1. 为什么所有流程都从序列同源性开始？一个被低估的基线
1.1 同源即功能：这条假设到底靠不靠谱
上个月，我从一批环境样本的宏基因组数据里挖出两千多条没有现成注释的蛋白序列。跑完一遍我常用的注释管线之后，能给出可靠功能推断的不到三成。剩下那批“孤儿序列”，几乎把所有传统方法都难住了。处理这批数据时，我把蛋白质功能预测这条技术路线的演进又完整走了一遍：从最经典的序列同源性搜索，到结构特征与进化信息的补充，最后落到同时把序列、结构和互作信息送进网络的多模态深度学习模型。这篇文章就是这次复盘的完整记录。
不管你是刚入门的生信新人，还是已经用惯了比对工具的同行，这篇文章应该都有值得翻的东西。前半部分偏原理和选型，讲清楚为什么同源搜索是丢不掉的基线；中段是多模态模型的具体搭建和训练；最后是我踩过的坑和几条实操建议。整个流程我在多个模拟项目中反复验证过，可以直接照着改，不必担心被某个具体软件或数据库绑死。
蛋白质功能预测的第一步，绝大多数情况下都是问一个问题：这条蛋白序列，在已经研究得比较清楚的蛋白里，有没有亲戚。“亲戚”不是我随便打个比方，而是序列同源性（homology）的真正含义——两个蛋白质在进化树上拥有共同祖先。共同祖先意味着它们大概率继承了一套类似的三维折叠、活性位点或结合界面，这些关键区域的序列变化会被自然选择强烈约束，所以即使整体序列已经分道扬镳，核心残基往往仍然保留。换个说法，同源性是功能注释能够“借用”注释信息的法律依据。
反过来看，序列比对工具做的并不是直接测功能，而是找出证据链：如果序列A和序列B的共同祖先足够近，A已知的功能就有理由转移到B。这在统计上是一个强先验，几乎所有的自动注释流程都把这个假设当成默认，也就是所谓的“同源传递”。同源搜索之所以能成为功能预测的地基，不是因为它聪明，而是因为它便宜、快速、可解释，并且在一大批蛋白上确实有效。我见过有人一上来就上深度学习，结果训练数据里连一条可靠的同源注释都没有，那等于地基没打牢。
但同源也分种类。直系同源通常在不同物种里承担对应功能，旁系同源则可能在基因复制后分化出新功能。同源搜索只告诉你“有共同祖先”，不一定告诉你“功能一定一样”。实操中我会额外检查：最佳匹配来自哪个谱系，匹配覆盖的是全长还是只有一个结构域。如果只匹配到某个结构域，功能注释就应该写清楚是“该结构域可能相关”，而不是直接给整条蛋白下结论。这个细节不处理，后面所有功能推断都会被带偏。
1.2 实操：选工具、定阈值、看证据
序列同源搜索的入门要素是三个：一条查询序列，一个参考数据库，一个搜索算法。参考数据库的选择是最容易被忽略的一步。小而精的库灵敏度低，大而全的库又混入大量自动注释，错误注释会像滚雪球一样向下传递。我的做法是优先选择有人工注释的高质量子集做第一批搜索，把没有结果、或者结果可疑的序列，再放到大规模冗余库里去捞远缘同源。分两层跑，比一上来就全库搜索更能控制注释质量。很多初学者图省事，直接用默认库一把梭，跑出来的结果表面光鲜，实际一查全是自动预测的“注释套娃”。
阈值一般这么定：E-value < 1e-5，序列覆盖度 ≥ 70%，一致性 ≥ 30%。E-value描述的是“这条匹配在随机情况下出现的期望次数”，但它受数据库大小和查询长度影响，所以只看E-value不够。覆盖度低时，哪怕E-value好看，也可能只是某个短结构域的匹配；一致性低时，能判断同源，却不能直接照搬具体功能。30%这个数值不是金标准，但对我处理的大部分细菌蛋白来说，足够在灵敏度和假阳性之间找一个平衡。
举个例子。我处理过一条候选蛋白，最佳匹配的E-value到了1e-120，一致性有78%，怎么看都像能直接注释。但把匹配区域画出来之后发现，它只覆盖了查询序列的前半段，后半段是完全不同的折叠单元。结果那条蛋白实际上是个融合蛋白，前半段是甲基转移酶结构域，后半段是另一个核酸结合结构域。如果我不看覆盖度，直接按第一匹配把注释写成“甲基转移酶”，整条序列的功能都会被误导。后来我用结构域拆分重做了注释，才把两个模块分开。这就是为什么我说“看证据”比“看排名”重要得多。
搜索之后最重要的事是读证据，而不是读排名。我会保留匹配的起止位置、保守结构域、参考蛋白的注释来源，把这些拼成一份“功能证据包”。如果参考蛋白本身就是来自自动注释，我会把这个证据降级，不能让自动注释传三代。常见流程可以简化成下面的伪代码：
# 伪代码：序列同源搜索的常见流程 query = read_fasta("query.fasta") db = load_database("reviewed_protein_set") hits = search(query, db, e_value=1e-5, coverage=0.7, identity=0.3) for hit in hits: hit.add_evidence(region, domain, annotation_source)这套流程看起来很基础，但它永远是功能预测的默认第一招。即使后面要上多模态深度学习，我也建议先把这个证据包跑出来，因为模型预测出的概率最终需要回到这些生物学证据上做解释。
2. 同源性失灵时：结构、进化与特征工程补位
2.1 四种让同源搜索翻车的常见情况
序列同源性不是万能的。即便你跑完两轮搜索，大约有两到四成序列仍然得不到可靠的推断。我在实际数据里遇到最多的是四类情况。
第一类是孤儿序列。这些蛋白在任何已知物种里都没有明显同源，常见于噬菌体、新分离的深部微生物、以及基因预测产生的短片段。它们可能是真正的新基因，也可能是基因预测软件产生的噪音。面对孤儿序列，同源搜索等于对着空房间喊话，没有任何回声。
第二类是快速进化蛋白。序列一致性低到20%以下的“暮光区”，常规比对已经分不清同源和趋同。某些免疫相关蛋白、宿主互作因子，序列变化非常快，但结构可能保留得很好。这时候序列层面已经失效，必须换一个维度去比较。
第三类是水平基因转移带来的干扰。功能与物种谱系脱钩，一个细菌从环境里“捡”来的基因，会在垂直谱系数据库里找不到亲戚。你拿一条来自放线菌的序列去搜，结果匹配都来自变形菌，这时候很难判断它是真正发生了转移，还是只是序列趋同。同源关系仍然存在，但注释传递的物种边界变得模糊。
第四类是低复杂度区域或跨膜段。疏水残基高度重复，比对算法很容易把它们匹配到功能完全不相关的蛋白上，产生漂亮的假阳性。跨膜蛋白尤其典型：跨膜螺旋的序列组成相似，却可能属于天差地别的功能家族。我见过一条全是亮氨酸重复的序列，被搜出几十个“同源”蛋白，其实那些蛋白只是在同一个低复杂度区域撞了车。
遇到这四类情况，传统流程会卡壳，但不是死路。同源之外还有两座靠山：结构证据和进化证据。
2.2 把结构预测和进化谱当成第二类证据
“结构决定功能”这句话在功能预测里不是哲学口号，而是非常实用的操作准则。就算序列相似性归零，两个蛋白的三维折叠仍可能非常接近。现代结构预测模型可以从一条输入序列出发，输出候选三维坐标，得到折叠类别、结构域排布、活性口袋形状。把这些结构特征和已知功能家族的结构模板对比，能捕捉到序列层面看不到的远亲关系。
实操时我不会一开始就对每条序列都跑结构预测，太贵了。通常的顺序是：先做一轮同源搜索，把无结果或结果可疑的序列挑出来；然后跑结构预测，用预测程序自带的全局置信度分数筛掉低质量预测；最后对高置信度结构做结构比对和口袋分析。结构里如果有保守催化残基或高度匹配的结合位点，就可以把功能假设从“孤儿”推进到“可能的金属水解酶”这个量级。
结构预测的输出不能只看整体好不好看。很多模型会给每个残基一个置信度分数，有些区域折叠得很确信，有些区域完全是低置信度的“面条状”。判断功能时，活性位点所在区域的置信度比整体平均置信度更重要。一个蛋白如果整体置信度不高，但催化口袋周围残基非常稳定，那这个口袋信息仍然值得用；反过来，如果全局结构漂亮而关键loop区漂移很大，功能推断就要打问号。这个细节，我一开始也忽略过，直到模型把活性中心推到错误方向才发现筛选逻辑出了问题。
进化信息是另一条线索。把目标序列与其同源序列做多序列比对，可以得到每个位置的氨基酸偏好，这叫位置特异性谱。比对中某些位点会协同变异——一个位点变化，另一个位点也跟着变化，这种共进化信号通常对应空间接触或功能偶联。把共进化关系喂给结构预测模型，也能提高折叠推测的准确度。更直白的用法是：如果某个未知蛋白和某个已知功能蛋白共享一堆共进化残基，即使整体序列相似性很低，这些共进化模式也会成为功能推断的加分项。
不过要提醒一句：结构证据是概率性的，不是一锤定音。预测结构的整体折叠也许可信，但活性位点关键残基的细微错位就可能把功能猜错。所以我会把结构预测结果当作“第二意见”，而不是替代序列证据的最终结论。最后合并证据时，结构信息如果能和同源搜索指向同一个功能家族，我的信心才会真正上来。
3. 多模态深度学习：把序列、结构、互作信息拼进同一个模型
3.1 多模态到底在学什么，为什么值得做
多模态深度学习这个名字听起来很新，但核心思想并不复杂：不要只用一种信息源做判断，而是把多个信息源放进同一个模型里互相约束。蛋白质功能预测场景下，最常见的模态是序列本身、预测结构、进化上下文和蛋白互作网络。每种模态都有自己的偏差：序列语言模型能捕捉保守模式，却难以理解三维空间关系；结构特征能体现折叠，但预测误差会传播；互作网络能提供上下文，但数据稀疏且偏向研究较多的模式物种。单独用任何一种，都会在某个子集上失明。
用生活里的场景来类比：你判断一个人是不是厨师，只看厨帽（序列）容易被冒充；再加上他颠勺的手法（结构），准确率已经高很多；如果还看到他频繁和后厨的人交接菜品（互作网络），这三个证据交叉验证，结论就扎实得多。多模态模型要学的就是这种交叉验证模式，而不是简单地把三类特征粘在一起。
融合方式上有早期融合、中期融合和晚期融合。早期融合直接把原始特征或嵌入向量拼在一起，实现简单，但模态之间没有交互，只是让分类器硬学；晚期融合是每个模态各出一个预测，最后投票或加权；中期融合则是在模型的中间层用注意力机制让不同模态相互参照，这也是我更推荐的方式。一个蛋白质的序列模式，会去“关注”结构决定的关键残基；结构模块又会根据序列上下文去校正某个loop区域的可信度。这种交互比简单拼接更能解释功能决定因素。
多模态模型并不需要每个模态都做到完美。序列编码器可以来自一个在大型蛋白集合上预训练好的语言模型，结构编码器可以只接收接触图或距离矩阵，互作编码器可以是一个普通的图神经网络。关键是让这些模块在融合层互相“提问”：结构模块问序列模块，“这个loop区域的序列特征是否支持我预测的构象”；序列模块问互作模块，“这个蛋白的互作伙伴是不是集中在通路的下一环”。注意力机制天然适合做这件事。
3.2 我的实操流程：数据、特征、模型与评估
先挑数据。我会用带有实验证据的功能注释作为标签，而不是只依赖自动注释。功能本体是个多标签的层次体系：一个蛋白质可以有多个功能分类，比如既是“催化活性”又是“金属离子结合”。标签不是互斥的，所以模型输出层要做成多标签分类，而不是单分类softmax。我常用的评估标签是层次化剪枝后的功能类别，让模型同时输出粗粒度和细粒度标签，而不是只输出最细的那层。
特征构造这一步最耗时间。序列特征我用预训练的蛋白质语言模型提取，取倒数第二层做平均池化，得到一个固定维度的序列向量。结构特征方面，我倾向于用预测结构生成接触图或距离矩阵，再把接触图交给图神经网络或卷积处理。互作特征则从蛋白互作数据库中抽出目标蛋白的局部子网络，用图神经网络编码。如果某个蛋白没有互作数据，就把它编码成空图，学一个“没有证据”的表示，而不是丢掉样本。
模型主体用交叉注意力桥接三个模态。伪代码示意如下：
# 多模态功能预测伪代码 seq_emb = plm_encoder(sequence) # 序列模态 struct_emb = structure_encoder(contact_map) # 结构模态 graph_emb = gnn(ppi_subgraph) # 互作模态 fused = cross_attention(seq_emb, struct_emb, graph_emb) logits = multilabel_classifier(fused) # 输出每个功能标签的概率 loss = weighted_bce(logits, go_labels) # 加权二分类交叉熵这里有一个很容易犯的错误：把三个模态的向量直接相加或者拼接，然后就让分类器去学。简单拼接不是不能用，但它缺少模态之间的“讨论”，模型往往只会挑其中一个信息最强的模态来模仿，不会真正形成交叉验证。加了交叉注意力之后，训练时间变长，但模型在多个项目上的稳定性和可解释性都明显更好。
评估指标不要用准确率。功能标签非常稀疏，绝大多数标签都不存在，预测“全无”也能拿到很高的准确率，但毫无意义。我用的是精确率-召回率曲线下的最大F值，通常写作Fmax，以及针对每个功能类别的ROC-AUC。训练时还要处理类别不平衡：高频功能标签出现几百次，低频标签可能只有个位数。我通常对损失函数做类别加权，或者用焦点损失让模型把注意力放到难样本上。
数据划分是这整套流程里最该较真的环节。如果随机划分训练集和测试集，测试序列可能与训练序列有很高的同一性，模型通过记忆相近序列的注释就能取得好成绩，这不叫泛化。正确做法是先对蛋白序列按30%同一性聚类，再把同一个簇的序列统一放进训练集或测试集。只要做过一次这样严格的划分，你大概率会发现模型性能比随机划分下降一大截，那才是真实水平。
4. 常见问题与排查技巧实录
4.1 同源泄漏：为什么指标虚高，以及怎么防
这是我在多模态模型上踩过最深的一个坑。最开始做验证时，随机把数据切了一刀，Fmax冲到了0.68，我一度以为模型效果不错。后来换成按序列相似度聚类划分，同一套模型掉到0.41。差距从哪里来？测试集里大量序列和训练集共享保守结构域，模型不需要真的理解功能，只要认出某段序列模式就能背出标签。这种“背注释”的能力没有任何科学价值，拿出去做新基因注释必然翻车。
防止同源泄漏没有捷径：必须按序列同一性聚类后划分。常见阈值是30%，对这个阈值有争议时，可以再放宽到40%做敏感性分析。如果模型在聚类划分下明显下降，不代表模型无用，只说明它更倾向于记忆相似序列。稳妥的做法是把聚类后的划分沿用去计算最终指标，不要再用随机划分自欺欺人。下游实验同事问你“这个模型的准确率是多少”，你必须能解释这个数是在什么划分条件下得到的。
4.2 长尾功能类别：为什么低频功能总是学不好
第二个卡脖子问题是长尾分布。几个大类别，比如“ATP结合”“金属离子结合”“氧化还原酶活性”，占了大部分样本；真正能区分蛋白质个性的细粒度功能，比如“某类次级代谢产物的合成”，数量稀少，模型几乎学不到。你会发现模型输出的功能列表永远是那几个高频类别，低频的细粒度功能一个都出不来。
我的应对分三层。第一层在数据端：对低频样本做过采样，但不要复制，而是尽量补充同源样本。第二层在损失函数端：按照类别频率的倒数加权，让低频样本的错误贡献更大；焦点损失也能起到类似作用。第三层在标签结构端：利用功能本体里的层次关系，让模型在预测子类时，必须给父类一个足够高的概率。这个约束本质上是在告诉模型：“你就算分不清是哪一种水解酶，至少要先承认它是水解酶。”
还有一个实用经验：对低频类别，宁可从父类或兄弟姐妹类别给一个粗粒度的预测，也不要硬给一个细粒度但很可能是错的叶节点标签。下游的湿实验同事拿到候选基因列表，更愿意看到一个能解释的粗注释，而不是一个看起来精确但无法验证的细注释。我后来把输出层的预测结果按功能本体做后处理，先保证父类概率大于子类概率，再人为把落在孤立叶节点上的低置信度预测上卷到父类。这样表面上看细粒度预测少了，但整体预测的可信度提高了很多。
4.3 小样本和极端物种下的迁移策略
很多实际场景没有几千条带注释的训练数据，比如一个新分离的深海菌，公共库里可能只有几十条近缘蛋白有实验证据。这种情况我建议不要从零训练多模态模型，而是用已经在大型蛋白集合上预训练好的特征提取器，再在目标数据上做微调。多模态模型也一样：序列编码器保持预训练权重，结构编码器和互作编码器可以先用通用数据做一遍预训练，最后再一起微调。
微调也有讲究。我踩过直接把全部参数解冻去微调，结果在几十条样本上严重过拟合的坑。之后改成三步走：先冻结特征提取器，只训练分类头，确定基线；再解冻最后两层的注意力块，加入小学习率微调；最后才考虑解冻更多层。每一步都在独立验证集上看好Fmax再决定要不要继续。小数据下，模型参数越多越容易把训练集背下来，所以“少解冻、小学习率、早停”三个原则要刻在脑子里。
对于结构模态，迁移时也要当心。如果预训练结构编码器是在高精度实验结构上训练，目标序列只有预测结构，分布就有一个断层。我倾向于用预测结构做领域自适应，或者干脆把结构特征换成不依赖绝对坐标的相对接触图，这样鲁棒性会好很多。接触图描述的是残基对之间是否靠近，不关心整体坐标原点在哪，天然对预测结构误差有一定容忍度。
下面把我遇到过的问题排成一张速查表，方便后续排查：
| 现象 | 常见原因 | 排查手段 |
|---|---|---|
| 训练指标很高，验证指标下降 | 数据划分存在同源泄漏 | 按30%同一性聚类后划分重训 |
| 高频标签预测准，低频标签几乎不出现 | 长尾分布/样本不平衡 | 类别加权、焦点损失、层级约束 |
| 微调后指标反而下降 | 小样本下全网络微调过拟合 | 冻结特征提取器，逐层解冻 |
| 加入结构特征后没有提升 | 预测结构噪声过大/模态未对齐 | 检查置信度，改用接触图特征 |
| 结果看起来很好但人工审查全错 | 参考库自动注释污染 | 回溯注释来源，降级自动注释 |
5. 从预测到结论：怎样使用模型结果才算数
5.1 用多重证据交叉验证预测结果
模型输出的是概率，不是事实。在使用一个高概率预测给同事之前，我会把候选蛋白拉出来做一套人工检查：序列比对证据是否覆盖关键功能区域；预测结构的活性位点和已知功能家族是否匹配；该蛋白的互作伙伴是否聚集在同一条通路上；共表达数据是否和预测功能有时间上的呼应。四个维度里至少有三个支撑，我才愿意把结果写进报告。
这套检查听起来繁琐，但能救回很多被模型带偏的项目。有一次模型对一个蛋白给出了很高的“转录调控因子”概率，序列证据也确实匹配到了螺旋-转角-螺旋结构域。但互作伙伴全都是代谢酶，共表达数据显示它在特定底物诱导下才显著上调。最后人工校准后，把它定位成一个代谢调控相关的蛋白，而不是单纯的DNA结合蛋白。模型看到的是局部特征，人工检查看到的是整个生物学故事。
5.2 多模态不是万能药，回到流程设计上看问题
投入多大成本去做多模态融合，取决于项目目标。如果只是给批量基因组做初步注释，传统序列同源和结构域扫描可能已经够用；如果要精细研究一群功能未知的蛋白，多模态模型能帮你排优先级。我个人习惯是，先把同源搜索和结构预测跑透，列出证据清单；对证据不足的序列，才用多模态模型做二次分类。这能让计算成本花在刀刃上，也不会让解释压力全部压在模型头上。
踩过几次坑之后，我最大的体会是，多模态深度学习并没有取代序列同源性，它只是把“同源之外还能怎么预测”这个问题的答案往前推了一步。真正的判断标准永远是：预测结果能让下游实验少走多少弯路。
这个流程后面还可以继续扩展。我目前正在尝试的方向包括：把预测结构的时间信息加进来，用分子动力学模拟验证活性口袋的稳定性；把文献中的功能描述作为文本模态，和序列、结构做跨模态对齐；把模型内部的注意力权重可视化，输出功能位点证据。每加一种新模态，都要重新做一遍同源泄漏检查，因为文本或互作信息里也可能藏着冗余线索。
拿到一条完全未知的蛋白，我现在会先问三个问题：有没有可靠同源？结构能不能预测出有意义的折叠？互作网络能不能提供上下文？三个问题的答案组合起来，基本决定了该用哪条技术路径。这不是最炫酷的方案，但一定是最不容易出错的。希望这篇复盘能帮你少走一点弯路，也欢迎在实际数据上尝试后回来交流各自的阈值和划分策略。
