Evidence-guided paper · 2026 · indirect-modern · full-text

豐富結構字母帶來高準確蛋白質搜尋（Reseek v3 預印本）

Robert C. Edgar. Rich structure alphabets enable highest accuracy protein search. bioRxiv preprint (2026).

30 秒理解

Reseek v3 以多個結構 alphabet 與層級專用統計模型擴張狀態空間，針對 family／superfamily／fold 分別校準搜尋。

核心問題

能否用分層 filters、更多結構 alphabets 與 family/superfamily/fold 專用統計模型，在 AI-scale 結構庫維持更高搜尋準確度？

直覺

Reseek v3 先用很小的 κ alphabet 找 two-hit diagonals，再用單 byte ν alphabet 做 SIMD Smith–Waterman，最後才用約 5×10^22 states 的 Mega′ 精排；高分 alignment 再融合 reverse score、LDDT 與 DALI signal。

為什麼重要

預印本在 SCOP40/SCOP40c/CATH40 的多種 collection 與 categorization metrics 報 Reseek-sensitive median rank 1，且 pairwise rank test 顯著；但它是單一作者、未同行審查、自訂 summary metrics，FAST 也未納入。

閱讀前置

  • 理解 structural alphabet、spaced seed 與 SIMD Smith–Waterman。
  • 知道 CVE、PR、ROC 與 collection/categorization 的差異。
  • 能辨識預印本、作者 benchmark 與獨立驗證的證據層級。

paper-specific guide · plain → technical → input → output → source

逐步方法導讀

  1. 01 · κ spaced-seed 快篩

    先把每個 residue 壓成 32 種很粗的狀態，只找兩個落在同一 diagonal 的相似 7-mers，迅速丟掉絕大多數不可能 pairs。

    論文語言: Kappa32=aa4×sec4×pm2；k=7，spaced pattern 1010011。Reseek 將 query k-mers 建 inverted index，RAM 大致隨 query size 而非 database size 增長。

    輸入: query/database 的 κ sequences。

    輸出: 通過 two-hit diagonal 的少量候選 pairs。

    邊界: filter 會丟棄部分真陽性；fast/sensitive presets 正是在速度與 sensitivity 間換取。

    PDF pp. 2 and 5, Methods: Algorithm workflow; PDF p. 10, Fig. 1

  2. 02 · ν filter 後用 Mega′ 精排

    第二關用 256 狀態的一 byte 表示快速做 local alignment；只有分數夠高者才建更昂貴、融合許多特徵的 Mega′ profiles。

    論文語言: Nu256=aa4×sec32×pm2，modified Parasail 做 SIMD Smith–Waterman；forward+reverse ν score 再篩選。Mega′ 是 component alphabets 的 weighted product，約 5×10^22 states，on-the-fly profile 再做 forward/reverse alignment。

    輸入: 通過 κ 的候選與 ν/Mega′ profiles。

    輸出: 高資訊量 local alignments 與 forward/reverse scores。

    邊界: Mega′ 建構較貴；速度依前兩層 filter 的 hit rate 與 query/database 分割方式。

    PDF pp. 2–3 and 5, Algorithm workflow; PDF p. 10, Fig. 1

  3. 03 · 用任務專用 test statistic 排名

    family、superfamily、fold 不是同一種相似；v3 為三者各自學權重，再把 alignment、短程 LDDT 與長程 DALI signal 合成 P-value。

    論文語言: TS 是 forward/reverse Mega′ scores、LDDT、DALI 的 weighted combination，權重以 Hooke–Jeeves optimization 調整；P-value 依 truth standard 作 log-linear fitting。LDDT 幾乎只貢獻 family，DALI 幾乎只貢獻 fold。

    輸入: 通過所有 filters 的 alignment signals 與指定 family/superfamily/fold model。

    輸出: 任務特定 P-value、排序與 top hits。

    邊界: 用錯 statistical model 會明顯改變 hit order；使用者必須先定義搜尋目的。

    PDF pp. 3–4, Results: Model weights; PDF p. 13, Fig. 4

關鍵結果

作者報告跨指標 median rank 1，但這仍是單一作者預印本與搜尋準確率主張。

逐節證據導讀

論文事實、本站判讀與教學模型分開標示。

paper-fact

median rank 1 到底代表什麼

Table 3 對多個 reference×truth×metric combinations 排名：Reseek-sensitive median rank 1、Reseek-fast 2、TM-align 3、DALI/Foldseek 4。指標包括 collection Sum3/PR90 與 categorization Top3。

Table 4 以 Wilcoxon signed-rank 比較 ranks，Reseek-sensitive 對 DALI p=.0007144、Foldseek 1.198×10^-5、TM-align .0005855、Reseek-fast 2.705×10^-6。這支持作者定義的多任務排名，不是每個 pair 的幾何勝利。

原文定位: PDF pp. 3 and 21–22, Tables 3–4

project-reading

summary metrics 也帶有價值選擇

Sum3=2×SEPQ0.1+1.5×SEPQ1+SEPQ10，明確給低 false-positive regime 較高權重；PR90 是 precision=.9 時 recall；Top3 也對 .1%、1%、10% error rates 加權。

這些選擇合理但不是自然常數。若使用者重視 exhaustive collection、不同 error budget 或 geometry，median rank 可能改變；所以應保留 raw curves 與 metric definition。

原文定位: PDF pp. 6–7, Methods: Collection accuracy and Categorization accuracy

paper-fact

AI-scale 可行，不等於嚴謹速度冠軍

AFDB50 約 54M structures 的示範中，100 queries：Foldseek 9m、Reseek-fast 6m、sensitive 23m；1,000 queries：19m、61m、4h。記憶體則 Foldseek 227/284GB，Reseek 約 4.4–6.7GB。

作者明示兩法索引方向與 scaling behavior 差異太大，這些只是 anecdotal examples，不是 commensurate rigorous comparison。再加上單一作者預印本與 FAST 缺席，證據標籤應是 indirect-modern/preprint。

原文定位: PDF p. 4, Scaling to large databases; PDF p. 19, Table 1

研究設計與評估

資料與樣本

SCOP40、curated SCOP40c、CATH40，涵蓋 family/superfamily/fold truth；另以 AFDB50 約 54M structures 作 scaling demonstration。

比較基準

  • DALI、Foldseek、TM-align。
  • Reseek-fast 與 Reseek-sensitive 兩個 operation points 互相比較。

指標

Sum3 / PR90
collection search 在多個 FPEPQ 或 90% precision 的 sensitivity/recall。
邊界: Sum3 權重為作者設計，且 filtered tools 不輸出完整 score curve。
Top3
leave-category-out top-hit categorization 在多個錯誤率的加權 sensitivity。
邊界: 只看 top hit，不能代表全面收集所有 homologs。
Median method rank
跨 reference、truth 與 summary metrics 的排名中位數。
邊界: 忽略 effect size，且受 metric set/weights 選擇影響。

論文報告的結果

在作者定義的多組 retrieval metrics 中，Reseek-sensitive median rank 1 且顯著高於 baselines；結果尚未同行審查、未獨立重現，也未比較 FAST。

PDF pp. 2–7, Results and Methods; PDF pp. 10–14, Figs. 1–5; PDF pp. 21–22, Tables 3–4

teaching-model · not a reported experiment

教學例（不是論文實驗）

為何 family model 不應拿來找 fold

query 與 target 序列已高度分化，但共享相同 fold；它們局部 secondary-structure packing 相似，amino-acid identity 很低。

  1. family model 對 aa20 給約 61% 權重，低序列相似會把 pair 往下排。
  2. fold model 降低 primary sequence、提高 nensec32 至 27%，並主要使用長程 DALI signal。
  3. 同一 raw alignment 因 truth objective 不同而排序不同；選 model 是科學問題的一部分。

帶走什麼: 『蛋白相似』不是單一關係；family、superfamily、fold 需要不同 evidence weighting。

indirect-modern

相對 FAST 的證據邊界

FAST 未被比較；而且搜尋準確率不等於更低 RMSD 與更高 coverage。

合法來源與取用

22 pages · SHA-256 5a45b5d76cac3ca54fd5425d166a043f8b90de89258cd58d8ad68bb8c3f8c9f5

2026-07-30 v1 預印本，尚未同行審查。

bioRxiv preprint PDF

限制與防誤讀

  • 未同行審查且缺乏獨立重現。

證據定位清單

  1. PDF pp. 2–5, Results and Methods overview
  2. PDF pp. 5–7, Methods: Algorithm workflow and accuracy definitions
  3. PDF pp. 19–22, Tables 1–4
  4. PDF pp. 10–18, Figs. 1–9

理解檢查

  1. median rank 1 是否等於所有 metric 都第一？

    答案: 不等於；Table 3 仍有 Reseek-sensitive 排第 2 或第 3 的欄位。

    median 摘要整體位置，不抹除 task-specific exceptions。

  2. 為何 AFDB50 的 100-query 與 1,000-query 速度會翻轉？

    答案: Reseek 索引 query、Foldseek 索引 database，兩者時間與記憶體隨 query/database size 的 scaling 不同。

    因此單一規模的速度比不能外推成普遍倍率。

  3. 這篇能否證明 Reseek v3 在 RMSD＋coverage 勝 FAST？

    答案: 不能；FAST 未比較，主結果是 retrieval ranks。

    要回答幾何問題需另做同 pair、同 coverage rule 的 alignment benchmark。

讀完標準: 從 Table 3 找出 Reseek-sensitive 不是第一的三列，逐列說明 truth/reference/metric 改變了什麼，再評估 median rank 是否掩蓋重要例外。

本篇詞彙表

spaced seed
只在指定 pattern positions 比較字元的 k-mer seed，可容忍部分差異。
collection
在可接受 errors 下盡量找回多個相關 structures 的任務。
categorization
用 top hit 把 query 指派到 family/superfamily/fold category。
Mega′
將多個 sequence/structure alphabets 加權組合的高容量 residue representation。