第3章 特征提取原理：从原始序列和模板中提取特征
哎，聊到特征提取，很多教程一上来就甩公式。但我觉得，先把根基打牢更重要。你想想，AlphaFold里的EvoFormer为什么能预测得那么准？说白了，就是它把人能想到的、能算出来的各种特征，全都喂给了模型。这一章，我们就聊聊这些特征是怎么从原始数据里“榨”出来的。
3.1 从序列到数字：One-hot编码
蛋白质序列就是一串字母，模型不认识字母，只认数字。所以第一步，就是把这串字母变成模型能消化的东西。最直接的方法，就是One-hot编码。
One-hot的原理很简单： 20种标准氨基酸，每种用一个20维的向量表示。这个向量里，只有该氨基酸对应的位置是1，其他都是0。比如丙氨酸（A）可能对应第一个位置是1，其他19个位置是0。
举个例子，序列 “ACD” 经过One-hot会是这个样子：
氨基酸 A: [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
氨基酸 C: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
氨基酸 D: [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]我刚接触这个领域时，觉得One-hot这么简单，能有啥用？后来在项目里吃过亏才知道，它虽然“笨”，但胜在无偏和完备。模型可以在训练过程中自己学习到哪些氨基酸是相似的，不需要我们人为定义。
不过，你也要注意，One-hot编码有两个明显的坑：
- 稀疏性： 一个序列有L个残基，每个残基用20维表示，那这个矩阵就是L × 20的，绝大部分元素都是0。这会让模型很难学到有效特征。
- 没有语义信息： 它只告诉你“这是什么氨基酸”，但没告诉你“这个位点上的氨基酸重不重要”。
3.2 进化信息的金矿：PSSM
One-hot搞定了“是什么”，但没回答“这个位置有多重要”。PSSM就是来解决这个问题的。
PSSM全称是位置特异性得分矩阵。 它是怎么来的？拿你的目标序列去跟一个大型蛋白质序列数据库（比如UniRef100）做多序列比对。比对结果中，每个位点上，20种氨基酸出现的频率是不一样的。PSSM就是把这些频率信息，转换成一个得分矩阵。
这里面有个关键点：进化保守性。某个位点上，如果所有同源序列几乎都是同一个氨基酸，那这个位点得分就很高，说明它对于蛋白质结构和功能很重要。反之，如果什么氨基酸都能出现，得分就很低。
一个标准的PSSM矩阵，形状也是L × 20。但里面的值不再是0或1，而是经过对数比值转换后的得分。数值越高，表示该氨基酸在该位置的保守性越强。
我建议你记住这个对比：
| 特征 | One-hot | PSSM |
|---|---|---|
| 信息类型 | 离散的、身份信息 | 连续的、进化信息 |
| 数值范围 | {0, 1} | [-∞, +∞]（通常归一化到[-1, 1]） |
| 计算成本 | 极低 | 高（需要多序列比对） |
| 对空位处理 | 无 | 可以反映插入/缺失区域 |
3.3 向真实世界学习：模板特征
序列信息再多，也是“纸上谈兵”。真正能告诉模型蛋白质应该长什么样的，是实验测出来的结构，也就是模板。EvoFormer在提取模板特征时，不是直接拿结构坐标，而是提取那些对模型训练更友好的特征。
我从模板里通常提取这几类信息：
- 残基对的距离图： 这是最核心的。把模板里每两个Cβ原子之间的距离算出来，形成一个L × L的距离矩阵。模型本质上是在预测这个。
- 主链二面角： ϕ和ψ角。这两个角度决定了主链的走向，属于非常强的先验知识。
- 掩码信息： 不是所有模板都能覆盖整个序列。哪些位置有模板匹配、哪些没有，这个信息也要喂给模型，不然它会“乱猜”。
这里有个坑——我之前踩过。模板结构可能有局部错误或不一致性。比如你用PDB里2.0Å分辨率的模板和一个3.5Å分辨率的模板，它们在某些环区的结构可能完全不同。EvoFormer的处理方式是用多个模板取平均，但内部其实还有一个可学习的“模板注意力”机制，来自动给质量高的模板更高的权重。
3.4 汇流成河：构建初始特征张量
好，现在我们有了一堆特征：One-hot、PSSM（都是L × 20的矩阵）、模板特征（L × L的距离图、L × 2的二面角等）。怎么把它们组合起来，变成一个模型能一次性处理的“大矩阵”？
EvoFormer的做法很巧妙，它把特征分成两个层面：节点特征和边特征。
- 节点特征（Pairwise representation）： 描述“这个残基本身是什么”。比如，把One-hot和PSSM沿着特征维度拼接，形成一个L × （20 + 20） = L × 40的特征。这个就是初始的节点特征。
- 边特征（Pairwise representation）： 描述“两个残基之间的关系”。比如，模板距离图L × L，再加上其他残基对特征（比如相对位置、轴向旋转角等），拼成一个L × L × C的三维张量。
构建的过程，可以这样理解：
# 伪代码示意
L = seq_length
one_hot = create_one_hot(sequence) # L x 20
pssm = get_pssm(sequence) # L x 20
node_feat = concat([one_hot, pssm], axis=-1) # L x 40
# 模板特征
template_dist = get_template_dist(seq, pdb_id) # L x L
relative_pos = compute_relative_positions(seq) # L x L
edge_feat = stack([template_dist, relative_pos], axis=-1) # L x L x 23.5 一张图总结特征提取流程
为了让你更直观地理解，我把整个流程画了张图。它展示了从最原始的输入（序列和模板）到最终初始特征张量的完整路径。
3.6 小结：核心概念串一串
这一章我们讲了三个核心概念：
- One-hot编码：最基础的“身份证明”，告诉模型每个位置是什么氨基酸。
- PSSM：进化信息的浓缩，告诉模型哪些位置是保守的、重要的。
- 模板特征：来自实验结构的先验知识，告诉模型真实的蛋白质空间是什么样。
这三类特征最终被组合成L × C的节点特征和L × L × C的边特征，构成EvoFormer的“初始输入”。这个过程看似简单，但我这几年折腾下来，发现很多人翻车都翻在对齐和归一化上。希望你能少走弯路。