2. 蛋白功能预测的数据基础

蛋白功能预测建模的第一步不是选模型，而是把“数据基础”想清楚。一个蛋白在计算世界里通常以四种形态存在：氨基酸序列（一维字符串）、三维结构（坐标与拓扑）、注释记录（数据库中的证据条目）以及功能标签（可被模型学习的监督信号）。这四者并非并列，而是层层递进：序列是原始输入，结构是序列折叠后的空间约束，注释是实验或同源推断积累的证据，标签则是从注释中提炼出的、可训练的目标变量。理解它们之间的映射与损耗，是后续特征工程与建模成败的关键。

一、氨基酸序列：最通用的输入载体

序列以 20 种标准氨基酸的单字母码表示，例如 MKTAYIAKQRQISFVKSHFSRQ。对建模而言，序列不只是字符，它携带三类可计算信息：组成信息（氨基酸频率、分子量、等电点）、顺序信息（motif、结构域边界、信号肽位置）和进化信息（通过多序列比对得到的保守性谱）。实践中，最常用的序列级特征是位置特异性打分矩阵（PSSM）和隐马尔可夫谱（HMM profile），它们把单条序列扩展为“同源家族中的位置偏好”，显著提升远同源功能的可预测性。

需要注意序列的边界与版本：同一 UniProt 条目可能因可变剪接产生多个异构体，建模时应明确使用 canonical 序列还是特定 isoform，并在数据表中记录 accession 与版本号，否则标签与序列可能错配。

二、结构数据：从实验解析到预测模型

结构数据主要来自 PDB 的实验解析（X 射线、冷冻电镜、NMR），以及 AlphaFold DB 等预测结构库。结构对功能预测的价值在于它直接暴露活性位点、结合口袋、二硫键、跨膜区等序列上难以直接读出的空间关系。常用表示包括：主链坐标、残基接触图（contact map）、溶剂可及表面积（SASA）、二级结构（H/E/C）以及口袋几何描述符。

使用结构数据时要处理三个现实问题：覆盖度（很多蛋白只有部分结构域被解析）、质量（分辨率、B-factor、缺失残基）和映射（PDB 编号与 UniProt 编号的对应关系）。若用预测结构，还应记录模型置信度（如 pLDDT），低置信区域不宜作为强特征。

三、注释数据库：证据的来源与层级

注释数据库把“功能”写成可检索的记录。常见来源包括 UniProtKB/Swiss-Prot（人工审编）、TrEMBL（自动注释）、Pfam（结构域家族）、InterPro（整合签名）、GO（基因本体）、KEGG（通路）、EC 编号（酶催化）以及 CATH/SCOP（结构分类）。这些库的差别不只是覆盖度，更在于证据类型：实验证据（EXP、IDA）、同源推断（ISS）、自动注释（IEA）在可信度上差异很大。

建模时若不加区分地混合所有注释，会把自动注释的噪声当作真标签。一个稳妥做法是：训练标签优先采用实验证据或人工审编条目，自动注释仅用于预训练、弱监督或候选扩展，并在数据卡中标注证据来源。

四、功能标签体系：把注释变成可学习目标

功能标签体系决定了模型“学什么”。常见体系有三类：GO 三元组（分子功能 MF、生物过程 BP、细胞组分 CC），是层级化有向无环图；EC 编号，是酶功能的四级数字分类；Pfam/InterPro 家族，偏向结构域与家族归属。它们可以互相映射，但并非一一对应：一个蛋白可拥有多个 GO 项、多个结构域和多个 EC 号，因此标签通常是多标签、层级化、稀疏且不均衡的。

处理层级标签时，常用策略是沿 GO 图向上传播（true-path rule）：若某蛋白具有某个子节点功能，则其所有祖先节点也应为正。这能缓解稀疏，但也会放大负样本比例，需要在损失函数中做类别加权或采用层级损失。

五、四层数据的对齐与工程化处理

把上述四层对象真正用于建模，核心工作是对齐。一个典型流程是：以 UniProt accession 为主键，关联序列、PDB 结构、Pfam 结构域、GO 注释与 EC 编号；对每条记录生成“序列—结构—注释—标签”四元组。对齐时需处理三类不一致：编号体系不同（PDB 残基编号 vs UniProt 位置）、粒度不同（结构域 vs 全长蛋白）、时间版本不同（数据库更新导致注释变化）。

工程上建议维护一张样本表，字段至少包含：uniprot_id、sequence、seq_version、pdb_ids、pfam_ids、go_terms、go_evidence、ec_numbers、label_source。这样在训练、验证与复现时都能追溯每个标签的来源与可信度。