SARST2：面向巨型資料庫的高通量、省資源結構比對

30 秒理解

SARST2 把一級、二級、三級結構與演化統計串成多級 filter–refine 流程，目標是在普通電腦搜尋數億個 AlphaFold 結構。

核心問題

如何在普通電腦搜尋數億個 protein structures，同時維持高 retrieval precision、完整 alignment refinement 與可控制的 memory/disk 成本？

直覺

把昂貴計算留給極少數 candidates：先用 reduced alphabets、diagonal word matching、group heads 與 ML 快速排除，之後用 AA/SSE/SARST/WCN 的 synthesized DP、entropy-guided gaps 與 TM-score 精修。

為什麼重要

SARST2 在同一 SCOP retrieval experiment 的 average precision 96.3%，FAST 95.3%，且 database search >3300×；這是搜尋任務直接勝 FAST 的清楚證據。但 FAST 沒被納入 geometric-quality comparison，所以不能由此宣稱 RMSD 更低且 coverage 更高。

閱讀前置

• 理解 filter-and-refine 與 database retrieval
• 知道 structural alphabet、dynamic programming、TM-score
• 能區分 precision/recall、alignment geometry、speed/memory

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

逐步方法導讀

1. 01 · 多層 encoding 與四道 filters

   將 structure 轉成 AA、5-symbol AAT、4-symbol SSE、23-symbol SARST 與 WCN；先只搜尋 groups 的 head，依 word matching→SARST DP→SSE+AAT DP→quick TM-score 過濾。

   論文語言: diagonal shortcut 只計算更可能形成 homolog alignment 的 word matches；DT gates 快速丟棄 nonhomologs，ANN 估 homology p-score。

   輸入: query structure 與 grouped/formatted subject database

   輸出: 小型 candidate subject pool

   邊界: ML labels 來自 SCOP family；跨 classification scheme／novel folds 需 independent validation。

   PDF pp. 2–6 and 10–12, Box 1, Fig. 1, Methods

2. 02 · 以 local＋long-range features 精修

   候選以 AA/AAT/SSE/SARST substitution matrices 與 WCN packing-density difference 合成 residue score，再做 DP。

   論文語言: WCN=Σw/d² 編碼遠距 packing；PSSM Shannon entropy 轉 conservation C(i)，與 SSE segment 共同調節 gap open/extension penalties。

   輸入: candidate structural strings、coordinates、query PSSM

   輸出: 高品質 residue correspondence 與 synthesized score

   邊界: ablation precision gain 是同一 pipeline 的 component effect，不等同每篇 case 的 RMSD gain。

   PDF pp. 4–5 and 10–11, Eq. 1–9, Table 1

3. 03 · 疊合、排序與規模化

   最後 structural superposition 算 TM-score，與 normalized DP score、ANN p-score 合成 confidence/pC-value，輸出 ranked interactive hits。

   論文語言: Go parallelization、24-bit Cα coordinate encoding、grouped database 與 one-decimal option 壓低 runtime/storage；AlphaFoldDB 215M search 用32 i9 CPUs 3.4 min、9.4 GiB。

   輸入: refined candidates 與 superposition coordinates

   輸出: 按 structural homology confidence 排序的 hit list

   邊界: pC-value 是 −log2 confidence，不具有 BLAST E-value 的 chance-expectation 統計意義。

   PDF pp. 6–8 and 11–13, Figs. 3–4, Eqs. 10–15

關鍵結果

SCOP-2.07 Qry400 搜尋平均精確率為 96.3%，高於同實驗 FAST 95.3%；作者並報告 pairwise 約 12×、資料庫搜尋超過 3300× 的速度優勢。

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

能說與不能說的 FAST 結論

Qry400 對 SCOP-2.07 family-level retrieval 使用同一 known-answer framework；11-point average precision：SARST2 96.3%、Foldseek 95.9%、FAST 95.3%、TM-align 94.1%。

單 CPU database search 達100% recall 時 SARST2 比 FAST/TM-align >3300×，pairwise 約12× faster。這支持 retrieval accuracy 與 speed；paper 的 TM-score/identity alignment-quality plot 比 SARST2、Foldseek、TM-align、BLAST，沒有 FAST。

原文定位: PDF pp. 2–3 and 5–7, Figs. 2–3; PDF p. 9, Fig. 5

paper-fact

每個元件付出的 precision 與 time

停用 synthesized DP precision −1.91 points；只停 WCN −1.27，SSE scoring matrix 改 binary −2.91，VGP −0.59。這支持 WCN 與 learned substitution matrices 的實質貢獻。

停 diagonal matching 150→470 ms，停 grouped search 150→325 ms，停 ML 150→822 ms。filters 不只是省時間，也改 candidate distribution，因此部分 ablation 同時影響 precision。

原文定位: PDF pp. 5–7, Table 1

paper-fact

規模 benchmark 與獨立性邊界

answer-seeded AlphaFoldDB-2022 215M test 中，SARST2 3.4 min/9.4 GiB，Foldseek 18.6 min/19.6 GiB，BLAST 52.5 min/77.3 GiB；formatted SARST2 DB 約0.5 TiB，raw CIF 59.7 TiB。

ML 以 Qry200 train、Qry400 test 且 families 不重疊；nrCATH40 independent test 上 Foldseek precision 比 SARST2 高0.89 point，SARST2 略勝 TM-align 且最快。這限制了『全面最準』的說法。

原文定位: PDF pp. 6–8 and 12–13, Fig. 4, Supplementary Table 7 discussion

研究設計與評估

資料與樣本

SCOP-2.07 144,879 domains/4022 families；Qry200 train、Qry400 test；nrCATH40 independent；AlphaFoldDB-2022 214,459,158 structures。

比較基準

• FAST、TM-align、Fr-TM-align、MICAN-SQ、SARST1/iSARST、MADOKA、Foldseek、BLAST/bl2seq

指標

11-point average precision

0–100% recall 共11點 precision 的平均，衡量 homologs 是否集中在 hit-list 前段。
邊界: 是 retrieval metric，不是疊合 RMSD/coverage。

search time/resources

達100% answer recall 下 wall time、memory、disk。
邊界: 依 hardware、parallel scaling、database format 與 parameters。

TM-score/identity

對 sampled homolog pairs 的 structural similarity 與 evolutionary plausibility 分析。
邊界: FAST 未出現在此直接 geometric comparison。

論文報告的結果

SARST2 在 author benchmark 的 SCOP retrieval 同時小幅超過 FAST/Foldseek precision 並大幅提高速度／降低資源；CATH independent challenge 並非 universally top precision。

PDF pp. 2–13, Figs. 1–5, Table 1 and Methods

teaching-model · not a reported experiment

教學例（不是論文實驗）

不要把 retrieval win 寫成 geometric win

教學模型：報告要回答『SARST2 是否同時比 FAST RMSD 更低、coverage 更高？』

1. 先列 direct same-benchmark facts：average precision 96.3 vs 95.3、database speed >3300×。
2. 再檢查 geometric comparison participants：Fig. 5 不含 FAST，所以沒有 direct RMSD/coverage pair。
3. 結論寫『搜尋任務勝出；幾何雙勝未證實』，並提出在同一 pair set 跑 FAST/SARST2 的 next experiment。

帶走什麼: 最強的科學表達不是把結果說大，而是精確指出哪一個 task、metric 與 comparator 已被直接驗證。

direct-search

相對 FAST 的證據邊界

這是目前最清楚的「搜尋任務」直接勝 FAST 證據；但幾何品質實驗沒有把 FAST 納入，所以不能宣稱 RMSD 更低且 coverage 更高。

合法來源與取用

15 pages · SHA-256 4be7873eeb4e4edba364cd1e70ae44b007e79d1b79adab45cccc1c4da3b40e61

合法開放全文；網站將搜尋精確率與幾何品質分開呈現。

Europe PMC open-access PDF

限制與防誤讀

• 主要 benchmark 由作者設計，仍需要更多獨立重現。
• 平均精確率、速度與幾何 alignment quality 是不同問題。

證據定位清單

1. PDF pp. 2–5, Figs. 1–2 and algorithm overview
2. PDF pp. 5–8, Figs. 3–4 and Table 1
3. PDF pp. 9–13, Fig. 5 and Methods

理解檢查

1. SARST2 對 FAST 的直接勝利在哪？

   答案: SCOP family retrieval average precision 96.3% vs95.3%，以及 database/pairwise speed。

   同 dataset/answer framework 可直接比較。

2. 能宣稱 RMSD 更低且 coverage 更高嗎？

   答案: 不能，FAST 未納入 geometric-quality experiment。

   retrieval precision 不能替代 alignment geometry。

3. pC-value 等於 E-value 嗎？

   答案: 不是。

   pC=−log2(confidence)；沒有 expected chance hits 的統計意義。

讀完標準: 設計一個補足證據的 benchmark：同一 pair set、同一 domain definitions，對 FAST/SARST2 同時報 coverage、RMSD、TM-score、runtime 與失敗 cases。

本篇詞彙表

WCN

以 residue 到所有其他 residues 的 inverse-square weighted distances 描述 packing density。

filter-and-refine

先用廉價高 recall filters 縮小 candidates，再用昂貴精準方法排序。

average precision

本文為11個 recall levels 的 precision 平均，衡量正確 homologs 排名集中度。

pC-value

confidence 的負二進位對數，用作 hit quality cutoff，但不是 E-value。