冲田杏梨种子 港中语/复旦/耶鲁等携手建议全新卵白质同源物检测要道

卵白质是组成生命的物资基础冲田杏梨种子，是生命行动的主要承担者。在后基因组时期，跟着卵白质测定技艺的发展，卵白质序列数据库界限呈爆炸式增长。为了真切了解卵白质的万般性和功能，识别卵白质在生物学中也就显得尤为垂死。

在对卵白质的识别历程中，卵白质序列的同源性已但是是其中一项至关垂死的任务，它大概匡助科学家们默契卵白质的进化关系、结构特征以及功能。传统的卵白质序列比对要道固然在许厚情况下发达出色，但在靠近远端同源物时显过劲不从心。这些远端同源物由于序列相似性较低，在老例比对中接续被冷落，从而限度了商榷东说念主员对卵白质万般性和复杂性的全面意志。

为惩处卵白质远同源性商榷的痛点，基于卵白质说话模子和密集检索技艺 (dense retrieval)，香港中语大学李煜，连合复旦大学智能复杂体系实验室、上海东说念主工智能实验室后生商榷员孙想琦、耶鲁大学 Mark Gerstein 建议了一种超快速、高智慧度的同源物检测框架——密集同源物检索器 (DHR)。

DHR 能在不依赖传统序列比对的情况下，通过双编码器结构和卵白质说话模子的强盛智商，已然那些掩盖在序列深处的远端同源物，为同源物已然带来了前所未有的速率和智慧度。该商榷以「Fast， sensitive detection of protein homologs using deep dense retrieval」为题，发表在外洋著明期刊 Nature Biotechnology 上。

商榷亮点：

* 与往日的要道比较，DHR 的智慧度提精湛 10%，关于那些使用基于比对要道难以识别的样品，在超家眷水平上的智慧度提高了超 56%

* DHR 编码查询序列和数据库的速率比 PSI-BLAST 和 DIAMOND 等传统要道快 22 倍，比 HMMER 快 28，700 倍

论文地址：

汤加丽

https://doi.org/10.1038/s41587-024-02353-6

开源技俩「awesome-ai4s」相聚了百余篇 AI4S 论文解读，并提供海量数据集与器具：

https://github.com/hyperai/awesome-ai4s

多维度构建数据集，旨在探索更平时的卵白质序列谱系

该商榷构建的老师集包括从 UR90 中悉心挑选的 200 万个查询序列。行使 JackHMMER 算法，该商榷在 Uni-Clust30 中迭代搜索候选序列，并将候选序列与多序列比对 (MSA) 进行比对。每个 MSA 包含 1，000 个同源物，确保只保留最商酌的序列。经过严格的筛选后，JackHMMER 被从新部署来处理赢得的不同序列，并与 AF2 (AlphaFold 2) 使用探求的超参数建造，以便于进行刚正比较。

在大数据集商榷方面，该商榷采用了 BFD/MGnify 数据集，这是一个宽阔的数据库，包含了大致 3 亿个卵白质，以便大概探索更平时的卵白质序列谱系。

DHR 要道：一种超快速、智慧的卵白质同源物搜索管说念

DHR 要道的中枢想想是将卵白质序列编码成密集的镶嵌向量，从而灵验地策画出序列间的相似性。具体来说，该商榷通过运协调 ESM 和集成对比学习技艺来灵验老师序列编码器，从而为卵白质说话模子的构建创造了条款，并使得 DHR 能被更灵验的用来检索同源物。

如下图 a 所示，跟着双编码器老师阶段的完成，该商榷大概生成高质地的离线卵白质序列 (protein sequence) 镶嵌。然后，该商榷行使这些镶嵌 (embedding) 和相似搜索算法 (similarity search algorithms) 来检索每个查询卵白的同源体 (homologs)，通过指定相似度动作检索筹划 (retrieval metric)，不错比传统要道更准确地找到近似卵白质，况兼使用两个卵白质之间的相似性进一步分析。临了，JackHMMER 构建检索到的同源物 MSA，该商榷就得到了大概快速灵验发现同源物的 DHR 技艺。

DHR 框架老师结构

不仅如斯，该商榷还征战了一个搀杂模子 DHR-meta，它通过团结 DHR 和 AF2 default，在 CASP13DM（结构域序列）和 CASP14DM 靶标上的发达优于单独的管说念。

在赢得生成的卵白质镶嵌后，该商榷将其与尺度 SCOPe（卵白质结构分类）数据集上的要道进行比较冲田杏梨种子，从而评估 DHR 的性能。如下图 c 所示，DHR 数据的智慧度优于其他要道。

DHR 与其他要道的智慧度比较

另外，如下图 h 所示，在 d1w0ha 查询的具体示例中，PSI-BLAST 和 MMseqs2 都莫得匹配到任何终端，但 DHR 检索到了 5 个同源物，这些同源物在 SCOPe 中也与 d1w0ha 被归为归并家眷。这意味着 DHR 不错拿获更多的结构信息。相较于 PSI-BLAST、MMseqs2、DIAMOND、HMMER 等传统要道，DHR 检测到的同源物最多（智慧度为 93％），这标明，DHR 大概整合丰富的结构信息，况兼在许厚情况下智慧度可达到 100％。

基于 k-mer 要道在 c.55.3.5 家眷中的商榷

为了加强商榷终端的真正度，该商榷还纳入了另一个尺度筹划，即第一次 FP 前的弧线底下积。终端标明，如下图 d 所示，DHR 达到 89% 的分数，同期其他要道也发达出了与 DHR 至极的性能，但它们的延迟时刻显豁更长。当该商榷进一步分析更具挑战性的远亲同源物的超家眷水平时，整个要道都资格了权臣的性能下落，合座下落了大致10%。尽管如斯，DHR 的发达仍然保握最初，其 AUC-1FP 分数高达 80%。

不同要道在 SCOPe 家眷和超家眷的 AUC-1FP 筹划对比

该商榷还发现，在使用 BLAST 对 SCOPe 数据库和 UniRef90 进行对比分析时，大多数样本产生的匹配数目少于 100 个，以致有大致 500 个样本莫得得到任何匹配，标明这些样本是老师数据集「未见过的」的结构。动作对比，DHR 靠近这些结构时仍然罢了了高质地的猜度，达到了 89% 的 AUC-1FP 得分，这标明 DHR 有智商处理全新数据。

在同源检索历程中，如下图 a 所示，该商榷发现 DHR 序列镶嵌包含大都的结构信息，况兼 DHR 检索到同源物的准确性以致越过了基于结构对王人 (structure-based alignment methods) 的要道。基于这一终端，该商榷进一步揭示了 DHR 的序列相似性排行和结构相似性的商酌性。

DHR 的 t 漫步立时镶嵌可视化图

商榷终端：DHR 的准确性和灵验性更优，可在大界限数据集上构建高质地 MSA

该商榷使用 DHR 提供的同源物从 JackHMMER 中创建 MSA，并将其与 AF2 默许管说念进行了比较。如下图 a 所示，DHR + JackHMMER 整个设置的平均运行速率都快于 AF2 的普通 JackHMMER。而且，DHR 在 UniRef90 上构建 MSA 时与 JackHMMER 重复了大致 80%，这标明好多与 MSA 商酌的卑鄙任务不错使用 DHR 延迟，既能产生近似的终端，速率还更快。

不同 TOP-K 条款下的策画速率

如下图 e， f 所示，DHR 的另一个上风是能在恒定的时刻内，构建探求数目不同长度的同源物，而 JackHMMER 则是线性扩展的。而且与 AF2 比较，DHR 还大概为查询镶嵌 (query embedding) 提供更多的同源物和 MSA。这些终端都标明，DHR 是一种针对整个类别的 MSA 构建均有出路的要道。

不同建造下使用 DHR 构建 MSA 的序列长度

固然 DHR 大概产生不同的 MSA，但该商榷还进一步分析了它是否不错动作 AF2 基准的 MSA 补充。商榷终端发现，如下图 a， b 所示，在不同的 DHR 建造下合并整个 MSA 与 AF2 的性能最好。这意味着 DHR 不错快速且准确的为 AF2 的 MSA 管说念进行补充。

不同 DHR 设置的 TM分数和 lDDT 评估

为了老师大说话模子对卵白质结构猜度的潜在益处，该商榷评估了整个在 CASP14DM 靶点上用大说话模子替代 MSA 是否会产生更好的终端。如下图 c 所示，在具有大都可用 MSA 的肤浅情况下，说话模子不错传递与 MSA 相同多的信息。但跟着序列长度的加多，DHR-meta 的性能越来越好，在险些整个情况下都优于 ESMFold。这意味着与基于说话模子的要道比较，基于 MSA 的模子不错大大提高猜度的准确性和灵验性。

猜度结构中 MSA log Meff 与 TM-score 的关系

为了商榷 DHR 在大数据王人集的扩展性，该商榷基于 BFM/MGnify 对 DHR 进行了真切分析。如下图 b 所示，在猜度调频靶卵白（FM targets）结构的复杂场景中，DHR 大概通过生成更有益想的 MSA 而脱颖而出，使用 MMseqs2 构建 MSA 的 ColabFold 要道的性能逾越 0.007 个 TM-score。

不才图 c 中，相干于 ColabFold-MMseqs2， DHR 透露了狭窄的性能编削。下图 d 也标明，在对 CASP14 和 SCOPe 进行相似性测试后发现，DHR 不是肤浅地记取查询或掷中的终端，而是对整个方向进行了全面的相似性评估。这些终端都证明，DHR 大概在具有高万般性的大界限搜索数据集上构建无序卵白的 MSA。

在 CASP15 上扩展 DHR 并对其进行评估

卵白质结构猜度领域的后生力量

无用置疑，卵白质结构猜度在药物研发、抗体遐想等应用中阐明着垂死作用，AI 或将成为惩处卵白质结构猜度精度有限这一历史性周折的破局要害。在这一要害领域，国内的科研团队照旧渐渐酿成畅所欲言之势，冉冉起飞的年青商榷学者也成为了一股弗成冷落的力量，牵头上述商榷效果的李煜与孙想琦都是其中的杰出人物。

李煜

李煜于 2015 年，在中国科学技艺大学贝时璋精英班赢得生物科学荣誉学士学位，于 2016 年 12 月在沙特阿卜杜拉国王科技大学 (KAUST) 赢得策画机科学硕士学位，并在 2020 年赢得该校策画机科学博士学位。

同庚 12 月，他归国加入香港中语大学策画机科学与工程系，担任助理讲明，教会医疗保健东说念主工智能 (AIH) 小组，围绕机器学习、医疗保健和生物信息学的交叉点张开深度商榷，指挥团队征战新的机器学习要道来惩处生物学和医疗保健中的策画问题，至极是结构化学习问题。

面向其所深耕的生物学与医疗保健领域，李煜暗意，「我的始终方向是编削医疗保健系统，通过进步东说念主们的健康和福祉，平直造福社会」。值得一提的是，他还曾入选 2022 年福布斯亚洲「30 位 30 岁以下精英」榜单（医疗保健与科学领域）。

孙想琦

孙想琦曾在巨匠卵白质结构猜度比赛中赢得优异收获，现担任复旦大学智能复杂体系基础表面与要害技艺实验室和上海东说念主工智能实验室后生商榷员。他竭力于深度学习在生命科学和当然说话处理等交叉学科中的应用商榷，并侧重于提高模子的精度和速率，惩处模子在推行落地中的具体问题。

在卵白质猜度方面，他专注于通过深度学习模子来猜度卵白质的结构和序列，通过老师模子来识别序列中的模式和限定，从而猜度卵白质的序列和折叠时势，编削卵白质从新测序和结构猜度的准确性和效劳，进而创造药物遐想和疾病协调的新可能。

在国内的 AI4S 领域，正在活跃越来越多的后生力量。不错意象，AI 技艺将在卵白质结构猜度领域阐明愈加要害的作用，但说念阻且漫长。可喜的是，国内科研团队展现出了九死无悔的探索精神和立异智商，不仅在算法优化和模子构建高下功夫，更在数据处理、实验考据等方面进行了真切商榷冲田杏梨种子，以确保商榷效果的科学性和实用性。这些努力正在舒服协调为本色应用，为医药研发、生物技艺等领域带来了新的活力和但愿。