第2章：蛋白质结构比对的基本概念

做结构比对之前，得先把「我们到底在比什么」讲清楚。我入行那会儿，一上来就甩两个PDB文件，直接用RMSD数值做判断，结果发现数据对不上。后来才明白——比对的基础没打好，后面全是糊涂账。

说白了，蛋白质结构比对就是找出两个结构在三维空间里有多像。它不同于序列比对（那是在一维字符上找匹配），结构比对要考虑原子坐标、刚性旋转平移、以及残基对应关系。你想想看，连对应残基怎么配、对齐方式怎么选都没定，那RMSD也好TM-score也好，算出来的数字都是废的。

2.1 比对的对象是什么？

一个蛋白质结构，本质上是一组原子坐标。PDB文件里存着每个原子的x、y、z坐标，以及残基名称、链编号等元信息。做比对时，我们通常只取一部分关键的原子位置来比较。

最常见的几个选择：

• Cα原子：每个残基的α碳，是骨架的代表。我一般在做粗粒度比对时用这个，计算快，而且鲁棒性不错。
• 主链原子（N、Cα、C、O）：四个原子构成肽键平面，能反映局部骨架构型。
• 全原子（重原子）：适合高精度场景，但侧链柔性会引入噪声——这个我在做药物对接验证时深有体会。

2.2 比对的三个基本步骤

无论用什么指标，结构比对都逃不开这三步：

1. 定义对应关系：两个结构里哪些残基是「对应的」？通常是同源残基对，或者经序列比对后匹配的位置。
2. 旋转平移叠加：固定一个结构，把另一个结构做刚体变换（旋转+平移），使得对应原子之间的均方差最小。这叫最小二乘叠加（Least-Squares Superposition）。
3. 计算相似度指标：叠加完成后，再算RMSD或TM-score来量化差异。

注意，第二步和第三步的顺序很重要。我以前见过有人直接拿原始坐标算RMSD，还没做对齐就算——那其实是比较两个结构在绝对坐标系下的差异，完全没有意义。

2.3 旋转平移叠加的数学逻辑

叠加的核心是寻找一个旋转矩阵R和一个平移向量t，使得目标结构中的点集Q映射到参考结构点集P上，同时均方误差最小。

数学表达：

min Σ || p_i - (R·q_i + t) ||²   (对 i=1..N)

这个问题有闭式解：用SVD分解。在实际项目中，你可以直接用python的scipy或BioPython调用相应函数，不用手动写一遍SVD。但我还是建议理解原理，否则当结果异常时你根本不知道问题出在哪。

2.4 全局比对 vs 局部比对

这个分类直接影响你怎么选RMSD还是TM-score。全局比对假设两个结构整体相似，所有残基都参与叠加和计算。局部比对只考虑结构域或核心片段，适合看功能位点或折叠模式。

但在实际工作中，两者之间的界限其实很模糊。比如两个同源蛋白虽然整体折叠相似，但N端尾巴一个长一个短，如果做全局比对，那条尾巴会拉高RMSD，掩盖核心区域的相似性。这时你会倾向于做局部比对，只比对共同结构域。

下表总结了几个关键区别：

特性	全局比对	局部比对
对应残基范围	全部残基（或全部匹配残基）	只取结构相似区段
叠加对象	整个模型	选定子区域
RMSD适用性	整体结构高度相似时有效	受局部构象差异影响小
TM-score适用性	天然耐局部差异	同样可用，但参数需调整
典型应用场景	同源模型评估、结构域重复	柔性区域分析、功能位点比对

举个例子：你要验证晶体结构与AlphaFold预测模型的差异。如果整体折叠一致，只是某些loop区域偏差较大，我建议先用TM-score看个全局感觉，再用局部比对去细化那些loop区域——这正是TM-score的优势所在，它天然给了长距离残基低权重，你不需要手动划分区域。

2.5 本章的核心概念关系

为了让你更直观地理解这些概念之间的关联，我画了一张流程图：从两个原始结构出发，经过对应关系确立、旋转平移叠加，最终走到相似度指标的计算。图里也标出了全局和局部比对的分叉点。

从图上你能看到：比对路径在「建立残基对应关系」之后分岔，全局和局部最终都回到指标计算。我个人觉得这个分岔点是最关键的决策时刻——你选择全局还是局部，决定了后面的叠加策略和结果解读。

2.6 一个小练习

找两个结构域相同的蛋白质，比如PDB里的1UBQ（泛素）和某个泛素样蛋白。手动做一次Cα叠加，思考：如果你只取核心β折叠区域做局部叠加，RMSD会变成多少？如果你把整个序列都算进去，RMSD又会是多少？你会用哪个值来向别人汇报？