基于ProstT5和结构字母的增强型CATH超家族检测工具CATHe2

《Biology Methods and Protocols》：CATHe2: Enhanced CATH Superfamily Detection Using ProstT5 and Structural Alphabets

本研究针对AlphaFold等计算结构模型爆发式增长背景下CATH数据库超家族手工注释不可行的问题，开发了基于ProstT5和3Di结构字母的蛋白质超家族自动分类器CATHe2。通过融合氨基酸序列嵌入和三维结构信息，该模型在严格同源性阈值（20%序列一致性）下将超家族分类F1分数提升至82.3%，较前代CATHe提升9.9%。该研究为大规模蛋白质功能注释提供了更精准高效的解决方案，代码已开源。

　　

随着AlphaFold2在2020年实现蛋白质结构预测的突破，生物学界迎来了计算结构模型（CSM）的爆炸式增长。AlphaFold数据库（AFDB）已包含超过2亿个预测结构，这种数据洪流使得传统手工注释蛋白质进化关系的CATH数据库面临巨大挑战。CATH作为重要的蛋白质结构分类系统，通过超家族（SF）分类揭示蛋白质的进化与结构关系，但面对海量数据，人工分类已不可行。

此前CATH团队开发了自动分类器CATHe，采用前馈神经网络（FNN）结合蛋白质语言模型（pLM）ProtT5的嵌入向量，在序列一致性低于20%的远程同源检测任务中达到72.4%的F1分数。然而，新出现的结构感知型pLM和更高效的表示方法为性能提升提供了可能。

在这项发表于《Biology Methods and Protocols》的研究中，Orfeu Mouret和Jad Abbass团队提出了CATHe2系统，通过三大创新实现性能飞跃：首先用新型双语模型ProstT5替代ProtT5；其次引入Foldseek开发的3Di结构字母表示三维结构信息；最后优化了神经网络分类器架构。

关键技术方法包括：基于CATH v4.3数据集构建训练集（1,039,135个结构域）和测试集（6,863个结构域），使用严格过滤（序列一致性<20%）；通过ProstT5生成氨基酸序列和3Di序列嵌入；采用网格搜索优化FNN分类器超参数（层数、丢弃率等）；利用pLDDT置信度阈值和支持度阈值进行数据质量控制。

CATHe2模型性能

最佳模型采用ProstT5全精度嵌入，结合氨基酸和3Di序列信息，在大型数据集上达到92.2%准确率和82.3% F1分数，显著超越前代CATHe（85.6%准确率，72.4% F1分数）。对比实验表明，仅使用氨基酸序列的简化版CATHe2也能将F1分数提高6.7%，证明新架构的有效性。

Embedding input for CATHe2F1 score

ProstT5 full82.3±1.3%

ProstT5 half81.9±1.3%

ESM2 15B80.6±1.3%

附加实验结果

结构信息贡献分析显示，单独使用3Di嵌入效果较差，但与氨基酸嵌入结合能带来额外增益。pLDDT过滤实验发现，中等阈值（24）能平衡数据质量与数量，而过高阈值会因训练样本减少而降低性能。

支持度阈值实验表明，过滤低支持度超家族（域数量<10）虽能提高指标（F1分数达88.0%），但因损失172个超家族而未被最终模型采用，凸显了数据覆盖度对实用性的重要性。

讨论与展望

研究团队客观分析了CATHe2的局限性：由于3Di序列依赖结构数据，训练集比CATHe减少13%（137,698个域），且缺少"其他"超家族类别，限制了对新超家族的识别能力。然而，控制实验表明这些因素对性能影响有限（约1.5%）。

未来改进方向包括：采用轻量注意力机制替代平均池化；使用ProstT5配套CNN从序列推断3Di结构；探索多pLM嵌入融合策略；测试蛋白质块（PB）等替代结构表示方法。团队特别推荐尝试SaProt和ProSST等新兴结构感知pLM，这些模型可能更好地融合结构与序列信息。

CATHe2的意义在于为后AlphaFold时代的蛋白质功能注释提供了可扩展的解决方案。其开源特性（代码发布于GitHub）将促进社区进一步发展，为理解蛋白质进化景观和功能推断提供强大工具。随着计算生物学进入"蛋白质语言模型时代"，CATHe2展示了如何通过智能整合序列与结构信息，在保持速度的同时提升远程同源检测的灵敏度。