综述：深度学习时代的大规模蛋白质聚类

这篇综述系统探讨了深度学习（DL）和蛋白质语言模型（pLMs）如何革新蛋白质聚类领域，从传统序列比对（如CD-HIT、MMseqs2）到结构预测（AlphaFold2）和嵌入技术（如ESM3），揭示了跨“暗蛋白质”和病毒蛋白的远程同源关系，为功能注释和进化研究提供新范式。

　　

为什么聚类蛋白质？

蛋白质聚类是解析序列与结构相似性的核心工具，通过识别同源群指导功能预测和进化研究。传统方法依赖序列比对（如BLASTp），但低于20-30%序列一致性的“黄昏区域”难以检测。结构相似性（如CATH、ECOD分类）弥补了这一局限，但受限于实验结构数量（PDB仅18万）。

经典聚类方法

序列聚类工具（CD-HIT、MMseqs2）基于贪婪算法和k
-mer匹配生成代表性集（如UniRef）。进化分析中，蛋白质序列相似网络（SSN）和多序列比对（MSA）结合隐马尔可夫模型（HMM）构建系统发育树。结构分类数据库（CATH、SCOPe）通过全对全比对（如US-align）揭示缓慢演化的结构同源性。

深度学习革命

大规模精准结构预测
AlphaFold2等工具预测了数亿结构（AFDB），Foldseek加速结构比对，Merizo自动化结构域分割。AFDB将87%无实验结构的Pfam家族关联到ECOD域，并发现349个新折叠。TED数据库拆分AFDB模型为3.71亿结构域，其中20%含1.3万个全新折叠，拓展了蛋白宇宙认知。

超越黄昏区的pLMs技术
蛋白质语言模型（如ProtBERT、ESM3）将序列转化为高维嵌入，捕获局部/全局特征。ProTrek、TM-vec等通过嵌入距离检测远程同源，尤其适用于无序区域和病毒蛋白（如BFVD中50%低置信度模型）。结构增强型pLM（ProstT5）融合序列与结构信息，而基因组上下文模型（gLM）识别功能关联和操纵子。

字母表的“不合理有效性”

Foldseek的3Di离散编码实现快速结构比对，但依赖预测质量。新兴方法（FoldToken3）压缩结构数据，支持大规模聚类。小字符集（如20种氨基酸）的高效性为亿级蛋白比对提供可能。

超越全局相似性

碎片化进化与Urfold
亚结构域片段（如“桥接主题”）揭示域起源，Urfold概念描述拓扑可变但架构相似的超家族。DeepUrfold在CATH中发现传统方法遗漏的远缘关系。

局部互作与数据集偏倚
结合位点描述符聚类揭示非全局的配体/界面相似性。深度学习模型性能受训练数据聚类策略显著影响（如PPI预测中的Transformer架构），凸显精准数据分层的必要性。

结论

深度学习推动蛋白质聚类进入新纪元，整合序列、结构和嵌入技术，从保守家族到未知折叠，系统性解码蛋白宇宙的多样性与功能潜力，为生命科学提供变革性工具。