趨同進(jìn)化是指在進(jìn)化過程中，兩個(gè)或多個(gè)物種譜系中獨(dú)立、重復(fù)地出現(xiàn)相同性狀的現(xiàn)象，通常反映了對(duì)特定環(huán)境因素的功能適應(yīng)性。解析生物功能趨同的遺傳基礎(chǔ)是破譯蛋白質(zhì)復(fù)雜序列-功能關(guān)系圖譜的重要途徑，目前已涌現(xiàn)出多種計(jì)算方法。這些方法大多聚焦于功能相關(guān)蛋白質(zhì)在單個(gè)位點(diǎn)水平上的氨基酸狀態(tài)趨同。然而，即便缺乏位點(diǎn)水平的序列相似性，蛋白質(zhì)功能相似性仍可能源于高階蛋白質(zhì)特征的趨同，而傳統(tǒng)方法無法捕捉此類信息。

近日，中國(guó)科學(xué)院動(dòng)物研究所鄒征廷獨(dú)立通訊在PNAS（IF=9.4）在線發(fā)表題為“Language models reveal a complex sequence basis for adaptive convergent evolution of protein functions”的研究論文。該研究首先通過預(yù)訓(xùn)練的蛋白質(zhì)語言模型（PLM）從蛋白質(zhì)序列中提取數(shù)值嵌入向量。

在四個(gè)已報(bào)道的案例中，作者發(fā)現(xiàn)盡管不存在位點(diǎn)水平的趨同，功能趨同的蛋白質(zhì)仍具有相似的嵌入向量，表明PLM嵌入能夠反映高階蛋白質(zhì)特征的趨同?；诖?，作者開發(fā)了基于蛋白質(zhì)嵌入的自適應(yīng)趨同檢測(cè)流程（ACEP）。ACEP檢測(cè)在已知及新發(fā)現(xiàn)的候選基因（如與回聲定位及景天酸代謝相關(guān)的推定適應(yīng)性趨同基因）中均呈現(xiàn)顯著信號(hào)。全基因組應(yīng)用表明，ACEP框架可有效富集此類候選基因。作者進(jìn)一步探究了PLM嵌入趨同與特定蛋白質(zhì)理化特征之間的關(guān)聯(lián)。綜上所述，PLM嵌入能夠指示超越位點(diǎn)一致性的高階蛋白質(zhì)特征適應(yīng)性趨同，彰顯了深度學(xué)習(xí)工具在解析分子序列與功能間復(fù)雜映射關(guān)系中的強(qiáng)大潛力。

趨同進(jìn)化是指兩個(gè)或多個(gè)物種譜系在演化過程中獨(dú)立演化出相同性狀狀態(tài)的生物學(xué)現(xiàn)象。例如，某些蝙蝠物種與所有齒鯨均具備發(fā)射和感知超聲波的能力，而這兩個(gè)進(jìn)化距離遙遠(yuǎn)的譜系共同祖先并不具備該能力，這表明回聲定位能力在兩個(gè)譜系中的出現(xiàn)符合趨同進(jìn)化的簡(jiǎn)約解釋。由于在進(jìn)化過程中偶然達(dá)到相同性狀狀態(tài)的概率較低，生物性狀或生物分子功能的趨同現(xiàn)象通常被認(rèn)為是對(duì)相似環(huán)境因素或生活方式的適應(yīng)結(jié)果，因此成為進(jìn)化生物學(xué)的重要研究主題。以回聲定位為例，這種趨同演化能力有助于蝙蝠和齒鯨在弱光環(huán)境中覓食。

基因型-表型關(guān)聯(lián)（GPM），即序列-功能關(guān)聯(lián)，是理解功能如何通過進(jìn)化產(chǎn)生與變化的核心生物學(xué)概念。當(dāng)觀察到表型或功能趨同現(xiàn)象時(shí)，探究其分子序列水平的遺傳基礎(chǔ)是否同樣存在趨同進(jìn)化顯得尤為關(guān)鍵。例如，李等人發(fā)現(xiàn)基于Prestin蛋白氨基酸序列構(gòu)建的系統(tǒng)發(fā)育樹將回聲定位蝙蝠與寬吻海豚聚類在一起，表明這兩個(gè)譜系間的序列相似度超出了非適應(yīng)性中性進(jìn)化的預(yù)期范圍，提示適應(yīng)性序列趨同可能是回聲定位功能趨同的分子基礎(chǔ)。具體而言，研究在這兩個(gè)譜系的Prestin蛋白第7位點(diǎn)均發(fā)現(xiàn)了天冬酰胺向蘇氨酸的趨同替換（N7T），后續(xù)實(shí)驗(yàn)證實(shí)該替換與回聲定位功能相關(guān)。

目前已開發(fā)多種分子進(jìn)化策略來檢測(cè)功能趨同背后的位點(diǎn)水平序列趨同，包括基于位點(diǎn)特異性似然支持的譜系趨同檢測(cè)（ΔSSLS）、趨異與趨同比率法、觀測(cè)與預(yù)期趨同比率法、非同義與同義替換趨同比率法（Csubst）、保守位點(diǎn)趨同檢測(cè)（CCS）、至少包含一個(gè)位點(diǎn)變化的氨基酸譜系變化法（PCOC），以及氨基酸狀態(tài)與數(shù)量性狀相關(guān)性分析法（CAAS）等。盡管已有大量蛋白質(zhì)功能相關(guān)位點(diǎn)趨同的報(bào)道，這些現(xiàn)有方法存在重要局限：所有策略均聚焦于位點(diǎn)水平的序列變化。然而已知GPM具有復(fù)雜性，涉及位點(diǎn)間廣泛的交互作用，且不同序列可能映射至相似功能。因此，蛋白質(zhì)功能趨同并不必然要求位點(diǎn)水平的序列趨同。例如，在適應(yīng)高原低氧環(huán)境過程中，多種高海拔水禽的血紅蛋白（Hbs）均趨同地表現(xiàn)出高氧親和力特性，但其對(duì)應(yīng)的血紅蛋白氨基酸序列僅顯示有限的位點(diǎn)水平趨同，且這些位點(diǎn)大多與氧親和力變化無關(guān)。由于序列進(jìn)化過程存在異質(zhì)性或譜系特異性，生物功能趨同很可能通過蛋白質(zhì)序列高階特征的趨同來實(shí)現(xiàn)，同時(shí)呈現(xiàn)差異化的位點(diǎn)水平模式。事實(shí)上，確實(shí)存在蛋白質(zhì)物理化學(xué)特性或結(jié)構(gòu)趨同但位點(diǎn)水平無相似性的案例。

模式流程圖（圖片源自PNAS）

如何檢測(cè)蛋白質(zhì)中此類高階特征的適應(yīng)性趨同？當(dāng)前常規(guī)蛋白質(zhì)序列進(jìn)化模型通常描述單個(gè)氨基酸位點(diǎn)的動(dòng)力學(xué)，無法解析位點(diǎn)間上位效應(yīng)或二級(jí)結(jié)構(gòu)等高階特征。因此，作者探索了近期預(yù)訓(xùn)練蛋白質(zhì)語言模型（PLM）的統(tǒng)計(jì)能力——這些模型能捕獲序列中位點(diǎn)的上下文模式，并已被證明可編碼用于預(yù)測(cè)空間接觸、蛋白質(zhì)結(jié)構(gòu)和功能的高階特征。作者在固定參數(shù)的大型蛋白質(zhì)語言模型ESM-MSA-1b基礎(chǔ)上訓(xùn)練神經(jīng)網(wǎng)絡(luò)編碼器，以獲取任意蛋白質(zhì)序列的定長(zhǎng)數(shù)值嵌入表示。通過在多個(gè)已知案例中的驗(yàn)證，作者證明這些嵌入能夠反映具有功能趨同蛋白質(zhì)的高階特征相似性，盡管其位點(diǎn)水平存在差異。作者進(jìn)一步開發(fā)了蛋白質(zhì)嵌入適應(yīng)性趨同檢測(cè)流程（ACEP，https://huggingface.co/NEO699700/ACEP），通過對(duì)比焦點(diǎn)物種譜系蛋白質(zhì)與模擬零分布的PLM嵌入相似性來檢測(cè)異常趨同。

作者將ACEP檢測(cè)應(yīng)用于具有植物景天酸代謝（CAM）趨同特性的特定候選蛋白，以及回聲定位哺乳動(dòng)物的全基因組蛋白質(zhì)集合。除了在已知候選蛋白中觀察到顯著ACEP信號(hào)外，新發(fā)現(xiàn)的回聲定位潛在適應(yīng)性趨同基因呈現(xiàn)富集現(xiàn)象。作者還通過多案例驗(yàn)證了PLM嵌入趨同與特定蛋白質(zhì)高階特征間的潛在關(guān)聯(lián)。作者的研究結(jié)果強(qiáng)調(diào)了高階蛋白質(zhì)特征在生物功能趨同進(jìn)化中的普遍作用，提供了檢測(cè)適應(yīng)性蛋白質(zhì)趨同的計(jì)算框架，并證明了深度學(xué)習(xí)方法在捕獲進(jìn)化序列特征及解析復(fù)雜GPM方面的強(qiáng)大能力。

https://doi.org/10.1073/pnas.2418254122