只看序列也能找到远亲蛋白:S-PLM-TM在30%同源性以下领先,检索43万条库仅用8.6秒
核心概要
远缘同源蛋白的序列相似度常低于30%,传统序列比对在此区间难以区分真同源与无关蛋白,而结构比对又需要每个条目都有结构。S-PLM-TM把结构信息在训练阶段写入仅含序列的蛋白语言模型表示,推理时只编码序列,再用一个轻量校准头把嵌入相似度换算成结构相似度分数。在SCOPe家族与超家族检索中,它在30%同源性以下三个区间取得最高平均AUC-1FP;对430,140条Swiss-Prot靶标完成957次检索用时8.6秒,平均精度0.638为序列类方法最高。
深度剖析
远缘同源检索现在可以只输入氨基酸序列,就得到按结构相似度排序的候选,而不必先为查询和数据库条目预测结构。 此前的序列检索工具在成对同源性低于25%至30%的区间灵敏度下降,结构比对工具虽然更灵敏,却要求查询和每个数据库条目都有可靠结构。 在SCOPe家族级检索中,S-PLM-TM在[0,10)、[10,20)和[20,30)%三个同源性区间的平均AUC-1FP分别为0.482、0.788和0.942,高于PLMSearch的0.419、0.717和0.886以及TM-Vec的0.252、0.698和0.909。
结构知识在预训练阶段进入序列表示,推理阶段只保留冻结的序列编码器和一个校准头。 此前的表示类方法把结构只当作蛋白对上的标量标签,编码器本身从未见过三维结构。 训练时用跨模态流匹配把残基级序列表示映射到结构表示,并用结构软化的负样本做蛋白级对比学习;校准头在冻结编码器上用TM-align测得的TM-score训练,把余弦相似度换算为结构相似度。
同一套序列表示还能支撑酶功能检索和残基级比对,扩展了检索结果的生物学用途。 全局结构相似度不足以区分共享折叠但催化功能不同的酶,因为催化功能常由少数活性位点残基决定。 在DEER的微生物—宿主同工酶任务上,未加EC监督的S-PLM-TM平均召回为0.266±0.040,与最强结构比对工具Dali的0.263±0.040相当;加上EC头后平均召回为0.382±0.042,与使用结构输入的DEER模型0.393±0.043差异不显著(校正P=0.73)。
启示与展望
演示范围限于SCOPe、CATH-S20、GO功能一致性、DEER同工酶以及SCOPe对Swiss-Prot的43万条规模检索;大规模基准的查询与靶标集由作者从PLMSearch发布的数据重建,真值由自行计算的全对全TM-align矩阵给出。Pfam clan预过滤在结构域数据库上提升检索,在全长蛋白库上反而降低平均精度,因此大规模结果未使用该过滤。
作者指出,Pfam clan预过滤的最优用法取决于靶标数据库,结构域库与全蛋白库的最佳设置不同,用户需自行决定是否启用,或对每个查询分别运行两种设置再合并结果。作者还提出需在更广的类群与数据库组成上评估,尤其是来自代表性不足物种和宏基因组样本的蛋白,才能判断方法在现有基准之外的泛化程度。
