1. 蛋白结构预测工程导论

蛋白质结构预测在近十年从“学术竞赛式难题”迅速演变为可工程化交付的技术能力。对工程实践者而言，真正要回答的不是“某个模型能不能预测”，而是：给定一条氨基酸序列，我们能否在可接受的时间、算力和置信度约束下，稳定产出一个可用于下游决策的三维结构，并清楚知道它在哪些区域可信、哪些区域不可信。这就是“蛋白结构预测工程”的出发点——把预测任务当作一条有输入、有处理、有输出、有质量门槛的工程流水线，而不是一次性的黑箱调用。

从序列到结构：问题定义

输入通常是一条或一组氨基酸序列，长度从几十到数千残基不等，用单字母编码表示，例如 MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ。输出是每个残基在三维空间中的坐标，通常以 PDB 格式或 mmCIF 格式给出，包含主链原子 N、CA、C、O 以及侧链原子坐标。工程上还需附带两类关键信息：一是残基级置信度（如 pLDDT，0–100），二是残基对距离/取向置信度（如 PAE，预测对齐误差，单位 Å）。没有置信度的结构文件在工程上几乎是不可用的，因为下游无法判断该在哪里信任模型。

因此，一个完整的工程化问题定义应写成四元组：序列输入 + 预测模型 + 置信度输出 + 质量判定规则。缺少任何一项，预测结果都无法进入自动化流程。例如在药物设计场景中，若某结合口袋区域的 pLDDT 低于 70，即使全局平均分很高，也不能直接用于对接计算。

核心挑战

第一是精度与置信度的对齐。模型给出的高置信区域通常确实较准，但低置信区域并不等于“完全错误”，而是“不确定”。工程上需要把 pLDDT 与 PAE 联合使用：pLDDT 反映局部残基环境是否可靠，PAE 反映两个残基之间的相对位置是否可靠。二者结合才能判断一个结构域整体是否可信。

第二是多链与复合物。很多真实任务涉及同源二聚体、抗体-抗原复合物。单链预测模型直接拼接多条链会丢失链间界面信息，需要专门的复合物预测模式或对接后处理。工程上要明确：输入是单链、同源多聚体还是异源复合物，并据此选择模型与后处理策略。

第三是计算资源与吞吐。以典型模型为例，一条 300 残基序列在 GPU 上推理可能需要数十秒到数分钟；若要做 1000 条序列的批量筛选，必须考虑显存、批处理、缓存与失败重试。工程系统需要记录每条任务的序列哈希、模型版本、参数、耗时与输出路径，保证可复现。

第四是结果的可解释与可交付。结构文件本身不是交付物，交付物是“带置信度标注、带质量判定、带使用建议”的结构报告。工程上通常要求输出：全局 pLDDT 均值、各结构域分段均值、PAE 矩阵摘要、低置信残基列表，以及是否通过预设质量门槛的结论。

评价指标

常用指标包括：GDT-TS（全局距离测试，衡量整体拓扑相似度，0–1，越高越好）、TM-score（模板建模分数，对全局折叠更敏感）、RMSD（均方根偏差，单位 Å，对局部偏差敏感，需先做最优叠合）、lDDT（局部距离差异测试，0–1，对局部环境更稳健）。工程上更常用的是模型自带的 pLDDT 与 PAE，因为它们不需要真实结构即可获得，适合在线质量判定。

一个实用的判定规则示例：全局 pLDDT ≥ 90 视为高可信，70–90 为中等可信，50–70 为低可信，<50 为极低可信；同时要求目标功能区域的 PAE 均值 ≤ 5 Å。该规则是示例性阈值，实际项目应根据下游用途调整。

课程项目总览

本课程围绕一个贯穿始终的工程化项目展开：给定若干目标蛋白序列，构建一条可复现的结构预测流水线，输出带置信度标注的结构报告，并依据预设质量门槛给出“可用 / 需复核 / 不可用”的判定。项目分为四个阶段：阶段一完成单链预测与置信度解读；阶段二引入多链复合物与界面评估；阶段三实现批量任务调度、缓存与版本管理；阶段四完成质量报告与下游对接示例。

每个阶段都要求记录：输入序列哈希、模型名称与版本、关键参数、运行耗时、输出文件路径、全局与分段 pLDDT、PAE 摘要、质量判定结论。这些字段构成最小可复现单元，也是后续排障与对比的基础。课程不追求训练新模型，而是聚焦于“如何把已有预测能力稳定、可解释地交付出去”。