用二級結構 PSSM 改善蛋白質二級結構預測

30 秒理解

不只改模型，而是改輸入：建立由預測二級結構狀態構成的 SSE-PSSM，補充傳統 amino-acid PSSM。

核心問題

若把 homolog alignment 的 amino acids 轉成 secondary-structure states 再做 PSSM，能否為 SSP 提供比 AA-PSSM 更密集、可泛化的特徵？

直覺

20 種 amino acids 在遠緣 homolog alignment 中容易形成稀疏 count；3 或 8 種 SSE codes 把多個 residues 映到共同構形類別，減少零值並把 homolog 的結構傾向直接編進每個位置。

為什麼重要

它不是再堆更深模型，而是改 feature representation。paper 顯示同一簡單 machine-learning setup 下 SSE-PSSM 優於 AA-PSSM，且與既有 SSP 輸出間接整合仍有增益；但這不等於已在原生 state-of-the-art architecture 中完成 end-to-end integration。

閱讀前置

• 理解 MSA、PSSM 與 log-odds
• 知道 DSSP 三態／八態 secondary structures
• 理解 independent test 與 feature/model 的區別

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

逐步方法導讀

1. 01 · 搜尋 homologs 並取得 SSE strings

   先以 PSI-BLAST／HHBlits 找 query homologs；有結構就用 DSSP，沒有就由 secondary homologs 的 SSE 逐位投票。

   論文語言: hit alignment 仍依 amino-acid sequence 建立，但每個 aligned residue 會被其 SSE code 替換；無 hit 或缺位置則用 SSE substitution matrix pseudocount。

   輸入: query sequence、sequence database、structure reference database

   輸出: 與 query 對齊的 SSE-transformed hit strings

   邊界: 預測或投票得到的 hit SSE 會把上游錯誤傳入 feature。

   PDF pp. 18–20, Algorithm of the SSE-PSSM, Fig. 4

2. 02 · 由 occurrence 到 log-odds matrix

   每個 query position 統計 aligned SSE codes，按 hit similarity 加權形成 PPM，再除以 background frequency 取 log2。

   論文語言: Occ(c,p)=ΣI(code=c)W(hit)，PPM 為 normalized occurrence，PSSM=log2(PPM/background)；主實驗用 eight-state DSSP alphabet。

   輸入: SSE-transformed alignments 與 background SSE frequencies

   輸出: 每個 residue 的 SSE log-odds features

   邊界: code set 更小雖降低 sparsity，也可能丟失 amino-acid-specific signal；所以 paper 測試 combined features。

   PDF pp. 19–22, Fig. 4, Eqs. 3–5, alphabet experiments

3. 03 · 嚴格獨立測試與間接整合

   以 <25% identity 的 training/independent sets 比 SSE-PSSM 與 AA-PSSM，再把既有 SSP probability outputs 與 SSE-PSSM 送入第二層 model。

   論文語言: QuerySet-T/I 與 TargetSet-nr25 高度去同源；另用 TS115/CASP12/13。對 DeepCNF 的例子，CASP12 Q3 82.9→84.1、Q8 68.4→71.8。

   輸入: SSE-PSSM、AA-PSSM 或 existing predictor probabilities

   輸出: Q3/Q8、SOV、boundary/internal accuracy 與 error rates

   邊界: compiled programs 無 training source，因此是 stacking-like indirect integration，不是原生 feature fusion。

   PDF pp. 3–8 and 22, Tables 1–3, integration procedure

關鍵結果

初步整合使三態平均提升 2.0%、八態提升 5.2%，顯示特徵表示仍有改善空間。

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

SSE representation 為何可能更有資訊

當 query 很新、homologs 少，20-column AA propensity matrix 會有很多 zeros；壓到 3/8 SSE symbols 後，同樣 hit 數可形成較dense PPM。

Table 1 同一 machine-learning setup 下，SSE-PSSM 對 QuerySet-I 的 Q3 0.785 vs AA-PSSM 0.654，Q8 0.663 vs 0.479；SOV 與 boundary/internal measures 也同方向。

原文定位: PDF pp. 3–5, Fig. 1 and Table 1

paper-fact

為何不能把 Table 1 當排行榜

作者明說 SSE-PSSM model 與 state-of-the-art programs 不在同一基礎上：前者用新 features＋簡單 iMLS，後者用 traditional PSSM＋各自 advanced model。

TargetSet-nr25 僅約 11.4k sequences，刻意比 UniRef90-2015 的 38.2M 嚴格，因此 absolute scores 低；comparison 的重點是 controlled feature contrast。

原文定位: PDF pp. 4–6, Table 1 and accompanying cautions

paper-fact

class、size 與來源誤差

各方法對 all-beta proteins 普遍較差；SSE-PSSM 在 structural classes 與 protein sizes 間的 normalized variability 較小，但 all-alpha 仍是其相對弱項之一。

SSE-PSSM 需要 hits 的 known/predicted SSE；若 secondary homolog retrieval 或 SSE prediction 有 systematic bias，矩陣會把偏差聚合。這是 deployment 時必須額外量測的 error channel。

原文定位: PDF pp. 6–7 and 18–20, Tables 2–3 and Algorithm step 2

研究設計與評估

資料與樣本

QuerySet-T/I 與 TargetSet-nr25（所有 datasets 間 <25% identity）；TS115、CASP12/13 搭配 UniRef90-2015／nrPDB90-2015。

比較基準

• 同一 iMLS 下 SSE-PSSM vs AA-PSSM；七種 PSI-BLAST SSP 與四種 HHBlits-era SSP；indirect combined models

指標

Q3/Q8

三／八態 residue micro accuracy。
邊界: class imbalance 與 segment continuity 未完整呈現。

SOV3/SOV8

secondary-structure segment overlap quality。
邊界: 與 Q 不可視為同一尺度。

boundary/internal accuracy

分開 SSE segment 邊界與內部 residues 的正確率。
邊界: 依 boundary definition 與 DSSP mapping。

論文報告的結果

controlled tests 中 SSE-PSSM 全面優於 AA-PSSM；與既有 predictor outputs 的 preliminary indirect integration 平均提升 Q3 2.0%、Q8 5.2%。

PDF pp. 3–8 and 15–22, Tables 1–4, Figs. 1 and 4

teaching-model · not a reported experiment

教學例（不是論文實驗）

五個 homologs 的簡化 SSE-PSSM

教學模型：某 query position 的五個 aligned hit codes 是 H,H,H,E,C，權重先視為相同。

1. 計算 occurrence：H=3、E=1、C=1，再除以 5 得 PPM。
2. 將每個 PPM probability 除以該 SSE 的 background frequency，再取 log2，得到 enrichment/depletion。
3. 實際算法再加入 hit similarity weights、eight-state codes 與 zero-position pseudocount；不要把這個玩具例子當 paper 數據。

帶走什麼: SSE-PSSM 的核心不是直接投票出 label，而是把 homolog structural tendencies 轉成可供 model 學習的 position-specific log-odds features。

outside-scope

相對 FAST 的證據邊界

研究的是 SSP 特徵，不是 FAST alignment；但「改表示而非只換優化器」與結構字母方法有概念呼應。

合法來源與取用

28 pages · SHA-256 ce3ebe3b3430c75f4df5ddaadbd13a45be72839921bfe8431735b93453713c01

合法開放全文。

Europe PMC open-access PDF

限制與防誤讀

• 與最先進端到端模型整合後的增益需另外驗證。

證據定位清單

1. PDF pp. 3–8, Fig. 1 and Tables 1–3
2. PDF pp. 15–20, Methods and Fig. 4
3. PDF p. 22, alphabet and indirect-integration procedures

理解檢查

1. SSE-PSSM 是 predictor 嗎？

   答案: 不是，是 feature set。

   需要 machine-learning model 將 features 轉成 final SSP labels。

2. 為何較少 zeros？

   答案: SSE alphabet 只有 3 或 8 codes，遠少於 20 amino acids。

   相同 homolog count 分散到更少 bins。

3. 2.0%/5.2% 是原生整合嗎？

   答案: 不是，是 compiled predictor outputs 與 SSE-PSSM 的間接第二層整合。

   真正 end-to-end feature fusion 仍需有 source/training pipeline 才能測。

讀完標準: 畫出 query→homolog search→hit SSE→transformed alignment→PPM→PSSM→predictor 的資料流，並在每個箭頭標一個可能 error source。

本篇詞彙表

SSE-PSSM

以 secondary-structure codes 而非 amino-acid codes 建立的 position-specific log-odds matrix。

position propensity matrix

各 query position 上不同 codes 的 normalized occurrence probabilities。

pseudocount

在資料缺乏時以 prior/substitution statistics 避免 zero 或 undefined score。

indirect integration

把既有 program output 當 features 再訓練一層，而非改造其原始 model。