蛋白质结构预测概述
蛋白质结构预测是什么
蛋白质结构预测，说白了就是根据氨基酸序列去猜它的三维结构。你想想看，一条链子怎么折叠成一个复杂的立体形状？这个问题困扰了生物学家几十年。
为什么结构这么重要？因为蛋白质的功能几乎完全由它的三维结构决定。一个酶要催化反应，它的活性位点必须在空间上正确排列。一个抗体要识别抗原，它的结合表面必须形状互补。结构决定了功能和相互作用。所以，我们想要知道一个蛋白质怎么工作，第一步往往就是搞清楚它的结构。
我刚开始做结构预测时，实验室完全依赖实验方法。那时候我们常说“实验为王”。晶体衍射、核磁共振、冷冻电镜——这些技术确实很牛，但一个结构做出来可能要两年。而且很多蛋白质根本长不出晶体。这就催生了计算方法的迫切需求。
传统方法与CASP竞赛
CASP（Critical Assessment of Structure Prediction）竞赛是蛋白质结构预测领域的“奥运会”。从1994年开始，每两年举办一次。我记得第一次参加CASP时，大家的方法还很粗糙——基本都是靠同源建模，也就是根据已知的模板结构去猜。
传统方法大体上分三类：
- 模板建模（Template-Based Modeling）：如果在PDB库里能找到序列相似的模板，那就直接往模板上叠。这是最直接的方法，也是我早期用得最多的。
- 折叠识别（Fold Recognition）：序列可能不相似，但结构折叠方式可能一样。这类方法通过3D-1D打分来匹配已知折叠模式。
- 从头预测（Ab initio/de novo）：完全没有模板可用，只能用物理力场去模拟折叠过程。说实话，这个方法在CASP初期表现很差，计算量极大但准确度有限。
为什么传统方法一直难突破？有几个关键瓶颈：
- 序列相似度低于30%，模板建模基本失效
- 物理模拟的时间尺度与实际折叠相差十多个数量级
- 能量函数的精度不足以区分近天然结构与错误构象
我曾经踩过一个坑：用传统方法预测一个膜蛋白，序列相似度只有25%，结果模型跑出来跟实验结构差了10Å的RMSD。后来我才意识到，多序列比对的覆盖度太低，根本没有捕捉到关键的共进化信号。
从PSIPRED到AlphaFold的演变
这条路走了快三十年。先把几个关键里程碑列出来：
| 年份 | 方法/工具 | 核心突破 |
|---|---|---|
| 1999 | PSIPRED | 用神经网络做二级结构预测，准确率超过80% |
| 2000s | Rosetta | 基于片段组装的从头预测，在CASP上表现稳定 |
| 2012 | 深度神经网络 | 基于共进化的接触预测取得突破 |
| 2018 | AlphaFold1 | 端到端预测，CASP13上赢得冠军 |
| 2020 | AlphaFold2 | CASP14上接近实验精度，中位数GDT达92.4 |
你注意2012年这个节点。那一年有两篇论文改变了一切——共进化分析被正式引入蛋白质结构预测。原理其实很简单：如果一个蛋白质中两个残基在空间上靠近，它们在进化过程中会倾向于发生补偿性突变来维持结构稳定。通过分析大量同源序列的共突变模式，就能推断出哪些残基在空间上互相接触。
我记得当时读到这些论文时的感受——这是个信号，一个被长期忽略的信号。MSA中包含了大量的共进化信息，而这些信息可以直接用来约束结构建模。AlphaFold的成功本质上就是把这个信号用到了极致。
AlphaFold的整体预测流程
现在的AlphaFold，它的流程不再是“先预测接触图，再折叠”，而是把多序列比对（MSA）、结构模板和物理约束全部整合到一个深度学习框架里，直接预测结构坐标。简单说就是：
- 构建MSA：用HMMer或Jackhmmer搜索序列数据库，生成多序列比对
- 特征化：从MSA和模板中提取特征，包括序列特征、共进化特征、成对距离特征
- Evoformer模块：这是AlphaFold的灵魂。它让MSA特征和成对特征之间互相更新和强化，逐步提炼出结构信息
- 结构模块：基于更新后的成对特征，通过循环迭代优化，输出每个残基的旋转和平移参数
- 最后出模型：输出主链和侧链的完整原子坐标
这个流程里，Evoformer是关键。我反复说过一句话：AlphaFold不是物理模拟，而是信息提取。Evoformer通过注意力机制，让MSA中不同序列间的模式自动被识别和强化。好的MSA带来好的共进化信号，差的MSA则让模型迷失方向。
MSA多样性的角色
现在我们要深入一个核心问题：MSA多样性到底起什么作用？
它实际上是一个信息量的衡量。一个“多样性高”的MSA意味着：
- 序列数量足够多（通常建议至少几百条）
- 序列之间差异明显但不过分远缘
- 覆盖了足够的进化距离，使共进化信号能被统计显著地检测到
相反，如果MSA多样性不足——比如你只找到5条非常相似的序列——你就几乎没有任何共进化信息。这种情况下，AlphaFold基本退化成某种增强版的模板建模，精度会大幅下降。
我个人习惯在预测前做一个快速判断：看MSA信息熵的分布。如果所有位置的信息熵都很低（即序列极度保守），说明同源序列不够多样化，这时候我会尝试放宽搜索阈值或者使用更大的数据库。
这里有一个重要的概念:MSA的深度和广度缺一不可。深度指的是序列数量，广度指的是序列之间的系统发育距离。只有数量但序列高度冗余，信息量会很有限；序列远但数量太少，统计噪声会掩盖信号。
结构预测的评估体系
怎么判断一个预测模型的好坏？有几个常用指标：
| 指标 | 全称 | 含义 |
|---|---|---|
| RMSD | 均方根偏差 | 对齐后原子坐标的平均偏差，越小越好 |
| TM-score | 模板建模得分 | 取值0-1，>0.5被认为拓扑正确 |
| GDT | 全局距离测试 | 多个距离阈值下残基吻合比例的均值 |
| pLDDT | 预测的局部距离差测试 | AlphaFold的置信度分数，>90为高置信 |
在实际项目中，我一般同时看两个数字：一是整体的TM-score或pLDDT，二是目标结合位点或活性中心的局部RMSD。有时候整体结构看着不错，但关键区域偏离很大，那模型的价值就大打折扣。
这一章的知识体系图
下面这张图总结了蛋白质结构预测的核心流程和MSA在其中的位置：
本章小结
蛋白质结构预测从早期的模板建模走到AlphaFold时代，核心驱动力其实就两个：更强大的特征表示和更智能的信息融合方式。而MSA多样性在这中间扮演了一个非常特殊的角色——它既是特征提取的起点，也是决定预测精度的天花板。没有好的MSA，再强大的模型也难为无米之炊。