📚 课程目录第4章实验结构参考集构建

4. 实验结构参考集构建

在蛋白结构预测的可信度评估中，参考集的质量直接决定了评估结论是否可靠。所谓实验结构参考集，是指从PDB（Protein Data Bank）中筛选出与目标预测序列同源或同家族的实验解析结构，作为比对基准、界面参照或局部构象校验的“地面真值”。如果参考集本身存在缺失残基、多链混杂、配体干扰、分辨率过低或B因子异常等问题，那么后续的RMSD、TM-score、界面比对等指标都会失真。因此，本节的核心任务不是“随便下载一个PDB”，而是建立一套可复现、可审计的筛选与清洗流程。

一、筛选策略：从序列同源到结构可比

筛选的第一步是确定“同源或同家族”的边界。对于目标预测序列，通常使用BLAST或MMseqs2在PDB序列库中检索，设定序列一致性阈值。若目标是评估近同源预测，建议一致性≥30%且覆盖度≥70%；若目标是评估远同源或折叠识别，可放宽至一致性20%～30%，但必须同时检查E-value（建议<1e-3）和比对长度。对于同家族但序列差异较大的情况，可借助Pfam或CATH/SCOP家族注释，先定位家族成员，再回溯到PDB条目。

筛选时还要注意“结构可比性”而非仅仅“序列相似”。例如，目标预测的是单体结构，而PDB条目是二聚体或与配体共结晶，直接比对可能引入界面偏差。因此，在筛选阶段就应记录每个候选PDB的寡聚状态、配体列表、解析方法和分辨率，形成候选表，而不是直接进入比对。

二、质量问题的识别与处理

PDB实验结构常见的质量问题包括：缺失残基（missing residues）、多链（multi-chain）、配体/辅因子（ligands）、分辨率（resolution）和B因子（B-factor）。这些问题需要分别处理，不能一概而论。

缺失残基：在PDB文件中表现为REMARK 465或序列与坐标不匹配。若缺失区域位于目标预测的核心区域，该参考结构应降权或剔除；若缺失仅在末端柔性区，可保留但需在比对时排除对应残基。
多链：需明确目标预测对应的链。若目标为单体，应只提取与目标序列最匹配的那条链；若目标为复合物，则需保留所有相关链并检查链间界面是否完整。
配体：配体可能稳定局部构象，也可能导致活性位点构象与目标预测不同。若评估的是apo态预测，应优先选择无配体或配体远离目标区域的条目；若评估holo态，则需保留配体并检查配体结合残基的构象。
分辨率：一般建议优先选择分辨率≤2.5 Å的结构；对于2.5～3.5 Å的结构，需谨慎使用，并检查局部密度是否支持关键残基的构象；>3.5 Å的结构通常只用于整体折叠比对，不用于侧链或界面细节评估。
B因子：B因子反映原子位移参数。若关键区域B因子显著高于全局平均值（例如>80 Å²），说明该区域柔性大或电子密度弱，参考构象不确定性高，应降低其权重或排除。

建议在候选表中为每个PDB条目记录：PDB ID、链ID、分辨率、R-free、缺失残基范围、配体列表、目标区域平均B因子、序列一致性、覆盖度。这些字段是后续加权和剔除的依据。

三、参考集构建的实操流程

下面给出一个可复现的参考集构建流程，以目标预测序列为起点，假设目标为单体蛋白，评估其整体折叠和活性位点构象。

# 示例：使用MMseqs2检索PDB序列库
mmseqs easy-search target.fasta pdb_seqres.fasta result.m8 tmp --format-output "query,target,pident,alnlen,evalue,bits"

# 筛选条件示例
# pident >= 30, alnlen >= 70% of target length, evalue <= 1e-3
awk -F'\t' '$3>=30 && $4>=0.7*L && $5<=1e-3' result.m8 > filtered.m8

# 提取候选PDB ID和链ID
cut -f2 filtered.m8 | cut -d'_' -f1 | sort -u > candidate_pdb.txt

得到候选PDB后，逐个下载并解析质量信息。可使用PDB API或本地mmCIF文件，提取分辨率、缺失残基、配体、B因子等。对于缺失残基，重点检查目标活性位点或界面残基是否缺失；对于多链，确认目标链与预测序列的对应关系；对于配体，判断是否与目标评估状态一致。

接下来进行结构比对。若参考结构存在缺失残基，应在比对时只使用双方共有的残基，并记录比对覆盖度。若参考结构为多链，且目标为单体，则只取目标链；若目标为复合物，则需将预测复合物与参考复合物按链对应关系分别比对，再计算界面RMSD。

四、参考集加权与最终选择

一个高质量的参考集通常不是单一结构，而是多个结构的加权集合。权重可综合以下因素：序列一致性、分辨率、覆盖度、目标区域B因子、配体状态匹配度。例如，可定义权重 w = w_seq × w_res × w_cov × w_bfac，其中 w_seq 随一致性升高而增大，w_res 在分辨率优于2.0 Å时取1.0，2.0～2.5 Å取0.8，2.5～3.0 Å取0.5，>3.0 Å取0.2；w_cov 为比对覆盖度；w_bfac 在目标区域平均B因子低于40 Å²时取1.0，40～60 Å²取0.7，>60 Å²取0.3。最终保留权重总和最高的3～5个结构作为参考集，并记录每个结构的权重和排除原因。

五、常见陷阱与检查清单

在实际操作中，最容易犯的错误是“只看序列一致性，不看结构质量”。一个一致性高达90%的PDB条目，如果分辨率只有3.8 Å且活性位点缺失，其参考价值可能远低于一个一致性35%但分辨率1.8 Å、活性位点完整的结构。另一个常见问题是忽略多链对应关系：目标预测为同源二聚体，但参考PDB是晶体学二聚体，链间界面可能由晶体堆积产生，此时应优先选择溶液态或生物学组装注释明确的条目。

建议在参考集构建完成后，执行以下检查：

每个参考结构的比对覆盖度是否≥70%？
目标活性位点或界面残基在参考结构中是否完整？
参考结构的寡聚状态是否与目标预测一致？
配体状态是否与评估目标（apo/holo）匹配？
关键区域B因子是否在可接受范围内？
是否记录了每个结构的权重和排除原因？

不要将多个不同寡聚状态或不同配体状态的PDB条目直接混合平均。应先按状态分组，再在组内加权，最后根据评估目标选择对应组。否则，参考集本身就会引入系统性偏差。

总结来说，实验结构参考集的构建是一个“筛选—解析—清洗—加权—审计”的闭环。它要求我们不仅会检索PDB，还要理解每个质量字段的生物学含义，并能根据评估目标做出取舍。只有参考集本身可信，后续的预测可信度评估才有意义。