SARST2：面向海量数据库的高通量资源高效蛋白质结构比对算法

面对AlphaFold DB释放的2.14亿预测结构带来的蛋白质结构大数据挑战，研究人员开发出集成一级、二级和三级结构特征与进化统计的SARST2算法。该算法采用机器学习增强的过滤-优化策略，在基准测试中准确率达96.3%，搜索速度比BLAST快24倍，内存占用减少88%，且数据库存储空间压缩99.2%，使普通个人计算机也能实现亿级结构数据库搜索。

　　

随着AlphaFold2预测出所有已知序列的蛋白质结构，蛋白质结构大数据时代正式来临。截至2022年，AlphaFold数据库已发布2.14亿个预测结构，而结构数据库的扩张速度已开始赶上序列数据库。如何在海量且快速增长的结构数据库中高效识别同源蛋白质，成为当前结构生物学面临的重大挑战。

蛋白质结构比对历来比序列比对更耗时。以当前UniRef-90数据库（1.72亿个蛋白质）为例，使用广泛应用的PSI-BLAST进行序列比对搜索可能需要数小时，且计算成本每两年翻一番。面对大规模结构研究需求，提高结构比对效率将推动蛋白质科学技术多个领域的进步，包括结构建模、蛋白质组学、蛋白质-蛋白质相互作用组和药物发现等领域。

尽管早期算法如DALI和CE具有较高准确性，但比对一对结构需要数秒时间，无法满足大规模研究需求。随后发展的FAST和TM-align虽然将速度提升到每秒比对多个结构，却不支持直接数据库搜索。基于结构线性编码的算法如TOPSCAN、YAKUSA、3D-BLAST和SARST虽然实现了每秒筛查数千个蛋白质的速度，但准确性显著低于 pairwise 比对算法。

为解决这一难题，研究团队开发了SARST2算法，该算法整合了氨基酸序列、二级结构元素(SSE)、氨基酸类型(AAT)、Ramachandran编码序列(SARST)和加权接触数(WCN)等多种特征，采用机器学习增强的过滤-优化策略。通过对角线快捷词匹配、基于替换熵的可变gap惩罚等创新方法，在大型基准测试中准确率达到96.3%，同时比BLAST和Foldseek更快完成AlphaFold数据库搜索，且内存使用量显著减少。

主要技术方法包括：1）使用5符号AAT和4符号SSE字母表进行词匹配；2）采用合成动态规划(DP)对齐，结合WCN、SSE、AAT和AA序列；3）基于PSSM衍生的残基替换熵设计可变gap惩罚方案；4）应用决策树和人工神经网络(ANN)机器学习模型进行快速过滤；5）使用TM-score进行结构相似性评估。实验数据来源于SCOP 2.07数据库和AlphaFold DB-2022。

算法实现

SARST2采用四阶段过滤流程：词匹配过滤使用对角线快捷算法快速计数查询与目标之间的相似AA和SSE片段；初始DP过滤对齐SARST序列并消除低相似度目标；二级DP过滤基于SSE和AAT序列调整对齐；快速TM评分粗略计算结构相似性。通过分组搜索策略，仅评估组代表头结构，避免冗余计算。

准确性评估

使用Qry400和SCOP-2.07数据集进行信息检索评估，SARST2在所有召回水平上均优于BLAST和其他方法，平均精确度达96.3%，超过iSARST(94.4%)、FAST(95.3%)和Foldseek(95.9%)。在具有低序列同一性(1-20%)的SCOP家族水平同源物中，SARST2产生的比对序列同一性显著高于BLAST。

速度性能

使用单个CPU时，SARST2数据库搜索速度比FAST和TM-align快3300倍以上。支持并行计算时，在32个Intel i9处理器上速度提升10.6倍，而Foldseek、MADOKA和BLAST仅加速2.1-3.0倍。搜索一个查询结构针对SCOP-2.07达到100%召回平均仅需0.15秒，比Foldseek和BLAST分别快7倍和24倍。

数据存储效率

SARST2格式化数据库仅需0.5 TiB存储空间，相比AlphaFold DB原始格式(59.7 TiB)节省99.2%空间，比Foldseek格式(1.7 TiB)也更加经济。内存使用方面，SARST2搜索全AlphaFold DB仅需9.4 GiB内存，而BLAST需要77.3 GiB。

关键创新因素

加权接触数(WCN)的应用是SARST2的重要创新。与传统依赖几何比较的方法不同，WCN通过计算Cα原子间距离的倒数平方和来估计残基的堆积密度，能够编码残基间的长程相互作用。测试表明，WCN和closeness在搜索准确性上优于传统接触数(CN)。

可变gap惩罚方案基于查询蛋白的序列保守性特征，通过Shannon熵计算保守性谱，在高保守区域抑制gap开口，提高了远缘同源物比对的准确性。

词匹配策略使用缩减字母表（5符号AAT和4符号SSE），允许使用更大的词长（5-7个残基），提高了同源性特异性，并结合对角线快捷算法显著限制了搜索空间。

研究结论表明，SARST2在准确性和速度方面均优于最先进的结构比对方法，甚至超过了流行的BLAST序列比对算法。其高效率使研究人员能够在普通个人计算机上搜索数亿个结构，为结构生物学研究提供了强大的分析工具。随着Meta Platforms公司发布ESM Metagenomic Atlas（7.72亿预测结构，比AlphaFold DB大3.6倍），高效可扩展的结构比对方法变得愈发重要。SARST2的高通量解决方案有望在结构生物学及其他领域支持广泛应用，帮助研究界克服结构大数据分析的挑战，加速生物技术和医学科学的进步。

该算法已用Golang实现为跨平台独立程序，提供Linux、macOS和Windows版本，可通过10lab网站和GitHub获取。