从AlphaFold预测结构到蛋白质设计：数据筛选与模型训练实战

在蛋白质设计这个圈子里，这几年最让我觉得风向彻底变了的一件事，就是AlphaFold预测结构数据库打开之后，大家突然不缺结构数据了。项目标题里那句“从数百万个AlphFold预测蛋白质结构中学习蛋白质设计”，听起来像一句口号，但真要把这条路走通，你会发现它其实是把一个结构生物学问题，硬生生变成了一个大数据工程问题。我从一开始盲目下载全量数据，到后来逐步搭出一套能稳定训练的设计模型，中间踩的坑、试错的弯路，我觉得比任何论文补充材料都值得拿出来聊一聊。这篇东西不打算写成综述，就是把我自己的实操链路拆开给你看，从数据筛选、特征构建、模型选型到评估验证，每一步都讲清楚为什么这么做。

1. 先搞清楚AlphaFold预测数据库里到底有什么

1.1 一次结构预测的产物：坐标、置信度和残基

很多人以为AlphaFold预测结构就是一套三维坐标，拿到手就能直接训练。实际上单个预测结构文件里携带的信息远比坐标多，而且大部分在后续建模里都会被当成特征用。

以AlphaFold数据库常见的mmCIF格式为例，每个条目至少包含这几个部分：

• 原子坐标：主要给每个残基的原子位置，常用的是N、Cα、C、O这四个主链原子，侧链原子在某些模型里会被压缩或省略。
• pLDDT值：每个残基一个0到1之间的置信度分数，代表模型对这个残基局部结构的把握。这个值在后面所有过滤操作里都是第一道关卡。
• 残基序列：预测结构对应的氨基酸序列，注意它和UniProt里的序列可能存在起始位置偏移，处理时要对齐。
• 链信息：一些条目包含多条链或重复结构域，需要根据链ID拆分。

我在实际处理时，通常只提取每个残基的Cα坐标和pLDDT，因为后续模型和评估基本上都建立在Cα骨架上面。侧链原子虽然对某些精细任务有用，但数据清洗复杂、显存占用大，对第一步训练来说性价比不高。

1.2 质量分布：pLDDT不是拿来就用的

AlphaFold数据库里并不是所有结构都有同等价值。如果全量下载后按pLDDT画个分布，你会看到明显的双峰：一部分结构预测得很自信，平均pLDDT在0.85以上；另一部分则是低置信度的“面条状”结构，平均pLDDT可能不到0.5。

这个分布直接影响你的训练策略。我第一版数据管线就是偷懒，只按文件级别的平均pLDDT大于0.7来过滤，结果训练出来的模型经常生成一些形态古怪、内部没有二级结构的序列。后来改成残基级过滤，每个残基的pLDDT都要过阈值，低于阈值的残基直接屏蔽损失，情况才好转。

我建议的pLDDT处理分层如下表：

这里要提醒一句：AlphaFold对多结构域蛋白的预测往往分开管，结构域内部pLDDT很高，但域间相对位置可能完全随机。所以如果你直接拿整条链训练，模型学到的是“两个结构域可以乱摆”的错误先验。

1.3 用于设计的语义标注：进化信息和功能信息需要另算

预测结构本身只解决了一个问题：这条序列大概长什么样。但蛋白质设计还需要知道哪些残基是保守的、哪些位置对功能重要。这些信息并不存在于AlphaFold输出里，得额外从序列比对和功能数据库去拿。

我的做法是给训练样本做三步补充标注：

1. 基于多序列比对的保守性打分，用滑窗计算每个残基位置的保守性。
2. 用公开的二级结构预测器或直接由AlphaFold结构计算二级结构归属，把H/E/C三类标签作为辅助特征。
3. 从文献或已有注释里提取活性位点残基，如果样本属于酶或结合蛋白，这类残基通常要刻意保护，不能被设计模型随意改动。

这一步看起来繁琐，却是决定模型最终能否生成“可折叠、有功能”蛋白质的关键。只有坐标没有语义，模型学到的更多是几何排列，而不是设计逻辑。

2. 筛选与预处理：从数亿条序列到可训练的高质量子集

2.1 按pLDDT、长度、结构紧凑度做三层过滤

一开始总想着数据越多越好，直到第一次训练模型跑了一周，生成的序列折叠验证全部失败，我才意识到数据质量远比数量重要。现在我的过滤管线分三关，顺序非常关键。

第一关是长度过滤。蛋白质结构预测对短肽和长链的偏差不一样，我这边直接剔除小于40个残基和大于400个残基的条目。太短的片段结构信息不足，模型很容易过拟合重复模式；太长则多结构域问题严重，显存也吃不消。

第二关是pLDDT过滤。分两个角度：残基级筛选要求每个残基pLDDT大于0.7的残基占整条链的比例超过70%；全局级要求整条链的平均pLDDT大于0.75。这个阈值可以根据任务调整，但至少保证一点——训练集中绝大多数骨架是可信的。

第三关是结构紧凑度过滤。计算每个预测结构的回旋半径和接触数，把明显松散、残基间接触极少的结构踢出去。很多低置信度预测表现为“空壳”状态，即使平均pLDDT碰巧过线，结构本身也毫无参考价值。回旋半径大于相同长度天然蛋白常见范围的结构，我直接丢弃。

2.2 冗余剔除：按序列同一度聚类的必要性

蛋白质结构数据库中大量条目高度同源，同一个折叠家族可能重复出现几百上千次。如果直接把所有条目拿去训练，模型会被少数优势家族绑架，生成多样性变得极差。

我的做法是用序列聚类工具按30%的序列同一度去冗余。具体来说，把每条序列跑一遍嵌入或比对，按阈值聚成一簇，每个簇只保留一个代表结构。用这个策略，我大概把原始数据从几百万条压到了几十万条的高质量非冗余子集，训练多样性马上就不一样了。

需要留意的是，有些折叠类型天然家族巨大，比如免疫球蛋白样折叠，去冗余后仍然占比偏高。所以我在采样阶段还会加一步类别平衡，按预测结构的二级结构比例粗分类，每类设定最大采样占比，避免训练变成“免疫球蛋白样折叠生成器”。

2.3 特征工程：从(Cα坐标、氨基酸类型)到图结构

拿到干净坐标之后，下一步就是把三维几何转成模型能吃的特征。我试过两种主要方案：

第一种是直接把Cα坐标归一化后作为点云输入，每个残基对应一个点，特征是坐标、氨基酸one-hot、pLDDT、二级结构标签。这种做法实现简单，但要处理好旋转不变性，必须做随机旋转增强或使用等变网络。

第二种是把结构转成图。以每个残基为节点，根据Cα距离阈值建边，通常取10埃以内连边。每条边附带几何特征：距离、方向向量、相对角度、残基间是否形成主链氢键。图神经网络对这种输入很自然，而且数学上自带部分旋转不变性。

我自己现在偏向第二种，尤其是需要捕获长程接触时会加上k近邻图。特征张量大致维持在每个节点128维，每条边64维，这样模型容量足够，又不会因为稀疏特征导致显存膨胀。

2.4 一个完整预处理管线示例

下面是我当前在用的简化版预处理核心逻辑，可以直接参考：

import numpy as np from collections import defaultdict def parse_cif_and_build_graph(cif_path, seq, plddt): # 提取每个残基的 ca 坐标和 plddt coord = get_ca_coordinates(cif_path) # shape: (L, 3) mask = plddt > 0.7 # 残基级别过滤 # 长度过滤 L = len(seq) if L < 40 or L > 400: return None # 构图：距离阈值 10 埃 edges = [] for i in range(L): for j in range(i+1, L): dist = np.linalg.norm(coord[i] - coord[j]) if dist < 10.0: # 保存边特征：欧氏距离 + 方向向量 edges.append((i, j, dist, (coord[i]-coord[j])/dist)) # 节点特征：氨基酸类型 + plddt + 二级结构 node_feats = np.concatenate([ amino_acid_onehot(seq), plddt[:, None], secondary_structure_annot(coord) ], axis=-1) return { "node_feats": node_feats, "edge_index": [e[:2] for e in edges], "edge_feats": [e[2:] for e in edges], "residue_mask": mask }

这段代码虽然简略，但能体现整个预处理的思路。真实环境里还要考虑多个PDB链、残基缺失、间隙处理等问题，但核心逻辑不变：先按pLDDT和长度筛掉不可靠样本，再把保留下来的结构转成语义+几何特征图。

3. 模型怎么设计：从坐标表达到序列生成

3.1 三种主流架构对比：Point Cloud、GNN、Diffusion

设计模型的选择，本质上是选择一种“从结构到序列”的映射方式。我实际对比过三类主流做法：

Point Cloud + Transformer：把每个残基当一个token，输入坐标和特征做自注意力。优点是可以全局建模长程相互作用，缺点是坐标缺乏局部顺序归纳偏置，旋转增强是必须的。

Graph Neural Network（GNN）：节点是残基，边是距离邻近关系。优点是对局部几何敏感，而且天然支持消息传递，适合捕捉接触相互作用。缺点是对长程全局拓扑关系表达弱，需要加深层数或加Global Attention层弥补。

Diffusion / Flow Matching模型：直接对结构或序列做生成式建模，从噪声逐步去噪到真实蛋白质。这其实是我最推荐的进阶方向。它把训练目标从“预测单一序列”变成“建模分布”，生成多样性好，而且在逆折叠任务里，Diffusion可以同时优化主链坐标和序列，一步到位。

我从实际训练感受来说，如果是第一版模型，直接上GNN最稳。等管线全部跑通、评估闭环建立之后，再迁移到Diffusion框架，否则调试周期会非常痛苦。

3.2 等变性和旋转不变性：绕不开的loss设计问题

蛋白质在三维空间里无论怎么旋转，它的结构和功能都不变。如果你的模型输出序列，那旋转不变性还相对好处理：输入时做随机旋转增强就行。但如果你同时想去预测或优化坐标，就必须在模型架构里引入等变操作。

我在用GNN时，核心edge特征都是距离和相对方向，节点坐标只用于计算几何量，不会直接作为绝对值被网络吸收，所以预测结果天然具有旋转不变性。但如果用了Point Cloud Transformer，我会加一层SE(3)数据增强，每次给坐标乘一个随机旋转矩阵，保证模型不依赖特定坐标朝向。

Loss设计上，序列生成任务用的是交叉熵，坐标回归任务则要小心。直接对坐标算MSE有个坏处：模型会倾向于把输出压缩到原点附近来减小误差。我在实际训练里更推荐逐原子距离矩阵loss，对比预测结构的内部距离和真实结构的内部距离，这样天然旋转不变，还不容易出现坐标漂移。

3.3 我的训练配置与参数选择

这些参数是在几十次实验里试出来的，不一定最优，但作为起点很可靠：

• 骨干网络：5层Graph Transformer，hidden size 256。
• 训练目标：主任务为残基类型预测，辅助任务为结构恢复（预测去噪后的坐标）。
• 优化器：AdamW，初始学习率3e-4，带余弦退火。
• Batch size：如果显存紧张，用梯度累积模拟128条样本的效果。
• 训练集：20万条非冗余结构，对全量数据做加权采样。
• 正则化：Dropout 0.1，针对序列给随机遮蔽增强，遮蔽率20%。

训练过程中要盯两个指标：验证集残基类型预测准确率，以及结构坐标去噪后的Cα RMSD。单独一个指标变好不代表模型变好，比如序列准确率高但RMSD高，说明模型在记序列而非理解结构。

4. 怎么判断设计结果靠不靠谱：从数值指标到折叠验证

4.1 用AlphaFold自身当裁判：结构自洽性评估

这里有个很有意思的逆向操作：训练时我们用AlphaFold预测结构当标签，评估时我们又拿AlphaFold当裁判。具体做法是，把模型生成的序列重新丢给AlphaFold跑一轮结构预测，然后把预测出的结构与原设计结构比对。

如果设计模型真的从结构中学到了序列规则，那么回折叠得到的结构应该和原结构非常相近，Cα RMSD在2埃以内。如果模型只是在背训练集样本，回折叠结果就会一塌糊涂。

我通常批量做500条设计序列回折叠，统计中位pLDDT和中位RMSD。凡是中位pLDDT低于0.8、RMSD大于3埃的设计，直接从候选列表删掉，不进入后续湿实验。

4.2 数值指标与潜在陷阱：RMSD的均值被离群点支配

这里必须提醒一个容易踩的坑。很多人在评估时习惯报告平均RMSD，但RMSD分布往往有很长的尾巴，几条完全错乱的结构会把平均值拉得很高。

我后来改用三个分位数来描述设计质量：P50（中位）、P10（最差10%分位）、P90（最好10%分位）。如果P50小但P10特别大，说明模型大部分设计很好，但偶尔会生成完全坍塌的结构，这通常意味着训练集里低质量噪声还没筛干净。

除RMSD外，我还会看二级结构一致性，对比设计序列预测的二级结构和目标结构的二级结构归属，用每个残基的匹配率（例如F1分数）作为补充指标。只盯单个几何指标，很容易被局部折叠良好但整体拓扑错误的“局部高仿品”欺骗。

4.3 湿实验验证做什么：表达、纯化和基本表征

计算验证过了不代表真的能用，蛋白设计的终极标准还是湿实验。这里列一下我认为最省钱的验证流程，适合个人或小团队操作。

第一步是大肠杆菌表达，把设计序列克隆到表达载体里，看是否能表达出可溶蛋白。如果连表达都过不了，后面都不用做。第二步是尺寸排阻色谱或者SDS-PAGE，确认蛋白是否是单一稳定的寡聚状态。第三步是圆二色谱，看二级结构含量，粗略判断是否形成预期的α螺旋或β折叠。条件允许的话，再做热稳定性扫描，看熔化温度是否在合理区间。

我的一些经验是，计算上pLDDT很高的设计，湿实验通过率明显高；但那些只靠序列准确率高的设计，纯化时经常出现沉淀、降解或者寡聚状态不对。所以我在迭代模型时，会定期抽样几十条做湿实验反馈，把实验失败的设计当成难例重新加进训练集，这个闭环对模型提升特别大。

5. 实测中踩过的坑和解决办法

5.1 数据筛选阈值设太宽松：模型开始生成“乱七八糟的球”

第一次训练时，我以为多留点低置信度结构能增加数据多样性，把平均pLDDT阈值降到了0.55。结果模型确实学会了生成球状蛋白——所有残基挤成一个致密球体，二级结构几乎没有，序列也是高度疏水的乱序。

原因很简单：低置信度预测结构本身很多就是无定形球，模型把这个特征当成了主流模式。我后来把阈值拉回0.75，并加上了结构紧凑度过滤，这个问题马上就消失了。所以提醒大家：如果你生成的结果普遍是“洗干净但没特征的球”，先检查数据阈值，而不是换模型结构。

5.2 训练损失不下降：原来是坐标尺度归一化的问题

有一段时间训练损失一直卡在0.9附近，怎么调学习率都没有本质变化。后来我把Cα坐标直接除以一个常数做尺度归一化，发现损失立刻降了一个台阶。

原因在于，坐标值范围从几十埃到几百埃，如果输入网络前不归一化，注意力模块里的点积会受坐标尺度影响，模型对超大坐标值区域完全不敏感。我的做法是把所有结构都平移且缩放，让Cα坐标的均值为零、到原点平均距离为1。这个预处理几乎零成本，却解决了训练不稳定的老问题。

5.3 显存焦虑：梯度检查点、混合精度与小batch

蛋白质结构图通常包含几百上千个节点，边数更多，GNN训练很吃显存。最开始我用batch size 64，单卡直接溢出，后来用了三招才稳定下来：

• 梯度检查点（gradient checkpointing），以少量额外计算换显存。
• 混合精度训练，FP16存储和部分运算，显存直接减半。
• 减小batch size到16，用梯度累积补足有效批大小。

值得注意的是，图神经网络的显存消耗和边数量高度相关，同样的节点数，密度不同倍数。所以我还会限制每张图的边数上限，比如最多保留最近的32个邻居，这既是特征选择也是显存控制。

5.4 序列冗余导致的评估幻觉

用去冗余前的数据集做评估，会带来一种“模型没白练”的假象。因为测试集里可能有一堆训练集同源样本，模型凭序列记忆就能答对，RMSD也好看。

我最后采用的评估方案是把测试集单独聚类，确保测试集的任何结构与训练集的序列同一度低于30%。这个方案会让很多指标瞬间下跌，但真实性能会在湿实验中暴露得更少。领域里那些“公开了完美指标但复现不出”的工作，多半就是在数据划分时留下了冗余漏洞。

写在最后：我的个人体会

这段折腾总结下来，真正让我觉得花了大力气的地方，不是模型结构本身，而是把“AlphaFold预测结构”这一整个免费但粗放的资源，加工成可训练的数据资产。蛋白质设计这个方向，早几年拼的是谁能做出更好的算法，现在反而更多拼的是谁能把公开数据利用得更干净、更聪明。

如果让我给后来者一个最实在的建议，就是第一版模型做出来的设计结果一定要尽快送去湿实验验证。计算指标只能筛掉明显错误的，很多看似漂亮的设计在表达纯化阶段直接崩掉。只有把实验反馈变成训练集的一部分，你的模型才真正开始像“设计者”，而不是“数据拟合器”。

做这件事不要指望一蹴而就。先把数据筛明白，把评估闭环搭起来，再谈模型迭代。哪怕第一个模型只能生成50个残基的小蛋白，只要有一个在试管里稳定折叠，你就算真正拿到了进入这个领域的门票。