蛋白语言模型嵌入里藏着糖基化位点：MaskNGly不训练也能在N-GlyDE上达到AUC 0.940
核心概要
MaskNGly把蛋白语言模型嵌入当作可读的共进化信号来源，用遮罩-探测的方式直接判断N-X-S/T序列子是否会被N-糖基化，不依赖标注数据训练。在N-GlyDE测试集上，它的AUC为0.940、MCC为0.808，与已发表的监督式神经网络预测器相当；在独立糖蛋白组数据中，111个此前未报道的位点有106个得分超过0.5阈值。
深度剖析
N-糖基化位点可以从蛋白语言模型的嵌入中直接读出，不需要先用标注的糖基化数据训练分类器。 此前的糖基化位点预测器依赖正负位点的精确标注，而质谱糖肽谱解读率低、UniProt注释又持续修订，负样本本身难以可靠构建。 在N-GlyDE测试集上，MaskNGly取得AUC 0.940和MCC 0.808，与StackGlyEmbed、EMNGly、DeepNGlyPred等监督模型相当；在N-GlyDE中33个后来被UniProt 2026_02更新为实验支持的位点上，它正确判出32个。
判断依据是序列子中天冬酰胺与丝氨酸/苏氨酸两个位置在嵌入空间里的相互响应强度。 传统共进化分析要从多序列比对中提取耦合，而这里改为对单个序列做遮罩-探测，用ESM-2嵌入的变化量代替比对统计。 遮罩第i位残基后，嵌入在第j位的变化量构成耦合谱；把N位与S/T位双向响应归一化后取平均得到GP分数，正样本数据集（约5826个实验验证位点）的分数主要分布在0.5以上，负样本数据集（约11552个核与线粒体蛋白序列子）和随机序列对主要分布在0.5以下。
同一套免训练打分可以扩展到全蛋白质组，并给出跨物种、结构与变异层面的糖基化倾向图景。 此前对结构-糖基化关系和序列子突变致病性的全蛋白质组检验缺少不依赖标注的工具。 在AlphaFold数据库中48个生物体蛋白质组加7个古菌物种上，细菌平均GP分数约0.30，真核为0.34至0.46；人类蛋白质组中高GP分数位点富集于pLDDT大于80的折叠区域和rSASA大于0.3的溶剂暴露区域；1096个改变序列子的错义变异中，致病性GoG与LoG变异更常产生或破坏高GP分数序列子。
启示与展望
演示范围限于规范N-X-S/T序列子（X不为脯氨酸）的N-糖基化位点判定，验证覆盖N-GlyDE测试集、约5826个实验验证正样本与约11552个负样本序列子，以及HIBEpiC细胞的Click-iG糖蛋白组数据；全蛋白质组分析基于AlphaFold数据库的预测结构与pLDDT、rSASA。
作者指出方法目前只适用于规范N-X-S/T序列子，缺乏通用共识序列的O-GlcNAc与黏蛋白型O-GalNAc糖基化需要更复杂的推断策略和更全面的实验基准；糖型与聚糖构象的精确推断仍受高质量实验数据稀缺限制；所谓可解释性主要指直接从语言模型推断共进化统计量，尚未把这些统计信号对应到糖基化的生物物理原理。