果显示，在DiffDock-PP生成的候选模型上，MViewEMA选出的Top1结构平均TM-score达到0.725，显著优于DiffDock-PP内置排序策略的0.652；同时，平均C-RMSD由14.48Å降低至12.64Å。值得注意的是，MViewEMA并未针对DiffDock-PP生成的模型进行专门微调，却依然能够取得更优的筛选效果。这表明，MViewEMA具备了良好的跨方法泛化能力。

图5.MViewEMA在对接模型上的性能表现

消融实验与可解释性分析

为了进一步解析方法为何有效，作者开展了系统的消融实验（图6）。结果表明，MViewEMA的性能提升并非来自单一特征或简单网络堆叠，而是主要得益于其“多视图结构表征”设计：方法从不同尺度和不同关系层面捕捉复合物中的残基互作信息，使模型能够同时感知局部接触合理性、链间界面组织模式以及整体拓扑协调性。相比仅依赖单一图表示或局部几何特征的方案，这种多视角融合策略显著增强了对复合物精度差异的识别能力。除了消融实验，作者还通过特征嵌入可视化分析了网络的可解释性。结果显示，MViewEMA在深层表示学习过程中，逐步建立并增强了“结构特征—模型质量”之间映射关系。

图6.MViewEMA的消融实验与特征可解释性分析

结论

总体来看，MViewEMA的价值并不局限于“一个蛋白质模型打分器”，更在于它回应了后AlphaFold时代结构生物信息学正在发生的范式转变：蛋白质结构预测正在从“生成问题”逐步演化为“筛选问题”。在这一背景下，MViewEMA给出了一个可能解决方案。从更长远的角度看，MViewEMA也传递出一个很重要的信号：结构预测模型与独立EMA模型并不是替代关系，而是互补关系。前者擅长“生成更多可能”，后者负责“从可能中找对答案”。未来，无论是在AlphaFold类方法还是其他结构生成框架中，此类独立质量评估模块，都可能成为提升预测可靠性的关键组成部分。

本工作由浙江工业大学张贵军教授课题组完成，刘栋博士和赵炫锋硕士为该论文第一作者，张贵军教授为该论文通讯作者。研究工作同时发布MViewEMA在线服务器与源代码，可用于蛋白质复合物结构模型的全局精度评估与候选模型筛选。

参考资料

Liu, Dong, Xuanfeng Zhao, Tianyou Zhang, Lei Xie, Enjia Ye, Fang Liang, Haodong Wang, and Guijun Zhang. "Efficient global accuracy estimation for protein complex structural models using multi-view representation learning." Cell Reports Methods (2026).

https://doi.org/10.1016/j.crmeth.2026.101312

代码链接：https://github.com/iobio-zjut/MViewEMA

服务器链接：http://zhanglab-bioinf.com/MViewEMA/