IF36.1｜Foldseek-Multimer：蛋白复合物结构比对加速3-4个数量级

用叠加向量聚类替代链配对穷举，11小时完成570亿对复合物全对全搜索。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

蛋白复合物结构比对是理解四级结构多样性、同源关系及功能的基础。随着AlphaFold-Multimer等预测工具普及，数据库中的复合物结构数量将激增至百万级。现有金标准US-align通过TM-score最大化进行比对，但链配对组合数呈阶乘增长，导致计算成本极高。QSalign虽通过序列预筛加速，但灵敏度受限，且对约10万复合物的全对全搜索仍需数月。基于3D Zernike描述符的方法速度极快，但只能发现整体形状相似的全局匹配，无法识别局部或低序列相似性结构。因此，亟需一种兼具高灵敏度和高速度的大规模复合物结构比对方法。

科学问题

卡在哪里： US-align等精确比对方法因阶乘级链配对搜索而极慢，无法扩展到百万级数据库；QSalign依赖序列预筛，丢失了低序列相似性（twilight zone）下的结构相似性；形状描述符方法则牺牲了局部匹配能力。

本文要回答： 开发一种快速且灵敏的蛋白复合物结构比对算法，能够处理数十亿对复合物的全对全比较，同时保持与金标准US-align相当的比对质量。

技术路线

作者主要用了：Foldseek链比对、叠加向量聚类、DBSCAN、聚类数据库搜索。

Foldseek-Multimer首先用Foldseek对查询和目标复合物的所有链对进行快速比对，得到链间叠加向量（旋转和平移）。由于正确的复合物比对要求所有链对共享同一叠加向量，作者将叠加向量视为点，用DBSCAN聚类找出兼容的链对集合，从而确定复合物比对。该方法避免了阶乘级链配对搜索，并利用聚类数据库（如PDB100）先搜索代表序列再扩展，进一步加速。

图 1　Fig. 1。图1展示了Foldseek-Multimer的核心流程：查询复合物与数据库目标的所有链对先经Foldseek快速比对，得到叠加向量；通过DBSCAN聚类叠加向量识别兼容的链对集合，从而确定复合物比对。该图强调用叠加向量聚类替代传统阶乘级链配对搜索，是速度提升的关键。

核心亮点

亮点 1｜比对质量与US-align高度一致

在931对已知结构相似的复合物基准上，Foldseek-Multimer的两种模式（3Di+AA和TM-align）均检测到超过95%的相似对（US-align为97.6%），TM-score与US-align高度相关（Pearson's r高），且在>99%的情况下产生相同的链配对。这表明其比对质量接近金标准。

图 2　Fig. 2。图2a显示Foldseek-Multimer与US-align在931对复合物上的TM-score高度相关；图2b显示在数据库搜索时Foldseek-Multimer比US-align快3-4个数量级，且随链数增加优势更明显；图2c展示CRISPR-Cas查询的PDB100搜索结果，Foldseek-MM找到的5个命中均为IV-A型系统；图2d显示全对全搜索中Foldseek-MM额外发现170万对同源复合物。

亮点 2｜速度提升3-4个数量级

在数据库搜索场景下，Foldseek-Multimer比US-align快3-4个数量级。例如，对一个含6条链、1843个氨基酸的CRISPR-Cas复合物查询PDB100（426,347条目），Foldseek-MM仅需27秒，Foldseek-MM-TM需6分钟，而US-align需13天。加速来自链间比对的Foldseek效率、叠加聚类替代全局比对，以及聚类数据库的预筛。

亮点 3｜发现低序列相似性的CRISPR-Cas同源物

对Sulfitobacter sp. JL08的IV-A型CRISPR-Cas复合物进行PDB100搜索，Foldseek-Multimer找到了5个TM-score>0.65的命中，均为Pseudomonas aeruginosa的IV-A型系统，尽管序列一致性仅11.1-19.8%。这验证了该环境样本中系统的类型归属，并展示了在远缘生物中识别结构同源物的能力。

亮点 4｜全对全搜索揭示170万新同源复合物对

在3DComplexV7数据库（238,965个复合物）上，Foldseek-MM用128核在11小时内完成57亿对全对全比较，识别出98.6%的QSalign已发现同源对，并额外发现约170万对新的相似同源复合物。随机抽样10%经US-align验证，98.2%被确认，表明新发现对中超过160万对为真阳性。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： Foldseek链比对、叠加向量聚类、DBSCAN、聚类数据库搜索
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/steineggerlab/foldseek
• 谁该点开原文： 从事结构生物信息学、蛋白质复合物预测与功能注释的研究者，以及需要处理大规模结构数据库的分析人员。

带走一句

做大规模复合物结构比较时，用Foldseek-Multimer替代US-align，可在保持灵敏度的同时将计算时间从数天缩短到秒级。