《Nature Communications》最新上线论文，提出名为 DPI‑score 的深度学习指标，专门用来评估冷冻电镜解析出来的蛋白质复合物相互作用界面质量；这套方案只输入原子三维坐标，不用人工提前设计各类界面特征，模型自动学习界面结构规律，整体验证准确率达到 87.53%，可以抓到传统密度匹配指标漏掉的界面错误，尤其适合中低分辨率冷冻电镜结构，研究团队已经拿它批量筛查 EMDB 库里两万九千多条蛋白复合物界面，给冷冻电镜建模增加一条独立校验通道。
DPI‑score 和传统评估指标对比
| 评估方案 | 依赖条件 | 擅长场景 | 短板 |
|---|---|---|---|
| DPI‑score（深度学习） | 仅结构坐标，不依赖电镜密度图 | 识别蛋白互作界面本身对错 | 不能直接评判模型和电镜密度贴合度 |
| 密度拟合打分 | 需要配套冷冻电镜密度图 | 判断骨架有没有放进密度里 | 经常漏掉界面侧链、亚基对接错误 |
| PI‑score（早期机器学习） | 需要人工提取十余种界面特征 | 区分天然、非天然界面 | 特征工程繁琐，受人为设计限制 |
DPI‑score 的完整工作流程
- 输入冷冻电镜解析完成的蛋白复合物 PDB 文件，提取两个蛋白接触界面全部原子坐标。
- 深度学习网络直接从原始坐标学习界面空间排布、残基接触模式，不需要手工计算疏水互补、氢键这类特征。
- 输出 0～1 区间的 DPI‑score，分数越高代表这个蛋白界面越接近真实天然结合状态。
- 单独用或者和密度拟合分组合使用，两种指标出现矛盾的时候，DPI‑score 可以给出关键补充判断。
- 批量扫描数据库，标记高风险、可疑的蛋白对接界面，给结构解析人员做复核提醒。
核心优势清单
- 无人工特征工程：不需要研究者手动挑选、计算界面描述符，降低人为引入偏差。
- 密度无关：就算原始电镜密度质量差、分辨率偏低，依然可以单独校验界面。
- 批量处理能力强：可一次性对上万个冷冻电镜复合物界面做自动化质检。
- 互补现有工具：传统打分只看模型是否 “塞进密度”，DPI‑score 判断 “两个蛋白是不是真的这样结合”。
当前局限
DPI‑score 不能替代密度拟合验证，它只管蛋白互作界面的结构合理性；如果原始冷冻电镜地图本身质量极差，坐标整体偏移，它也很难完全纠错；另外目前主要针对稳定蛋白‑蛋白界面，对于瞬时、弱相互作用的动态界面识别效果还有提升空间。
【常见问题】
问题 1：Nat. Commun. 这篇论文里，用于冷冻电镜蛋白复合物界面质量评估的深度学习指标叫什么？
回答 1：Nat. Commun. 这项工作提出的深度学习指标叫做 DPI‑score，专门用来做冷冻电镜蛋白质复合物界面质量评估，只依靠原子坐标，不用人工构造界面特征。
问题 2：这套深度学习冷冻电镜蛋白复合物界面质量评估方法，准确率大概是多少？
回答 2：DPI‑score 在验证集上实现了 87.53% 的准确率，能够检出不少传统密度打分发现不了的冷冻电镜蛋白复合物界面错误。
问题 3：DPI‑score 做冷冻电镜蛋白复合物界面质量评估，要不要冷冻电镜密度图？
回答 3：不需要，DPI‑score 是密度无关的评估方式，只输入蛋白结构坐标就能评估冷冻电镜蛋白复合物界面质量，适合密度质量不好的样本。
问题 4：DPI‑score 和更早的 PI‑score 在冷冻电镜蛋白复合物界面质量评估上差别在哪？
回答 4：PI‑score 属于传统机器学习，依赖人工提前提取界面特征；而 DPI‑score 用深度学习，直接从原始坐标自动学习，省去特征工程，作为冷冻电镜蛋白复合物界面质量评估工具更加自动化。
【参考资料】
[2026-11-14]（DPI-score: a deep learning-based metric for assessing protein-protein interfaces in cryoEM derived assemblies）Nature Communications
[2026-11-15]（DPI-Score：基于深度学习的冷冻电镜复合物蛋白质 - 蛋白质界面验证方法）生物通
[2021-06-07]（Assessment of protein–protein interfaces in cryo-EM derived assemblies）Nature Communications
【免责声明】
本文内容基于《Nature Communications》公开论文、生物通编译报道整理；DPI‑score 属于科研阶段评估工具，不是已经集成到主流冷冻电镜软件的标准流程，其评估结果仅作为辅助参考，蛋白复合物结构最终确认仍需要多指标交叉验证，不直接作为生化结论判定依据。