3. Pfam数据库详解
说真的，搞生物信息学这么多年，我处理过的蛋白序列少说也有几万条。但真正让我对注释这件事摸到门道的，还是从彻底搞懂Pfam开始的。
很多人觉得Pfam就是个数据库，查一下就行。但以我的经验来看，不理解它的底层逻辑，你后续做BLAST联合注释的时候，很容易被假阳性坑。
3.1 蛋白家族与域：两个容易搞混的概念
先聊个基础问题：蛋白家族和域，到底有什么不同？
我刚开始做注释时，经常把这俩混为一谈。后来被导师骂了几次，才彻底整明白。
- 蛋白家族（Protein Family）：一组同源蛋白，共享一个共同的祖先。说白了，就是祖宗一样，序列长得像。
- 域（Domain）：蛋白里的一个结构功能单元。它是相对独立的，可以折叠成特定结构，完成特定功能。
举个例子你就明白了。一个蛋白可能有三个域，每个域各管各的事。但这些域组合在一起，就构成了这个蛋白的家族特征。我见过不少人在注释细菌毒力因子时，光看家族匹配就下结论，结果漏掉了关键域，注释结果根本对不上。
关键概念：一个蛋白家族通常由多个域组合定义。域才是执行功能的最小单位。
3.2 HMM模型：Pfam的核心武器
Pfam用隐马尔可夫模型（HMM）来建模蛋白家族。为什么会选HMM？
你想想看，传统的BLAST是做逐对序列比对，但蛋白家族里序列差异很大，光靠两两比对，很难抓到远缘同源。HMM呢？它把整个多序列比对（MSA）的统计信息融合成一个概率模型。
我个人习惯把HMM想象成一个“序列模板”。它不光记录了每个位置最常见的氨基酸是什么，还记录了每种氨基酸出现的概率以及插入、删除的可能性。
咱们来拆解一下HMM模型的核心构成：
| 组件 | 含义 | 我的理解 |
|---|---|---|
| 匹配状态 (Match) | MSA中保守的列 | 蛋白家族里的“关键位置” |
| 插入状态 (Insert) | 某些成员多出来的序列片段 | 你可以容忍的额外残基 |
| 删除状态 (Delete) | 某些成员缺失的片段 | 序列里可以允许“缺斤少两” |
| 发射概率 | 每个匹配状态出哪种氨基酸的概率 | 这个位置大概率是A还是G？ |
| 转移概率 | 状态之间的跳转概率 | 从匹配状态到插入状态的常见程度 |
举个例子，负责酒精代谢的ADH家族在Pfam里有自己的HMM模型。这个模型知道哪里有保守的GXGXXG NAD结合模体，也知道哪个区域可以容忍插入。我曾经用这个模型去注释一个新测的细菌基因组，一下子就找到了从来没被实验验证过的保守位点。
避坑指南：hmmsearch的输出里有一个E-value，不光是看它小就行。我遇到过E-value很好，但模型覆盖率不到50%的情况。那种结果往往是局部匹配，不是完整的域。最好同时设定E-value和覆盖率阈值（通常>=70%）。
3.3 Pfam数据库的版本历史
Pfam从1999年发第一版开始，到现在已经迭代了二十多年。我自己的经验里，版本切换踩过不少坑。
这里是我的版本记忆卡：
- Pfam 1.0 (1999)：只有26个蛋白家族，很小的种子。
- Pfam 2.0 - 5.x：手动构建种子比对，用HMMER 1.0搜索。我开始接触Pfam时已经是Pfam 5.5了。
- Pfam 6.0 - 26.0：全面转向HMMER 2，速度明显提升。
- Pfam 27.0 (2013)：一个里程碑版本。移除了Nested domains，也重新定义了某些边界。
- Pfam 28.0 - 33.1：继续扩张，涵盖范围越来越广。
- Pfam 34.0 (2019)：加入了对metagenomic序列的管理，引入部分新的家族。
- Pfam 35.0 - 36.0：持续维护更新。
嗯，这里要注意。2023年InterPro团队宣布Pfam进入“长期支持（LTS）”状态，不再发布新版本。但别慌，模型依然可用，只是不会再更新新家族了。
我建议你保存好Pfam 35.0的模型文件。为啥？因为很多公开发表的论文用的是这个版本做基准，你换新版本，比对结果可能不一样，很难复现别人的实验结果。
警告：不同版本的Pfam，同一个家族的域边界可能细微不同。如果你的流程里用了Pfam 31.0的模型，就别混着Pfam 35.0的模型文件一起用。
3.4 Pfam的结构与质量层级
Pfam把家族分成两种类型，这也是我给学生讲课时必讲的一个点。
- Pfam-A：人工审核的高质量家族。每个家族都有精良的种子比对（Seed alignment）和对齐的全长比对（Full alignment），并且建有高标准的HMM模型。我在正式项目里只信Pfam-A。
- Pfam-B：自动生成的未审核家族，质量较低。说白了就是ADDA数据库自动聚类后的产物。我曾经试过用Pfam-B做注释，假阳性比例高到你怀疑人生。
下面这张图帮你理清Pfam的内部结构：
3.5 理解“种子”和“全长”比对
每次下载一个Pfam-A家族，你会看到两个比对文件：种子比对和全长比对。这两个东西的用法完全不同，别用混了。
- 种子比对 (Seed)：由专家挑选的代表性序列，数量少但极其精确。用于构建HMM模型。
- 全长比对 (Full)：由种子HMM搜索得到的全部同源序列，数量很大但质量参差。包含远缘同源。
我在构建自定义HMM时，习惯先用Pfam的种子比对做参考，再手动调整。如果直接用全长比对，远缘序列的噪音会污染模型质量。
3.6 怎么下载和用Pfam？
给新手一个实用的小抄：
- Pfam 网站：
https://www.ebi.ac.uk/interpro/（现在已合并到InterPro） - 常用命令：下载Pfam-A.hmm.gz后用
gunzip解压，然后用hmmsearch搜索 - 索引模型：
hmmpress Pfam-A.hmm - 搜索蛋白：
hmmsearch --domtblout output.txt Pfam-A.hmm query.fa
我的实操建议：我一般会用 --cut_ga 选项来设置Gathering threshold。这是Pfam专家为每个家族精心设定的阈值，比默认值靠谱多了。