4. 跨批次比较的背景：为什么不同批次的结构数据需要对齐与标准化
做结构比对的人，大多会有一种「强迫症」——希望所有数据都放在一个公平的起跑线上。但现实往往很残酷。你从PDB下载的100个结构，可能来自不同实验室、不同年份、不同分辨率，甚至不同软件包算出来的。直接拿这些结构的坐标去算TM-score？我个人习惯了，绝对不这么干。
举个例子。我几年前做过一个项目，需要比较AlphaFold2预测的2000个人类蛋白结构与对应的实验结构。一开始我偷懒，直接把两个结构的原始坐标丢进TM-score程序里跑。结果出来一堆异常值，有的TM-score只有0.2，但肉眼看着两个结构几乎一模一样。问题出在哪？批次效应。
核心结论：不同批次的结构数据，在坐标原点、旋转方位、原子编号、链命名、残基缺失处理等多个维度上存在系统性偏差。这些偏差不消除，TM-score的可信度就是一句空话。
4.1 什么是“批次”？
这里的“批次”不是一个严格术语。它指的是数据产生的时间、方法或来源差异。常见的有以下几种：
- 实验批次：不同课题组、不同衍射数据采集条件、不同分辨率范围。
- 计算批次：不同版本的AlphaFold（v2.0 vs v2.3）、不同模板库、不同GPU精度。
- 数据库批次：PDB不同release版本之间，部分结构被重新精修过。
- 时间批次：同一个课题组在不同年份解的同一个蛋白结构。
你想想看，如果把不同批次的数据直接放在一起比较，就像把用米尺量的长度和用游标卡尺量的长度混在一起算平均值。结果能信吗？
4.2 批次效应的具体表现
我用一个真实的例子来说明。下面这段是某个结构比对项目中，两个完全相同序列的蛋白在未对齐前的部分坐标片段：
避坑提醒：我曾经遇到过一种情况——两个结构来自同一篇论文，但一个是X-ray衍射，一个是Cryo-EM。表面上都叫“蛋白A”，实际上坐标原点差了上百个埃格斯特朗。如果不做对齐，TM-score直接归零。
# 结构A（X-ray，2020年）
ATOM 1 CA MET A 1 10.234 20.567 30.891 1.00 20.00 C
ATOM 2 CA GLN A 2 12.456 22.789 33.012 1.00 20.00 C
...
# 结构B（AlphaFold2，2023年）
ATOM 1 CA MET A 1 -5.123 40.987 15.678 1.00 20.00 C
ATOM 2 CA GLN A 2 -3.456 43.210 17.890 1.00 20.00 C
...同样的两个CA原子，坐标值差了几十埃格斯特朗。这还不是最严重的。最头疼的是残基编号不一致，比如一个结构把信号肽也算进去，另一个不算。TM-score是依赖残基顺序做sequence alignment的，序号一乱，结果全乱。
4.3 不做对齐的后果
我归纳了一下，直接拿原始坐标跑TM-score会踩到哪些坑：
| 问题类型 | 具体表现 | 影响程度 |
|---|---|---|
| 坐标漂移 | 全局平移/旋转导致RMSD虚高 | 严重：TM-score可能被低估0.2-0.5 |
| 残基偏移 | 链命名不同（A vs B）、插入/缺失残基 | 致命：alignment完全错位 |
| 原子缺失 | 分辨率低的结构缺少部分侧链原子 | 中等：需决定是否用CA-only比对 |
| 模型版本 | 不同relaxation算法导致局部构象差异 | 轻微：但会影响置信区间 |
所以我一直强调：TM-score的计算结果，本质上是一个经过标准化后的相似度指标。标准化的前提，就是先把不同批次的数据拉到同一个“参考系”里。
4.4 对齐与标准化：两个层面
对了，这里得区分两个概念：结构对齐和分数标准化。很多人混为一谈，其实不一样。
- 结构对齐（Structural Alignment）：把一个结构的坐标通过旋转平移，使得它与另一个结构的对应残基在空间上尽可能重叠。这解决的是“坐标不一致”的问题。
- 分数标准化（Score Normalization）：TM-score本身的取值范围受蛋白质长度影响，需要通过理论随机期望值做归一化。这解决的是“长度偏差”的问题。
这两个层面缺一不可。前者是数据预处理，后者是数学后处理。
4.5 统一参考系：最核心的操作
实际工作中，我建议做以下几步标准化：
- 重命名链：所有结构的链名统一为单个字母（如'A'），并在PDB文件中保持唯一。
- 残基编号对齐：根据序列一致性从1开始重新编号，忽略原始编号。
- 原子选择标准化：只保留CA原子或者所有重原子，必须明确声明。
- 坐标中心化（可选）：将结构的质心移到原点。
- 缺失残基填充：统一策略——要么都补成虚拟CA，要么都忽略。
下面是我个人习惯用的一个标准化流程脚本片段：
# 标准化PDB文件：重新编号残基并重命名链
def standardize_pdb(input_pdb, output_pdb, chain_id='A'):
model = load_structure(input_pdb)
# 只保留第一个模型
model = model[0]
# 重命名所有链
for chain in model.get_chains():
chain.id = chain_id
# 按序列顺序重新编号残基，从1开始
for i, residue in enumerate(model.get_residues(), start=1):
residue.id = (' ', i, ' ')
# 保存标准化后的结构
save_structure(model, output_pdb)
实用技巧：在做大批量比对时，我习惯把标准化后的中间PDB文件单独存一个目录。这样一旦TM-score结果异常，可以随时回溯看是原始数据的问题还是对齐参数的问题。
4.6 批次对齐的核心逻辑
下面这张图是我自己总结的跨批次比对决策树。说白了，就是让你在动手算TM-score之前，先问自己三个问题：
4.7 为什么不能跳过这一步？
说白了，TM-score虽然对全局平移旋转不敏感（因为它会做内部优化），但它的残基配对阶段完全依赖于sequence alignment的正确性。如果残基序号错位，TM-score的初始搜索范围就会偏离真实解。
我遇到过最夸张的情况是这样的：一个结构有301个残基，另一个只有300个。原始文件里第100号残基是Lys，另一个文件里同一个位置却是Gln。不标准化直接跑，TM-score输出0.35，但人工对齐后发现实际相似度超过0.7。整整差了一倍多。这数据你敢往论文里写？
一句话总结：跨批次比较的核心前提，是保证所有输入结构在命名、编号、原子集三个维度上一致。否则TM-score的数学性质再好，也救不了数据本身的混乱。