https://www.nature.com/articles/s41586-021-04043-8
絕大部分蛋白突變對人健康的影響未知，而現有預測演算法很多時候不可靠(1)。
為此，哈佛大學醫學院Debora Marks與牛津大學Yarin Gal等研究人員合作另闢蹊徑，不依賴已有的蛋白突變對健康影響的標記信息，直接使用機器學習演算法分析蛋白在演化過程中如何對其序列進行「約束」，從而保持其適應性，進而由這種「約束」推斷各種蛋白突變對人健康的影響程度。
利用演化信息評估突變對健康的影響(1)
研究人員用此演算法預測了3219種疾病相關基因3600萬種蛋白編碼突變的健康影響；初步評估顯示該方法預測準確率超越現有演算法，與功能性實驗預測的準確率相當。
新演算法（EVE(evolutionary model of variant effect)）準確率遠超現有演算法(1)
新演算法（EVE(evolutionary model of variant effect)）準確率與實驗數據相當(1)
研究人員表示該演算法可以獨立超大規模預測蛋白突變的健康影響，很好地與基於大規模外顯子測序尋找稀有突變的策略互補；
此外，該演算法依賴越來越多物種的測序，該工作涉及了約14萬種物種的序列，其中很多處於瀕危狀態，這也體現了保護生物學的重要性。
該項工作2021年10月27日發表在nature(1)。
所有數據與代碼可見：https://evemodel.org/ ， 並實時更新(1)。
Comments：
這種策略對同一個蛋白的多個突變位點，特別是距離比較遠的位點，的協同或者拮抗等效應的分析能力還比較有限，將來結合蛋白結構可能會好些。
此外，該演算法很難分析點突變以外的蛋白突變，比如提前終止、移碼以及融合等；它對非編碼序列的分析也是非常大的挑戰。
通訊作者簡介：
https://sysbio.med.harvard.edu/debora-marks
https://www.cs.ox.ac.uk/people/yarin.gal/website/
參考文獻：
1. J. Frazer et al., Disease variant prediction with deep generative models of evolutionary data. Nature,1–5 (2021).
原文鏈接：
https://www.nature.com/articles/s41586-021-04043-8
