1. 蛋白功能预测建模工程导论

蛋白质功能预测建模工程，研究的不是某一个孤立的算法，而是如何把“从序列到功能”的推断过程，做成一套可复现、可评估、可交付的工程系统。它横跨分子生物学、机器学习与软件工程：生物侧决定我们预测什么、用什么标签、如何解释结果；算法侧决定用什么表示、什么模型、什么损失；工程侧决定数据怎么流转、模型怎么版本化、结果怎么被下游使用。本课程的目标，是让读者具备独立搭建一条功能预测流水线的能力，而不仅是调用一次现成工具。

课程定位：从“会用工具”到“能建系统”

初学者常见的做法是：拿到一条序列，丢进某个在线服务，得到一个 GO 注释或 EC 编号，就认为任务完成。工程视角下，这只是整条链路最末端的一次推理。真正决定预测质量的是上游——训练数据的来源与去冗余、标签体系的层级与传播规则、负样本的构造方式、评估切分是否泄漏同源信息。本课程因此把重心放在“数据—表示—模型—评估—部署”这条主链上，工具只是链上的执行单元。

需要明确一个基本立场：功能预测的输出本质是概率性假设，而非事实断言。模型给出“该蛋白可能具有丝氨酸水解酶活性，置信度 0.87”，这个数字只有在明确的标签定义、数据分布和评估口径下才有意义。课程会反复强调把置信度、覆盖率和错误代价一起交付，而不是只交付一个标签。

核心问题：四个必须回答的工程问题

无论做的是亚细胞定位、酶功能分类还是蛋白互作预测，工程上都要回答四个问题。第一，标签从哪来：Swiss-Prot 的人工注释、GO 的三层结构（分子功能、生物过程、细胞组分）、EC 四级编号，各自的粒度与噪声不同。第二，序列怎么表示：one-hot、k-mer 频率、PSSM、预训练语言模型嵌入，表达能力和计算成本差异巨大。第三，同源泄漏怎么防：若训练集与测试集存在高相似序列，指标会虚高，常用做法是按序列相似度聚类后整簇切分。第四，结果怎么用：是给实验人员排序候选，还是自动写入数据库，决定了阈值策略与人工复核比例。

工程化流程：一条可落地的七段链路

下面这张图给出本课程贯穿始终的主链路。它按数据流方向组织，每一段都有明确的输入、输出与质量检查点，而不是抽象步骤罗列。

链路上有三个必须显式设置的检查点。检查点 A 在去冗余之后：用 CD-HIT 以 30% 一致性聚类，确认训练与测试簇不重叠，否则后续指标不可信。检查点 B 在标签构建之后：统计每个标签的正样本数，低于约 30 条的稀有类要么合并、要么单独走小样本策略，否则模型只会记住多数类。检查点 C 在评估阶段：除 Fmax、AUPR 外，还要看校准误差 ECE，因为下游若按 0.5 一刀切，未校准的高置信输出会带来大量假阳性。

一个最小可运行示例

以“给定蛋白序列，预测其是否属于某个 GO 分子功能类”为例，工程上第一步不是选模型，而是把数据切干净。假设从 UniProt 下载了 12000 条带 GO 注释的 reviewed 序列，先做长度过滤（50–1000 aa）与非常规字符剔除，再用 CD-HIT 以 0.3 阈值聚类，得到约 4200 个簇。按簇 8:1:1 划分训练、验证、测试，可避免同源泄漏。标签侧对 GO 做真路径传播：若某蛋白注释到叶子节点，则其所有祖先节点也置为正，这样正样本数从平均 1.2 提升到约 4.6，缓解了稀疏问题。

# 示例：按簇切分，避免同源泄漏（示意参数，非实测结果）
cd-hit -i seqs.fasta -o seqs_cdhit -c 0.3 -n 5 -M 8000
# 输出 .clstr 记录每条序列所属簇，按簇 ID 分组后 8:1:1 划分
# 训练集约 3360 簇 / 验证集 420 簇 / 测试集 420 簇

表示层可先用 k-mer（k=3，8000 维）加线性模型作为基线，得到可解释的起点；再换用预训练蛋白语言模型嵌入加轻量分类头，观察 Fmax 的变化。若提升有限，问题往往不在模型，而在标签噪声或数据分布，此时应回到检查点 B 做误差分析，而不是继续调参。

典型应用场景与交付形态

不同场景对输出的要求不同。工业酶筛选关心的是候选排序，交付的是带置信度的 Top-N 列表，允许一定假阳性，但要求高召回；临床变异解读关心的是致病性判断，交付的是校准后的概率与证据等级，宁可保守；通路补全关心的是网络完整性，交付的是边预测及其支持证据。课程后续会分别展开这些场景的标签设计、评估口径与部署方式。

本课程后续每一章都会围绕这条主链的某一段深入：数据获取与清洗、标签体系与传播、序列表示、模型选择、评估与校准、部署与监控。读者应始终带着一个具体任务来学习——选定一个功能预测目标，边学边把链路搭起来，最终交付一条能复现、能解释、能被下游使用的预测流水线。