用深度學習偵測遠端同源並做結構 alignment

30 秒理解

TM-Vec 從序列嵌入預測 TM-score 以搜尋遠端同源；DeepBLAST 用可微分 DP 產生序列—結構關聯的 alignment。

核心問題

只給胺基酸序列，能否先快速找出結構相似的遠端同源，再預測具有結構意義的 residue alignment？

直覺

TM-Vec 把整條序列壓成可近鄰搜尋的結構感知向量，學習預測 TM-score；DeepBLAST 則把 residue embeddings 轉成 match/gap scores，經可微分 Needleman–Wunsch 產生 alignment。兩者分別負責 retrieval 與 alignment。

為什麼重要

這篇把 FAST 放進人工 reference F1 的直接表格：DALI 明顯高於 FAST；TM-align 數值也較高，但 MALIDUP 只差 .007，原文未做顯著性檢定；新提出的 DeepBLAST 則明顯低於 FAST。因此它證明『DALI 在這個 reference F1 勝 FAST』，不證明『新深度模型勝 FAST』，也不是 RMSD/coverage 結論。

閱讀前置

• 理解 protein language model 的 residue embedding 與 pooled protein embedding。
• 知道 TM-score、alignment F1 與 RMSD/coverage 是不同指標。
• 理解 Needleman–Wunsch、match/gap scores 與 traceback。

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

逐步方法導讀

1. 01 · 把序列學成結構感知向量

   先用大型蛋白語言模型讀序列，再訓練一個雙塔網路，讓兩個蛋白向量的 cosine similarity 接近其真實 TM-score。

   論文語言: ProtT5-XL-UniRef50 產生 residue embeddings；共享的 φ transformer layers 經 average pooling、dropout 與 fully connected layers 輸出 512 維向量。訓練最小化 cosine similarity 與 TM-align TM-score 間的 L1 distance。

   輸入: 成對蛋白序列及其由結構計算的 TM-score。

   輸出: 可預測 TM-score 的固定長度 protein embeddings。

   邊界: 模型學的是 TM-align 產生的 supervision；高 embedding similarity 不是實際座標疊合。

   PDF pp. 12–13, Methods: TM-Vec embedding model

2. 02 · 建立向量庫並找近鄰

   把資料庫中的每條序列預先變成向量，新 query 只需編碼一次，再從向量庫找最接近的蛋白。

   論文語言: SWISS-Prot、CATH 或 UniRef50 embeddings 以 Faiss 建索引；cosine similarity 同時作 nearest-neighbor ranking 與預測 TM-score，使用者指定回傳 top-n。

   輸入: 訓練後 TM-Vec 與序列資料庫。

   輸出: 按預測結構相似度排序的候選蛋白。

   邊界: retrieval sensitivity 與 residue alignment accuracy 是兩件事；候選找對不代表位置對準。

   PDF p. 3, Fig. 1; PDF p. 12, Methods: TM-Vec database creation

3. 03 · 用可微分 DP 預測 alignment

   對 top hits 再逐 residue 配對；把原本不可微分的 max/traceback 平滑化，讓 alignment 錯誤能反向傳播去學 match 與 gap 規則。

   論文語言: ProtTrans residue embeddings 經 convolutional M/G functions 產生正 match scores μ 與負 gap scores g。Needleman–Wunsch 的 max/argmax 以 log-sum-exp/softmax 平滑，預測 traceback matrix 與 ground truth alignment 的差可用於訓練；GPU 實作降低 DP bottleneck。

   輸入: query-hit 序列對與訓練用結構 alignments。

   輸出: alignment probability／traceback 與序列式 residue correspondence。

   邊界: DeepBLAST 只看序列；論文自己指出它勝 sequence baselines，卻未挑戰 coordinate-based structural aligners。

   PDF pp. 12–14, Methods: DeepBLAST alignment module and Differentiable dynamic programming

關鍵結果

直接人工 reference F1 表中，DALI 在 MALIDUP/MALISAM 為 .791/.619，高於 FAST .569/.300；DeepBLAST 本身僅 .265/.066，沒有勝 FAST。

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

Table 2：誰真的勝 FAST？

在 MALIDUP 234 pairs，F1 為 DeepBLAST .265、FAST .569、TM-align .576、DALI .791；在 MALISAM 129 pairs，分別是 .066、.300、.393、.619。DALI 在兩套都顯著最高。

所以直接答案是：DALI 在這個人工 reference F1 指標清楚勝 FAST；TM-align 在兩套資料數值較高，但 MALIDUP 僅 .576±.024 對 .569±.026、未報顯著性檢定，應寫『數值上較高』；新方法 DeepBLAST 沒有勝 FAST。把論文標題的『deep learning』與表格冠軍混在一起會得到相反結論。

原文定位: PDF pp. 5–7, Table 2 and Extracting structural alignments from sequence

project-reading

F1 不是 RMSD＋coverage

此 F1 把一份人工策展 alignment 當 reference，依預測 residue pairs 的 precision/recall 評分；它不直接計算剛體疊合後的 Å 誤差，也不把對齊殘基總數當 coverage 指標。

作者還提醒遠端 homolog 的『最佳 alignment』本就具歧義；TM-align 有時疊合更多 backbone than manual reference。故 DALI>FAST 的結論必須完整寫成『在 MALIDUP/MALISAM manual-reference F1』。

原文定位: PDF pp. 6–7, Table 2 legend and Remote homology detection and alignment

paper-fact

不要把 TM-Vec 與 DeepBLAST 當同一輸出

TM-Vec 的主要驗證是預測 TM-score 與 retrieval：在 held-out SWISS-MODEL pairs 與 TM-align TM-score 的相關 r=.97；CATH held-out pairs median error .023，held-out folds .042。

DeepBLAST 的主要輸出是 residue alignment。Fig. 1 明說兩者 benchmark 分開；實際 pipeline 可以先 TM-Vec shortlist，再對 top-n 跑 DeepBLAST，但不能把 TM-Vec retrieval 成績當 DeepBLAST alignment F1。

原文定位: PDF pp. 2–5, Figs. 1–2; PDF p. 7, Remote homology detection and alignment

研究設計與評估

資料與樣本

TM-Vec 使用 SWISS-MODEL、CATH 與 MIP held-out tests；DeepBLAST 使用 MALIDUP（234 pairs）與 MALISAM（129 pairs）人工 alignment benchmarks，另有 BAGEL 應用。

比較基準

• 序列 alignment：BLAST、HMMER、Needleman–Wunsch、Smith–Waterman。
• 結構 alignment：Mammoth-local、FAST、TM-align、DALI。

指標

Alignment F1

預測 residue pairs 對人工 reference 的 precision 與 recall 調和平均。
邊界: 依賴單一 reference，不等於 RMSD 或 coverage。

TM-score prediction error

TM-Vec 預測值與 TM-align-derived TM-score 的差。
邊界: 這是 teacher score approximation，不是直接座標解。

Retrieval accuracy/AUPR

檢查近鄰是否回收正確 CATH class／fold／homology。
邊界: 候選層正確不保證 residue alignment 正確。

論文報告的結果

DeepBLAST 勝所有 sequence alignment baselines，但 MALIDUP/MALISAM F1 低於全部 coordinate-based methods；DALI .791/.619 清楚高於 FAST .569/.300，TM-align .576/.393 則數值上較高，原文沒有顯著性檢定。

PDF pp. 5–7, Table 2 and Fig. 3; PDF pp. 12–15, Methods

teaching-model · not a reported experiment

教學例（不是論文實驗）

retrieval 對、alignment 錯仍可能發生

假設 query 的 TM-Vec top hit 確實是同 fold，但 DeepBLAST 把 100 個真實 residue pairs 中的 40 個找對，另預測 20 個錯 pair。

1. retrieval 可以記為 top-1 correct；這只說找對蛋白。
2. alignment precision=40/60、recall=40/100，F1 約 .50；位置仍有大量錯誤。
3. 若再以座標疊合計 TM-score/RMSD，還會得到第三種答案；三層指標必須分欄。

帶走什麼: pipeline 的前後段要分別驗證，不能用 retrieval 成績替 alignment 背書。

direct-reference

相對 FAST 的證據邊界

它提供另一種直接證據：勝 FAST 的是 DALI 人工參考對齊 F1，不是該文的新 DeepBLAST，也不是 RMSD＋coverage 指標。

合法來源與取用

24 pages · SHA-256 028cc8ff54aa8862ea800d0a657d433775af56fcc4eb04220750b49f99989cb0

合法 PMC 全文；PDF 含期刊本文與報告清單，因此實際 24 頁。

Europe PMC author manuscript

限制與防誤讀

• 序列模型的檢索與結構 alignment 是兩個不同輸出。
• 人工 reference F1 與幾何 RMSD／覆蓋率衡量不同。

證據定位清單

1. PDF pp. 2–4, Figs. 1–2
2. PDF pp. 5–7, Table 2 and Fig. 3
3. PDF pp. 12–14, Methods: TM-Vec and DeepBLAST
4. PDF pp. 14–15, training datasets and model training

理解檢查

1. 此文的新 DeepBLAST 是否勝 FAST？

   答案: 沒有；MALIDUP/MALISAM F1 為 .265/.066，FAST 為 .569/.300。

   清楚勝 FAST 的是 DALI；TM-align 僅能說表中數值較高且未報顯著性檢定，DeepBLAST 則更低。

2. DALI 的 F1 勝 FAST 等同於 RMSD 更低且 coverage 更高嗎？

   答案: 不等同；F1 是對人工 reference residue pairs 的一致性。

   要回答幾何雙指標，仍需同資料的 RMSD 與 aligned length。

3. TM-Vec 與 DeepBLAST 各自做什麼？

   答案: TM-Vec 預測結構相似並檢索；DeepBLAST 預測 residue alignment。

   Fig. 1 把它們串成兩階段，同時明示 benchmark 分開。

讀完標準: 重畫 Table 2 為三欄：sequence-only、coordinate-based、new method；標出每欄冠軍，並用一句話說明為何論文標題不能代替表格閱讀。

本篇詞彙表

雙塔網路

兩個輸入共用同一編碼器，再以向量相似度比較。

可微分動態規劃

以平滑 max/argmax 讓 DP 輸出可對模型參數反向傳播。

alignment F1

預測 residue-pair precision 與 recall 的調和平均。

teacher score

由既有方法產生、作為學習目標的分數；此處為 TM-align TM-score。