丰富的结构字母表实现最高精度的蛋白质搜索

蛋白质结构数据库已从数千个经实验测定的结构增长到数亿个人工智能预测模型，这迫切需要一种兼具高准确性与实际可扩展性的搜索方法。在此，我提出了第三代 Reseek，这是一种蛋白质结构搜索算法；根据包括 DALI、Foldseek 和 TM-align 在内的多种已测试方法的多样化评估指标，其总体准确性最高（中位排名为 1）。 准确性的提升源于对多种离散字母表进行并行序列比对，这些字母表捕捉了一级、二级和三级结构特征，从而形成约 10^22 种可能状态的组合空间。分别针对家族、超家族和折叠层级的判别优化了独立的统计模型，揭示了表征各层级的不同特征组合。 在服务器计算机上，可在数分钟内将数百个查询结构与包含数百万个结构的数据库进行搜索，从而使在通用硬件上以最先进准确性开展大规模结构搜索成为现实。

蛋白质结构数据库已经从数千个实验测定的结构增长到数亿个由人工智能预测的模型，这迫切需要一种兼具高准确性与实际可扩展性的搜索方法。在此，我提出了第三代 Reseek，这是一种蛋白质结构搜索算法；根据包括 DALI、Foldseek 和 TM-align 在内的已测试方法的多种评价指标，Reseek 实现了最高的总体准确性（中位排名为 1）。准确性的提升来源于对多种离散字母表进行并行序列比对，这些字母表能够表征一级、二级和三级结构特征，从而形成约 10^22 种可能状态的组合空间。针对家族、超家族和折叠判别，分别优化了独立的统计模型，揭示了表征各层级的不同特征组合。在服务器计算机上，数百个查询结构可以在数分钟内针对包含数百万个结构的数据库完成搜索，从而使得在普通硬件上以当前最先进的准确性进行大规模结构搜索成为现实。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.24.740611v1?rss=1

🏷️ 蛋白质结构搜索 结构字母表 序列比对 蛋白质数据库 算法优化