RINAMI：基于深度学习的蛋白质稳定性预测模型

RINAMI是一个用于预测蛋白质折叠自由能变化（ΔG）的开源深度学习模型，结合图神经网络和蛋白质语言模型（ProteinMPNN），为蛋白质工程、药物设计等领域提供计算支持。其开源特性促进科学社区协作，有望加速相关研究进展。

蛋白质稳定性直接影响生物体运作，ΔG是衡量稳定性的核心指标（正值表示突变使蛋白质更不稳定，负值则更稳定），准确预测ΔG对疾病机理理解、酶设计和治疗性蛋白质开发至关重要。但ΔG预测面临多重挑战：蛋白质结构复杂，氨基酸相互作用非线性；实验数据稀缺；不同蛋白质家族特性差异大。传统物理模拟难兼顾精度与效率，纯统计方法缺乏物理可解释性。

RINAMI采用混合架构：

1. 图神经网络层：以氨基酸残基为节点、空间邻近关系或化学键为边，通过多层消息传递捕捉残基远程相互作用，适应不同大小蛋白质。
2. ProteinMPNN特征融合：整合ProteinMPNN的节点表示和输出特征，结合结构（GNN）与序列进化（ProteinMPNN）信息提升精度。
3. 多任务学习框架：在Mega-scale、Maxwell、Garcia等基准数据集联合优化，学习通用表示，减少过拟合风险。

• 环境配置：基于Python，依赖PyTorch、PyTorch Geometric，推荐NVIDIA GPU加速（如RTX3080+CUDA12.1），通过Conda管理依赖。
• 数据准备：用ESMFold预测蛋白质结构，通过脚本生成ProteinMPNN特征；大规模数据集预处理文件可在Zenodo下载。
• 训练与推理：训练脚本封装简化流程，推理支持PDB文件输入及ΔG热图生成，提供Colab笔记本供无GPU用户使用。

1. 定向进化指导：预筛选突变体，减少实验工作量；
2. 疾病突变解读：评估突变致病潜力，为临床诊断提供线索；
3. 蛋白质设计优化：评估设计方案稳定性，指导序列优化。

RINAMI代码（GitHub）和数据（Zenodo）均开源，降低复现门槛。数据托管于Zenodo确保可追溯性，提供可解释性分析功能（导出ΔG贡献矩阵），帮助理解模型决策依据。

局限性：训练数据覆盖不足（未出现的蛋白质家族精度下降）；仅关注单点突变，对多点突变和插入删除预测有限。 未来方向：扩大训练集覆盖；引入物理约束提升可解释性；开发膜蛋白、抗体等专用模型；优化推理速度支持大规模虚拟筛选。

RINAMI是计算生物学与深度学习融合的前沿成果，为蛋白质稳定性预测提供高效易用工具。其开源特性推动社区协作，加速蛋白质工程研究。随着深度学习进步和实验数据积累，此类工具将在生命科学中发挥更重要作用，推动基础研究到应用开发的全面进步。