📚 课程目录第3章蛋白质结构预测方法概述

蛋白质结构预测方法概述：从同源建模到深度学习

蛋白质结构预测，说白了就是解决一个核心问题：给定一条氨基酸序列，怎么算出它折叠成什么三维形状？这个问题在计算生物学里已经存在了几十年。我自己的项目经历告诉我，选对方法往往比跑对代码更重要——方向错了，后面全是白费功夫。

这一章我带你捋一遍主流的预测方法，从经典的同源建模到现在的深度学习。你不需要记住每个算法的细节，但要理解它们各自的适用场景和局限性。这才是实战中的判断力。

  核心观点：没有万能的方法。同源建模速度最快但依赖模板，从头预测可以探索新折叠但计算成本高，深度学习在精度和速度之间找到了新平衡。

一、同源建模：最成熟的老方法

同源建模的原理其实很直观：相似的序列折叠成相似的结构。如果你要预测的蛋白（目标）在数据库里找到了一个序列相似度>30%的已知结构（模板），那直接把模板结构“修修补补”就能得到一个不错的模型。

我最早做的一个项目，就是一个细菌激酶的结构预测。当时序列相似度有45%，我用了SWISS-MODEL，跑了不到十分钟，结果和后来别人解出的晶体结构RMSD只有1.2Å。那感觉挺爽的，但你想想看，如果相似度掉到20%以下，结果就完全不可靠了。

同源建模的标准流程大概是这样的：

模板搜索：用BLAST或HMMER在PDB里找已知结构
序列比对：把目标和模板的序列对齐，这一步最关键，错位会导致整个模型崩掉
模型构建：基于比对信息，复制模板的主链坐标，再补上侧链
优化与评估：用能量最小化修整不合理的原子接触，用拉氏图或DOPE评分判断质量

常用的工具有SWISS-MODEL、MODELLER、I-TASSER（虽然它混合了其他方法）。我个人习惯用MODELLER，因为它可以在Python里调，方便做批量自动化。

# MODELLER 示例：基于模板构建单个模型
from modeller import *
from modeller.automodel import *

env = Environ()
aln = Alignment(env)
aln.append(file='target.ali', align_codes='target')
aln.append(file='template.pdb', align_codes='template', atom_files='template.pdb')
aln.align2d()

a = AutoModel(env, aln, knowns='template', sequence='target')
a.starting_model = 1
a.ending_model = 5  # 生成5个模型，选评分最好的
a.make()

避坑指南：我曾经遇到过比对错误导致模型主链严重扭曲的情况。后来我养成了一个习惯——跑完对比后，手动检查比对区域有没有gap插入在二级结构中间，如果有，通常是比对出了问题。

二、折叠识别：当序列相似度不够时

同源建模遇到一个坎：序列相似度低于25%-30%时，比对就不那么靠谱了。这时候要用到折叠识别（Threading）。

折叠识别的思路不太一样：它不直接比序列，而是先把目标序列“穿”到每个已知结构模板上，然后看这个“假模型”的能量是否合理。说白了，就是找一个最适合你的序列去穿的外衣。

为什么这么做？因为蛋白质的折叠模式其实远少于序列种类。你想想看，自然界里可能有几亿种蛋白，但它们的折叠拓扑类型也就一两千种。所以就算序列不像，你的序列可能也能适配某个已知的折叠框架。

折叠识别的关键要素：

要素	说明	常见工具
序列谱（Profile）	用多序列比对构建每个位置的概率矩阵，比单一序列更敏感	PSI-BLAST, HHblits
打分函数	衡量序列-结构配体程度的函数，包括成对势能、溶剂可及性等	THREADER, GenTHREADER
比对算法	需要处理序列与3D结构模板之间的对齐，比普通序列比对更复杂	HMM-HMM比较

说实话，同源建模和折叠识别之间的界限有时候挺模糊的。很多现代工具（比如I-TASSER）把两者揉在一起用。在CASP比赛里，这类方法很长时间都霸占着榜首。但它们的共同短板是：完全依赖已知结构数据库。如果目标蛋白的折叠方式从未被解出过，那就真的没辙了。

三、从头预测：不依赖模板的硬功夫

从头预测（Ab Initio / De Novo）想干的是：不依赖任何已知结构，只从物理化学原理出发去折叠蛋白。说白了，就是模拟蛋白在真实环境中如何通过能量最小化找到稳定构象。

这个想法很美好，但现实很残酷。你算一下：一个有100个残基的蛋白，每个残基的phi/psi角各有几种可能，构象空间差不多是天文数字。用分子动力学去全空间搜索，算到宇宙毁灭也算不完。

所以从头预测做了两个重要妥协：

简化模型：把氨基酸骨架用粗粒化模型替代，降低自由度
片段组装：从已知结构中剪取短片段（如9肽），用能量函数挑选最合理的组合

Rosetta就是这种思路的代表。它的流程大概是这样：

# Rosetta从头预测流程（简化）
1. 片段库生成：
   - 用局部序列相似性获取3残基/9残基片段
   - 每个位置保存200个候选片段

2. 初始结构生成：
   - 随机从片段库中取样片段
   - 组装成延展链构象

3. 蒙特卡洛优化：
   - 每次替换一个片段的构象
   - 用Rosetta能量函数打分
   - 接受能量降低的移动，以一定概率接受能量升高的移动（防止陷入局部最优）

4. 聚类与挑选：
   - 生成数千个独立模型
   - 聚类分析，选出能量最低且cluster最大的代表模型

注意：从头预测的计算成本极高。对于一个100残基的蛋白，生成10000个独立模型往往需要上千CPU小时。我建议只在对目标蛋白完全找不到模板、且你有足够计算资源的情况下才考虑它。

四、深度学习：颠覆性的新范式

2018年之前，蛋白结构预测的格局差不多就上面这些了。但DeepMind在2018年CASP13上推出的AlphaFold，用深度学习彻底改变了这个领域。

为什么以前的方法效果受限？我举个简单的例子：早期打分函数里，一个残基对的接触势能通常只考虑它们之间的距离，但真实蛋白里，两个残基是否形成接触还受到它们所处的二级结构、溶剂环境、以及整个网络拓扑的影响。这些高阶关联特征，传统方法很难建模。

深度学习做的核心事情，就是从数据中自动学习这些特征的表示。它不需要人工设计哪个成对势能参数该设成0.8还是1.2，而是通过大量已知结构直接“学”出规律。

关键的技术突破包括：

残基间距离预测：用深度残差网络预测每对残基的Cβ距离分布，再做距离约束
注意力机制：在Evoformer模块里，利用轴向注意力捕捉序列谱中的全局和局部关联
端到端训练：直接从多序列比对（MSA）和模板特征预测最终结构坐标

下面是几种主流深度学习方法的演进关系：

方法名称    发布年份    核心特点                      CASP排名
AlphaFold    2018       远距离接触图预测              CASP13第一
AlphaFold2   2020       端到端可微结构生成            CASP14第一 (GDT_TS 90+)
RoseTTAFold  2021       三轨架构（MSA+pair+seq）      接近AlphaFold2水平
OmegaFold    2022       单序列预测，不依赖MSA        中等同源场景表现好

我个人的建议：如果你现在要做一个蛋白结构预测项目，默认选项应该是AlphaFold2或RoseTTAFold。它们在同源/折叠识别场景下的精度，已经逼近实验验证水平（GDT_TS > 80%）。但要注意，对于无同源、新折叠的孤儿序列（Orphan），OmegaFold这种单序列方法可能更合适，因为它不受MSA质量限制。

嗯，这里要注意一个容易被忽略的点。深度学习方法对输入质量非常敏感。我曾经踩过一个坑：同样的序列，用不同版本的同源搜索工具建出来的MSA，AlphaFold2预测出来的结构局部区域能差好几个Å。后来我发现，MSA的深度和多样性比原始序列对齐的精确度更重要。所以在实战中，我建议你要额外花时间调好MSA构建的参数。

方法选择：一张图看懂怎么选

我把四种方法的核心差异和适用场景汇成了一张路线图。看完这个，你应该能快速判断自己该用哪种方法。

方法的演进：从手工特征到端到端学习

下面这个表格，我把四种方法的关键差异列在一起，你可以快速对比。

维度	同源建模	折叠识别	从头预测	深度学习
依赖模板	强依赖	依赖	不依赖	可选强化（端到端也可不要）
计算成本	低	中等	极高	中等（需GPU）
适用场景	序列相似度高	序列相似度低但折叠已知	全新折叠	全覆盖（尤其是同源场景）
典型GDT	70-95%	40-70%	30-50%	70-95%（同源）；50-70%（新折叠）
典型工具	MODELLER, SWISS-MODEL	I-TASSER, HHpred	Rosetta, QUARK	AlphaFold2, RoseTTAFold

对初学者的建议：别纠结于“哪个方法最准确”。我的经验是，在实战中先跑最简单的——同源建模。如果结果是负面的（比如找不到模板或模板太差），再逐步升级到更复杂的方法。这样做的好处是：如果低成本方法就够了，你就不需要为了一个20Å的RMSD去等两天。

回顾这一章，我其实想表达一个核心点：方法的选择本质上是一个在精度、成本和可靠性之间做权衡的问题。同源建模最快，但吃模板；从头预测最灵活，但吃算力；深度学习在很多场景下是最佳折中，但也不是万能的——比如对于大型复合物、或者高度无序的蛋白，它到现在也表现一般。