PDB结构相似性验证教程 - 第4节

结构比对到底在比什么？

做结构生物学或者计算化学的人，拿到两个蛋白，第一反应肯定是：它俩像不像？

这个「像」字，说白了包含两层意思。一个是长得像不像——折叠方式、拓扑结构是不是同一个路线。另一个是位置像不像——在三维空间里，对应原子的坐标能不能叠在一起。

我刚开始接触这个领域时，总觉得位置像就是一切。直到有一次，一个点突变导致侧链方向转了180度，RMSD算出来很大，但其实折叠类型完全没变。嗯，从那以后我才明白，不同的「像」得用不同的尺子量。

核心观点：结构比对不是一把尺子搞定的事。RMSD、TM-score、GDT、Q-score各有侧重，选错了指标可能直接导出错误结论。

这一章，我们来逐一拆解这四把尺子——它们的数学逻辑、适用场景、以及那些容易踩的坑。

RMSD —— 最经典，也最容易翻车

RMSD全称 Root Mean Square Deviation。我习惯叫它「均方根偏差」。计算方法很简单：把两个结构对齐后，逐对计算对应原子的距离，平方求和再取平均，最后开根号。

RMSD = sqrt( (1/N) * Σ||x_i - y_i||² )

其中 x_i 和 y_i 为一一对应的Cα原子坐标。N为参与比对的原子对数。

RMSD的单位是Å。值越小表示原子坐标越接近，理想状态接近0。

我个人习惯：做RMSD计算前，一定要先做最优叠加，不要直接用原始坐标。用 ProFit 或 PyMOL 内置的 align 命令都能自动完成这一步。

RMSD的优点很明显：直观、计算快、方便比较。但它的缺陷也同样致命。你想想看，如果两个蛋白只有一段loop位置不同，其他部分完全一样，RMSD会被那个loop的大偏差拖得很大。而如果全局略有膨胀或收缩，RMSD也会飙升，尽管折叠类型完全一致。

我曾经遇到过一个案例：比对两个同源蛋白，RMSD高达5Å，按常理肯定认为是不同折叠了。后来用TM-score一算，0.85。这说明RMSD容易被局部偏差误导，尤其是在比对不完整结构或低分辨率模型时。

TM-score —— 我工具箱里的首选

TM-score 是我个人做大规模结构比对时最常用的指标。它的设计初衷就是解决RMSD的「局部放大」问题。

TM-score = max{ 1/N * Σ [1 / (1 + (d_i / d₀)² ) ] }

其中 d_i 为第 i 对残基的距离，d₀ 为一个与蛋白长度相关的归一化因子。N 为蛋白总残基数。

TM-score 的值域在0到1之间。通常认为：

  • TM-score > 0.5：大概率属于同一折叠（fold）。
  • TM-score < 0.2：大概率属于不同折叠。
  • 0.2–0.5：灰色地带，需要看具体情况。

为什么TM-score比RMSD更鲁棒？关键在分母的 d₀。d₀ 会随蛋白长度变化，长的蛋白 d₀ 大，短的小。这相当于对天然的结构偏差做了一次校准。而且那个 1/(1 + (d_i/d₀)²) 的核函数，对大偏差进行了压制。偏差大的原子组，贡献被非线性缩小了。

一句话总结：RMSD容易「被一颗老鼠屎坏了一锅粥」；TM-score则更宽容，更适合判断整体折叠是否一致。

实际跑一个 TM-score 计算

我最常用的是 TM-align 工具。它同时输出优化的叠加结果和 TM-score。

./TMalign target.pdb query.pdb -o aligned.pdb

输出精简结果大概长这样：

Name of Chain_1: target.pdb (length: 350)
Name of Chain_2: query.pdb (length: 348)

Aligned length: 340, RMSD: 2.45Å
TM-score: 0.87
Structure of the two superposed objects written to aligned.pdb

从输出可以看到，TM-score 0.87，哪怕 RMSD 有 2.45Å，也能确定这两个蛋白折叠完全一致。

GDT —— 谁在用？CASP 的官方标准

GDT 全称 Global Distance Test。它不是单个数值，而是一套测试策略。核心思想：

  1. 设定一个阈值（比如 1Å、2Å、4Å、8Å）。
  2. 统计比对成功后，残基距离小于该阈值的百分比。
  3. 四个阈值的平均分，就是 GDT_TS（Total Score）。
GDT_TS = (P1 + P2 + P4 + P8) / 4

其中 P1 表示距离 < 1Å 的残基比例，P2 表示 < 2Å，以此类推。

GDT 最大的好处是：它不依赖于单一优化叠加。它对不同区域的匹配程度给出了更细粒度的评价。CASP 评估任务中，GDT_TS 是官方排名指标，这本身就说明它的权威性。

阈值 含义 典型值
< 1 Å 原子级精确匹配 主链完全一致时可达
< 2 Å 高精度匹配 同源建模核心区域
< 4 Å 中等精度匹配 折叠相同但侧链不同
< 8 Å 粗粒度匹配 仅保留整体折叠拓扑

建议：在写论文时，如果做的是比较预测模型与实验结构的差异，用 GDT_TS 会更让人信服。它比单纯报一个 RMSD 更有信息量。

Q-score —— 当比对对象是冷冻电镜图时

前面讲的 RMSD、TM-score、GDT 都针对原子坐标。但如果你做冷冻电镜（cryo-EM），对应的是密度图，不是坐标。这时候需要用 Q-score。

Q-score 由 cryo-EM 领域提出，用来评价模型到底是否很好地拟合了密度图。它的计算逻辑和 GDT 类似，但比较的对象不是坐标间的距离，而是模型原子位置的密度值与局部背景噪声的比值。

Q-score = (模型原子处的密度相关度) / (残基局部背景噪声)

Q-score 的合理范围通常在 0–1。>0.8 表示匹配极好，<0.5 表示匹配很差。

注意：Q-score 不能直接和 RMSD 或 TM-score 比较。它们衡量的根本不是同一种东西。Q-score 是图与模型的适配度，RMSD 是坐标间的几何偏差。有些文章把这两个放在同一张表里并列比较，我个人觉得这不够严谨。

选哪把尺子？一张图说明一切

这四种指标，不是谁取代谁，而是各有所长。下面的 SVG 图描述了我在实际项目中做选择时的决策逻辑。

结构比对指标选择逻辑 你拿到的数据类型？ 原子坐标 (X-ray / NMR / 计算模型) 密度图 (cryo-EM / 电子衍射) RMSD 全局偏差 灵敏但易被局部干扰 TM-score 折叠一致性 首选整体比较 GDT / GDT_TS CASP官方指标 细粒度评价 Q-score cryo-EM密度图与模型适配度 使用要点 判断全局折叠相似性 → TM-score 需要精细的原子级评价 → RMSD / GDT cryo-EM 的模型质量 → Q-score 多指标交集确保结论可靠

说实话，我现在的项目流程很少只用单个指标。一般流程是这样：先用 TM‑align 跑一批候选蛋白，筛出 TM‑score > 0.5 的那些。然后对这些候选再算 RMSD，看哪几个是真正高精度的。最后如果需要投稿或做 benchmark，就补一列 GDT_TS。如果是 cryo‑EM 的解析过程，Q‑score 是必报的。

指标对比速查表

指标 数据类型 值域 对大偏差的敏感度 长度依赖 适用场景
RMSD 原子坐标 0–数十 Å 高 强 局部优化、晶体学精修、同源建模
TM-score 原子坐标 0–1 低 弱（已归一化） 大规模筛选、折叠分类、进化比较
GDT_TS 原子坐标 0–100% 中等 弱 CASP评估、预测模型质量、细粒度评价
Q-score 密度图 0–1 N/A（图与模型相关） 中等 cryo-EM 模型验证、图模型匹配

最佳实践：任何结构比对结论，最好由 ≥2 个独立指标交叉验证。比如 TM‑score > 0.8 & RMSD < 2.0 Å，这样的组合最具说服力。

嗯，这一章说得差不多了。RMSD、TM‑score、GDT、Q‑score，四把尺子都有自己的性格。选对了，工作事半功倍。选错了，或者只依赖一把尺子，很容易对结构相似性产生误判——这一点我在早期项目中真的吃过亏。

← 上一章 📖 返回目录 下一章 →