IF36.1｜DIAMOND DeepClust实现19亿蛋白序列深度聚类

新方法18天聚类19亿蛋白序列，速度比MMseqs2快36倍，并提升AlphaFold2预测。

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

随着全球生物圈测序数据爆炸式增长，如何将数十亿蛋白序列按进化关系组织起来成为比较基因组学和AI结构预测的关键挑战。此前，AlphaFold2等突破性进展得益于大规模蛋白聚类数据库如BFD，但现有聚类工具如CD-HIT、UClust、MMseqs2/Linclust在扩展到数十亿序列时面临速度与灵敏度的权衡，难以满足地球生物基因组计划（Earth BioGenome Project）预计产生的约270亿条蛋白序列的聚类需求。

科学问题

卡在哪里： 现有聚类方法在处理数十亿蛋白序列时，要么速度过慢（如MMseqs2全对全比对需数周），要么灵敏度不足（如FLSHclust牺牲灵敏度换取速度），且多数工具受限于单节点内存和32位序列标识符，无法扩展到万亿级序列和分布式存储环境。

本文要回答： 开发一种可扩展至数十亿甚至万亿级蛋白序列的深度聚类方法，在保持高灵敏度的同时大幅提升速度，并验证其在蛋白结构预测等下游任务中的价值。

技术路线

作者主要用了：DIAMOND v.2、级联聚类、贪心顶点覆盖、minimizer采样、多节点并行。

作者基于DIAMOND v.2比对器开发了DIAMOND DeepClust，采用级联聚类策略：先用线性模式快速预聚类，再通过多轮全对全比对逐步提高灵敏度。第一轮使用minimizer采样和线性阶段算法，后续轮次使用贪心顶点覆盖算法选取代表序列，并通过双向覆盖准则优化聚类质量。该方法支持多节点并行和分布式存储，可处理万亿级序列。基准测试在NCBI NR数据库（约5.46亿序列）上进行，与MMseqs2和FLSHclust比较速度、灵敏度和精度。

图 1　Fig. 1。图1展示了对NCBI NR数据库（约5.46亿序列）进行深度聚类的基准测试结果。a图显示各工具在64核服务器上的运行时间（天），DIAMOND DeepClust仅需0.8天，而MMseqs2需29天，FLSHclust需17天。b图聚焦运行时间小于1天的工具，以小时为单位，DIAMOND DeepClust为19小时，线性模式仅3.9小时。c图展示灵敏度和精度的分布，DIAMOND DeepClust在灵敏度68.6%和精度95.5%处取得最佳平衡，优于MMseqs2和FLSHclust。

核心亮点

亮点 1｜19亿序列18天完成聚类

作者收集了约22亿条公开蛋白序列，去重后得到约19.4亿条，使用DIAMOND DeepClust在27个计算节点上以30%序列一致性和90%单向覆盖阈值进行聚类，总耗时18天（约25万CPU小时），得到约17亿个簇，其中32%为非单例簇，68%为单例簇。单例簇虽占簇数多数，但仅包含6%的序列，说明深度聚类可有效压缩蛋白空间。

图 2　Fig. 2。图2显示从19亿序列数据集中随机抽取的100万个代表序列（来自大小≥3的簇）在不同数据库中的注释覆盖率。横轴为序列覆盖阈值，纵轴为可注释的代表序列比例。随着覆盖阈值提高，可注释比例下降。在60%覆盖阈值下，64.7%的代表序列可被BFD覆盖，而其他数据库如UniProtKB/TrEMBL、MGnify、Pfam、CATH、ECOD、SCOPe的覆盖率更低。这表明新数据库包含大量BFD未覆盖的新序列。

亮点 2｜速度比MMseqs2快36倍

在NCBI NR数据库（约5.46亿序列）上使用双向覆盖且无序列一致性阈值进行深度聚类，DIAMOND DeepClust在64核服务器上仅用19小时完成，而MMseqs2需要29天，速度提升36倍。同时，DIAMOND DeepClust的灵敏度为68.6%，高于MMseqs2的62.3%，精度均为95.5%。与FLSHclust相比，DIAMOND DeepClust快21倍，灵敏度高18.9个百分点。

亮点 3｜线性模式102倍快于FLSHclust

DIAMOND DeepClust的线性模式在NR数据库上仅运行3.9小时，比FLSHclust快102倍，灵敏度为53.8%（FLSHclust为49.7%），精度95.9%（FLSHclust为96.5%）。MMseqs2/Linclust虽然最快（2.8小时），但灵敏度仅21.6%，远低于其他工具。此外，DIAMOND DeepClust线性模式支持多节点并行，在32个节点上可将22亿序列的聚类时间从单节点的15.3小时缩短至35分钟，展现出近线性扩展能力。

亮点 4｜新增1.18亿蛋白家族

与AlphaFold2使用的BFD数据库相比，DIAMOND DeepClust数据库包含3.35亿个至少含3个成员的簇，是BFD的5.5倍。通过HHblits比对，估计有1.18亿个蛋白家族是新的，无法映射到BFD。在100万个代表序列的样本中，64.7%的代表序列至少60%的序列范围可被BFD序列覆盖，表明新数据库大幅扩展了蛋白序列多样性。

亮点 5｜提升AlphaFold2预测精度

作者从DIAMOND DeepClust数据库中选取473个在BFD和MGnify中MSA深度不足30的序列，使用新数据库进行AlphaFold2结构预测。结果显示，366个序列的pLDDT分数提高，107个降低，平均pLDDT从52.9提升至62.6，提升7.73。Wilcoxon秩和检验P<2.2×10^-16，表明提升显著。这证明大规模深度聚类数据库能有效改善低同源序列的结构预测。

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： DIAMOND v.2、级联聚类、贪心顶点覆盖、minimizer采样、多节点并行
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事大规模比较基因组学、宏基因组学、蛋白结构预测或生物信息学工具开发的研究者。

带走一句

DIAMOND DeepClust为大规模蛋白聚类提供了可扩展且高灵敏的解决方案，其线性模式支持多节点并行，能处理万亿级序列，可作为AlphaFold2等结构预测工具的上游数据库构建手段。