AlphaFind v2：面向 AlphaFold DB 与 TED 结构域的多模态蛋白质结构相似性搜索引擎

文献来源：Slaninákova T, Rošinec A, Čillík J, et al. AlphaFind v2: Similarity Search in AlphaFold DB and TED Domains across Structural Contexts. bioRxiv preprint, DOI: 10.64898/2026.03.10.710735 (2026年3月12日) 工具地址：https://alphafind.ics.muni.cz/ 作者单位：捷克马萨里克大学信息学院、CEITEC中欧技术研究所、帕拉茨基大学等

一、研究背景与科学问题

1.1 蛋白质结构数据库的规模爆炸

结构生物学正在经历一场数据革命。传统上，蛋白质三维结构的获取依赖于 X 射线晶体学、冷冻电镜（cryo-EM）和核磁共振（NMR）等实验手段，耗时费力，结构积累缓慢。截至目前，世界主要蛋白质结构实验数据库——蛋白质数据库（Protein Data Bank，PDB）——收录了超过 22.7 万条实验解析结构。

然而，2021 年 DeepMind 的 AlphaFold2 横空出世彻底改变了这一格局。基于深度学习的结构预测方法使得蛋白质结构的获取成本从数月乃至数年压缩至数分钟。由此建立的 AlphaFold 蛋白质结构数据库（AlphaFold DB）现已包含超过 2.4 亿条预测结构，覆盖从细菌到人类的绝大多数已知蛋白质序列空间。

这一量级的跃升——从 22.7 万到 2.4 亿——意味着我们拥有的结构数据多了近 1000 倍，但与此同时，从这些海量数据中高效提取生物学洞见的需求也变得空前迫切。

1.2 结构相似性：超越序列的功能语言

蛋白质的生物学功能本质上由其三维结构决定。一个广为人知的生物学规律是：结构相似往往意味着功能相关，即便序列层面的同源性已经极低甚至无法检测（即所谓的"远程同源"或"结构类似物"）。这使得结构相似性搜索成为功能注释、药物靶点发现、进化分析等研究场景中不可或缺的工具。

量化结构相似性最权威的指标是 TM-score（Template Modeling Score），由张阳等人于 2004 年提出。TM-score 是一种长度归一化的比对分数，取值范围为 (0, 1]，其中：

• • TM-score > 0.5：两个蛋白质通常具有相同的整体折叠
• • TM-score > 0.7：高度相似，很可能共享功能
• • TM-score ≈ 1.0：近乎完全相同的结构

计算 TM-score 的前提是执行完整的结构比对（structural alignment），通常借助 US-align 等工具完成。这一过程对两个结构而言计算量可控，但若要对 2.4 亿条结构逐一比对，即使每次比对只需 0.01 秒，穷举也需要超过 276 天——这在实践中完全不可行。

1.3 近似搜索：以精度换速度的必要妥协

面对上述挑战，学界逐渐达成共识：大规模结构搜索需要采用两阶段策略——

第一阶段（粗筛）：使用快速近似方法，将蛋白质结构编码为低维向量嵌入（embedding），通过近似最近邻（Approximate Nearest Neighbor，ANN）搜索从亿级数据库中快速缩减候选集至数百条。

第二阶段（精排）：对少量候选结构执行精确的结构比对，获得 TM-score、RMSD 等标准评估指标。

当前主流工具在这一框架下各有侧重：

二、AlphaFind v2 的核心设计

2.1 数据准备：嵌入计算与向量库构建

AlphaFind v2 的底层数据分为两大部分：

（1）AlphaFold DB 结构嵌入

研究团队下载了 AlphaFold DB 第 4 版（v4）的全部结构，对每个蛋白质使用以下流程生成嵌入向量：

ESM3 生成式蛋白质语言模型 + 专用 Transformer 神经网络 → 1536 维结构感知嵌入向量

这一嵌入策略来自 Segura 等人（2026年）的工作，其核心优势在于同时捕获序列信息与结构信息，使向量空间中的距离能有效反映结构相似性。

除全链嵌入外，团队还分别计算了**去除不稳定区域（pLDDT < 70/80/90）**后的条件嵌入，支持后续的置信度过滤搜索模式。

（2）TED 结构域嵌入

对于结构域层面的搜索，团队采用了来自 Kandathil 等人的预计算 FoldClass 128 维嵌入，从 TED（The Encyclopedia of Domains）数据库获取，该数据库提供了蛋白质结构域的系统性注释与分割信息。

向量数据库构建

所有嵌入向量与相关元数据（物种名、UniProt ID、基因名、蛋白质名等）存储于 OpenSearch 向量数据库。采用 HNSW（Hierarchical Navigable Small World）索引结构，并启用：

• • 16倍压缩率：大幅降低内存占用
• • "on disk"模式：支持超大规模数据集的磁盘驻留检索

六种搜索模式各自对应一个独立的 OpenSearch 索引，确保检索行为的可预测性。

2.2 六种搜索模式的设计逻辑

AlphaFind v2 提供的六种搜索模式并非简单的功能堆砌，而是针对不同生物学问题的精准工具：

模式一：全链搜索（Full-chain）

对完整蛋白质链进行搜索，是最通用的模式。适用于序列保守、结构整体较稳定的蛋白质。输入支持 UniProt ID、PDB ID、基因符号、蛋白质名称等多种标识符。

模式二至四：pLDDT 置信度过滤搜索

这是 AlphaFind v2 相较于同类工具最具原创性的功能之一。AlphaFold2 在预测结构时为每个残基输出一个逐残基置信度分数 pLDDT（per-residue Local Distance Difference Test），范围 0–100，分级解读如下：

传统结构搜索工具将预测结构视为整体处理，这意味着蛋白质中大量的固有无序区（intrinsically disordered regions，IDRs）——pLDDT 普遍较低——会作为噪音干扰比对结果。AlphaFind v2 的 pLDDT 过滤模式在计算嵌入和执行比对时仅考虑满足置信度阈值（70/80/90）的残基，从根本上消除无序区的干扰。

模式五：TED 结构域搜索

蛋白质往往是由多个**结构域（domain）**拼接而成的模块化实体。在结构域层面进行相似性搜索比全链搜索更能揭示进化上的深层联系——例如，激酶结构域在数百种功能迥异的蛋白质中保持高度保守。

TED 搜索模式基于 TED 数据库（The Encyclopedia of Domains）的结构域边界注释，仅对指定结构域区域执行嵌入与比对，大幅提高搜索精度。

模式六：TED 多域联合搜索（TED Multidomain）

这是 AlphaFind v2 最具创新性的功能。在蛋白质中，单个结构域的出现往往不具有特异性（同一个 Ig 域可以出现在数百种蛋白质中），但多个结构域的特定组合方式才是蛋白质功能特异性的真正来源。

多域搜索模式将多条蛋白质链上各个结构域的匹配分数整合为单一综合得分，同时在 3D 可视化界面中提供交互式权重调节滑块，允许用户实时调整各结构域对比权重，在"单域精细比对"与"全局整体对齐"之间动态切换。

2.3 搜索工作流的三阶段架构

用户提交查询标识符
        │
        ▼
┌───────────────────────┐
│  阶段一：查询验证与嵌入  │  ← ESM3 + Transformer
│  （约 2.4 秒）        │     生成 1536 维向量
└──────────┬────────────┘
           │
           ▼
┌───────────────────────┐
│  阶段二：近似 kNN 搜索  │  ← OpenSearch HNSW
│  返回 Top-100 候选    │     余弦距离检索
│  ★ 立即展示给用户 ★   │
└──────────┬────────────┘
           │ 后台异步执行
           ▼
┌───────────────────────┐
│  阶段三：US-align 精排 │  ← Celery + Redis
│  计算 TM-score/RMSD   │     异步任务队列
│  关联实验结构          │
│  ★ 完成后自动更新 ★   │
└───────────────────────┘

这一设计的精妙之处在于不阻塞用户界面：用户几乎立刻看到基于向量相似度的初步排名（kNN Score），可以先行浏览；精确的 TM-score 排名在后台计算完毕后自动刷新，无需额外操作。

2.4 技术栈与系统架构

AlphaFind v2 采用现代微服务架构，各组件职责分明：

Kubernetes 的使用使系统能够根据实时负载动态扩缩计算节点，保证高峰期的响应性能。

三、性能评估：基准测试方法与结果

3.1 测试数据集

• • 链搜索测试集：2050 条来自 Segura 等人工作的多域蛋白质链
• • 域搜索测试集：从上述蛋白质中提取的 4420 条 TED 结构域

3.2 评估指标

• • 响应时间（均值 ± 标准差，秒）：从提交查询到返回结果的端到端耗时
• • Top-n 平均 TM-score：返回结果中前 n 条命中与查询结构的平均 TM-score，衡量检索质量

3.3 全面性能对比

蛋白质链搜索

蛋白质域搜索

3.4 结果解读与公平性考量

从数据中可以得出以下关键结论：

速度方面：

• • AlphaFind v2 近似搜索比 FoldSeek 快约 17.5 倍，比 AlphaFind v1 快约 39 倍
• • 在域搜索中，近似结果仅需 0.49 秒，比 Merizo-search 快约 298 倍
• • AlphaFind v2 的精排耗时（45.88 秒）与 FoldSeek 的总耗时（42.03 秒）相当，意味着加上精排后两者速度相近，但精排期间用户已可看到初步结果

精度方面：

• • 在所有比较中，AlphaFind v2 的 TM-Score 均以 p < 0.05 的统计显著性领先竞品
• • 链搜索 Top-10 TM-Score 从 FoldSeek 的 0.596 提升至 0.733（提升 22.8%）
• • 域搜索 Top-10 TM-Score 达到 0.947，接近完美匹配

公平性注意事项：

• • FoldSeek 运行于 AlphaFold DB 经 50% 序列同一性聚类后的数据库，结构多样性更高，这在一定程度上会压低其 TM-Score（因为数据库中部分冗余的高相似结构被过滤掉了）。AlphaFind 使用原始完整数据库，更容易找到高度相似的命中。
• • FoldSeek 自身不输出 TM-score，论文中的 TM-score 是研究团队对 FoldSeek 结果单独计算的，未计入 FoldSeek 的响应时间。
• • Merizo-search 使用与 AlphaFind v2 相同的 TED 数据库，两者的域搜索比较是严格可比的。

四、应用案例深度解析

4.1 案例一：拟南芥 PIN3 生长素载体蛋白

生物学背景

生长素（auxin）是植物生长发育的核心调控激素，其极性运输由 PIN（PIN-FORMED） 家族载体蛋白介导。PIN 蛋白是多次跨膜蛋白，按其胞质环（cytosolic loop）长短分为"长环型"和"短环型"两类。长环型 PIN 蛋白（如 PIN3）的胞质环高度无序，是典型的固有无序区（IDR），pLDDT 通常极低。

问题所在

当以全链模式搜索 PIN3（拟南芥，UniProt: Q9S7Z8）时，所有候选命中的 TM-score 均低于 0.7，且大豆中多个 PIN 同源蛋白完全被遗漏。原因显而易见：高度无序的胞质环在嵌入空间中引入了巨大噪声，掩盖了跨膜结构域的真实相似性信号。

AlphaFind v2 的解决方案

使用 pLDDT ≥ 90 搜索模式，系统仅对 PIN3 中 pLDDT 高于 90 的高置信度跨膜螺旋区域进行嵌入和比对，彻底排除无序胞质环的干扰。结果：

• • 最优命中：大豆 PIN3 同源蛋白（UniProt: A0A0R0ILJ6），TM-score = 0.947
• • 成功识别多个大豆 PIN 蛋白，为跨物种比较研究长环型 PIN 蛋白的功能分化提供了可靠工具

科学意义

该案例清晰表明：对于含有大量无序区的蛋白质（在预测结构组学时代极为常见），传统全链比对思路存在根本性局限。pLDDT 过滤模式提供了一种天然的、基于预测置信度的"质量控制"机制，将结构搜索的焦点精准锁定于生物学意义更明确的折叠区域。

4.2 案例二：神经细胞黏附分子 NCAM1

生物学背景

神经细胞黏附分子 1（NCAM1）是免疫球蛋白（Ig）超家族的核心成员，广泛参与神经元黏附、突触形成和神经系统发育。人类 NCAM1（UniProt: P13591）的胞外域具有经典的模块化结构域架构：

N端 → [Ig域1] - [Ig域2] - [Ig域3] - [Ig域4] - [Ig域5] - [FnIII域1] - [FnIII域2] → 膜区

其中，免疫球蛋白（Ig）域和纤连蛋白 III 型（FnIII）域在蛋白质宇宙中广泛分布，单独搜索任意一个均会命中数以千计的无关蛋白。NCAM1 的功能特异性来自于这七个结构域的特定组合顺序，而非单个结构域本身。

多域搜索的挑战

在 3D 结构比对中，多域蛋白存在一个经典困境：若将整体结构最优对齐，则单个域对的对齐往往不精确（因为不同 AlphaFold 预测中各域的相对位置可能存在差异）；若对单个域对最优对齐，则整体对齐被牺牲，无法评估多域架构的整体保守性。

AlphaFind v2 的多域模式

TED 多域搜索模式通过以下机制解决上述困境：

1. 1. 综合评分：将蛋白质中所有 TED 结构域对的匹配分数整合为单一评分，识别具有相似多域架构的候选蛋白
2. 2. 实时权重调节：在 3D Mol* 可视化界面中，为每个结构域对提供独立的权重滑块，用户可实时调整各域贡献，3D 结构对齐随之动态更新
3. 3. 渐进式探索：支持从单域精细检查 → 多域相互作用分析 → 全局结构对齐的渐进式工作流

结果与意义

该案例成功识别了猫（Felis catus，UniProt: Q5G7G8）中的 NCAM1 同源蛋白，并揭示了免疫球蛋白超家族内的结构与进化关系。更重要的是，它展示了多域搜索在识别具有相似"结构语法"蛋白质方面的独特价值——这是当前任何单域搜索工具都无法实现的功能。

五、系统局限性分析

AlphaFind v2 的论文作者在局限性讨论上保持了值得称道的诚实态度：

5.1 数据库版本滞后

目前使用的是 AlphaFold DB 第 4 版（v4），最新的第 6 版因尚未提供完整批量下载（出版时仅部分精选蛋白质组可用），暂未纳入。这意味着部分新发现的蛋白质序列对应的结构预测可能不在搜索范围内。

5.2 近似搜索的固有局限

HNSW 近似最近邻算法不保证找到数学意义上的全局最优解。换言之，真正结构最相似的蛋白质可能不在 Top-100 候选集中。系统通过允许用户扩展候选集（加载更多条目并重新精排）来缓解这一问题，但无法从根本上消除。

5.3 比对覆盖率的差异

FoldSeek 等工具能返回约 800 条结果，而 AlphaFind v2 域搜索模式默认返回约 100 条，用于比较"全部结果"TM-Score 时基数不同，需谨慎解读。

5.4 pLDDT 过滤的潜在偏差

pLDDT 过滤假设低置信度区域即为无意义的无序区，但实际上某些无序区在特定条件下可能形成功能性结构（如经配体诱导的折叠）。过度过滤可能遗漏此类信息。

六、与主流工具的方法论比较

6.1 嵌入策略的比较

1536 维的高维嵌入空间理论上能捕获更丰富的结构信息，这可能是 AlphaFind v2 在链搜索中精度更高的重要原因之一。

6.2 功能特性矩阵

七、输入输出接口详解

7.1 支持的输入标识符

用户可通过以下任意一种方式指定查询蛋白质：

• • UniProt ID（如 P69905）
• • PDB ID（如 1HHO）
• • TED 结构域 ID
• • 蛋白质名称（如 hemoglobin）
• • 基因符号（如 HBA1）

7.2 可选过滤条件

• • 物种（Organism）：限定搜索结果的物种来源
• • 分类学 ID（Taxonomy ID）：精确指定 NCBI 分类学节点
• • CATH 标签：按蛋白质结构分类（Class-Architecture-Topology-Homology）过滤

7.3 返回结果与评估指标

每条命中结果包含以下信息：

7.4 3D 可视化界面

点击任意命中结果，系统在嵌入的 Mol Viewer* 中呈现查询与目标结构的交互式三维叠合。可视化有以下特性：

• • 差异着色：参与比对的残基与非参与残基（如过滤掉的低 pLDDT 区域）以不同颜色区分，直观展示搜索模式的作用范围
• • 多域权重滑块：在 TED 多域模式下，用户可独立调节每个结构域对的权重，3D 对齐实时响应
• • 继承完整 Mol 功能*：包括旋转、缩放、选区、测距、导出等所有标准结构查看功能

八、开放科学与可重复性

AlphaFind v2 在数据开放方面做到了以下几点：

• • 工具完全免费：无账户要求，任何人可通过浏览器直接访问
• • 数据集开放：预计算蛋白质嵌入及元数据已发布于 https://doi.org/10.58074/mv1w-y227
• • 平台无关：纯 Web 应用，无需安装任何软件或配置本地环境
• • 详细文档：官方网站提供完整使用文档与 API 说明

九、总结与展望

9.1 核心贡献总结

AlphaFind v2 在以下几个维度对蛋白质结构相似性搜索领域做出了实质性推进：

技术创新层面：

• • 将 ESM3 高维嵌入（1536维）引入大规模结构搜索，实现了速度与精度的同步提升
• • 首次将 AlphaFold pLDDT 置信度信息整合进搜索逻辑，提出"置信度感知"搜索范式
• • 实现了基于多域组合的结构搜索，支持捕捉蛋白质"模块化建筑"的保守性
• • 三阶段异步工作流实现了近似实时响应与高精度结果的统一

工程实践层面：

• • Kubernetes + Celery 架构保证了系统在高并发场景下的稳定性
• • HNSW 16倍压缩 + on-disk 模式使 2.4 亿量级的向量检索成为可能
• • Mol* Viewer 集成与多域权重滑块提供了业界领先的交互式结构分析体验

9.2 潜在影响与应用前景

AlphaFind v2 的推出对以下研究方向具有直接赋能意义：

• • 远程同源蛋白质发现：在序列相似性极低的情况下识别功能相关蛋白质
• • 含无序区蛋白质的结构分析：大量信号蛋白、转录因子等含有大量 IDR，pLDDT 过滤模式使其研究从此有了可靠的结构搜索工具
• • 蛋白质工程与设计：快速在已知结构空间中找到参考支架
• • 跨物种进化分析：结合物种过滤功能，系统追踪特定蛋白质或结构域在进化树上的分布与保守性
• • 功能未知蛋白质注释：通过结构相似性推断功能假设，用于 AlphaFold DB 中大量无功能注释的蛋白质

9.3 未来值得关注的方向

• • 数据库升级至 v6：AlphaFold DB 第 6 版提供更多生物体的覆盖，当其开放批量下载后，AlphaFind v2 的搜索空间将进一步扩大
• • 多模态搜索融合：将链、域、多域等不同维度的信息融合于单次搜索，可能带来更全面的结果
• • 与实验数据的深度整合：目前已支持关联 PDB 实验结构，未来可进一步整合功能注释、结合位点信息等
• • API 接口开放：若开放编程接口，将允许将其集成入生物信息学自动化流水线

参考文献

1. 1. Slaninákova T, et al. AlphaFind v2: Similarity Search in AlphaFold DB and TED Domains across Structural Contexts. bioRxiv, 2026. DOI: 10.64898/2026.03.10.710735
2. 2. Varadi M, et al. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50:D439–D444, 2021.
3. 3. Burley SK, et al. Updated resources for exploring experimentally-determined PDB structures and computed structure models at the RCSB Protein Data Bank. Nucleic Acids Research, 53(D1):D564–D574, 2024.
4. 4. Lau AM, et al. Exploring structural diversity across the protein universe with the encyclopedia of domains. Science, 386(6721):eadq4946, 2024.
5. 5. Van Kempen M, et al. Fast and accurate protein structure search with Foldseek. Nature Biotechnology, 42(2):243–246, 2024.
6. 6. Kandathil SM, et al. Foldclass and Merizo-search: scalable structural similarity search for single- and multi-domain proteins using geometric learning. Bioinformatics, 41(5):btaf277, 2025.
7. 7. Segura J, et al. Multi-scale structural similarity embedding search across entire proteomes. Bioinformatics, 2026.
8. 8. Zhang C, et al. US-align: universal structure alignments of proteins, nucleic acids, and macromolecular complexes. Nature Methods, 19:1109–1115, 2022.
9. 9. Procházka D, et al. AlphaFind: discover structure similarity across the proteome in AlphaFold DB. Nucleic Acids Research, 52(W1):W182–W186, 2024.
10. 10. Zhang Y & Skolnick J. Scoring function for automated assessment of protein structure template quality. Proteins, 57(4):702–710, 2004.
11. 11. Sehnal D, et al. Mol* Viewer: modern web app for 3D visualization and analysis of large biomolecular structures. Nucleic Acids Research, 49(W1):W431–W437, 2021.
12. 12. Su N, et al. Structures and mechanisms of the Arabidopsis auxin transporter PIN3. Nature, 609:616–621, 2022.