20 倍提速！AI 横扫蛋白质宇宙，
找「功能基序」的新王者 Folddisco

Structural motif search across the protein universe with Folddisco

📊 核心数据一目了然

🧬 为什么我们需要"功能基序搜索"？

蛋白质的功能往往不靠"整条链"，而是靠几个关键氨基酸残基组成的「结构基序」（structural motif）—— 它们在三维空间里恰好凑成一个口袋、一对锌指、一个催化三联体。换句话说，真正决定功能的，是几颗散落各处却空间相邻的「钥匙残基」。

问题来了：AlphaFold 已经吐出 2 亿多个预测结构，ESM Atlas 又添了 7 亿多个宏基因组结构。如果你想问一个再朴素不过的问题——

旧工具（pyScoMotif、RCSB Structure Motif Search、MASTER）会先把每个候选结构暴力对齐一遍，再算 RMSD，跑到一半就显示"预计还需 8 天"。

这就是 Folddisco 想终结的痛点：让"全宇宙找钥匙"变成秒级查询。

图 1. Folddisco 的查询流程与基准测试 ｜ a 用户提交查询基序（左），系统在数据库中返回完全匹配、跨链匹配和部分匹配；b 把每对残基的几何特征（距离 + 侧链方向 + 主链扭转角）编码为整数 ID 存入倒排索引；c 罕见度评分系统先做粗筛、再做精细残基匹配；d-h 在锌指、催化位点、SCOPe 同家族识别等基准上全面优于 pyScoMotif、RCSB、MASTER，速度优势 10-20 倍。

🔧 Folddisco 是怎么做到的？三招破局

① 把残基对编码成"几何指纹"

把基序里任意两个残基的相对位置，拆成 5 个几何特征：

这 5 个特征经过离散化后被压缩成一个 32 位整数 ID（如示例中的 "45683"）。每一对残基都是一个 ID，每个 ID 都能反查到所有"长得像它"的蛋白质。这就是 Folddisco 的"几何指纹索引"——把空间问题变成查字典问题。

② 用"罕见度"给候选排序

常见特征（比如普通 α-helix 里的相邻残基）几乎人人都有，留作鉴别意义不大；而稀有的几何组合（比如锌指里那种 Cys-His 反平行夹角）才是真正的"功能信号"。

Folddisco 借鉴了信息检索里经典的 IDF（逆文档频率）思想：越罕见的指纹权重越高。预筛阶段就能把 99% 的"无聊候选"刷掉，只把剩下 1% 送进精细比对。

③ 位置无关 + 跨链 + 部分匹配

补图 1. Folddisco 详细工作流（对 Fig 1a-c 的扩展）｜ a 查询基序的特征提取与编码 → b 数据库索引构建（倒排表）→ c 罕见度评分（基于 IDF）的预筛 → d 精细残基匹配 + RMSD 输出。整个过程对用户屏蔽细节，只需输入"基序坐标"。

🏆 基准测试：全维度碾压

作者用三套独立基准做了硬碰硬对比：

补图 2. 跨数据库 + 跨 CPU 核心数的索引构建时间 ｜ 在 Swiss-Prot、人类蛋白质组、AFDB50 三个数据库上，Folddisco 的索引构建时间随 CPU 核数线性下降；即便是 5000 万结构的 AFDB50，使用 64 核也能在 24 小时内完成索引。

🔬 真实应用案例：三类基序、三种惊喜

图 2. Folddisco 三大真实场景 ｜ a 用经典锌指基序（PDB 1G2F）跨库扫描，从 AlphaFold DB 中召回太平洋牡蛎未注释蛋白 K1RNK4 的双锌指、从 ESM30 召回宏基因组锌指、并在大肠杆菌肽脱甲酰酶中找到"反向"的部分匹配；b GPCR 构象变化：用 NPxxY/CWxP/DRY 三组保守基序识别活化态与非活化态 GPCR；c 蛋白-蛋白相互作用界面：以免疫球蛋白 λ-轻链为查询，跨链命中抗 IFNγ scFv 抗体的同源界面。

① 锌指基序：跨物种"反向匹配"也能识别

作者拿 C2H2 型锌指（PDB 1G2F）的 4 个关键残基（F207-C212-F225-C229，含两组 Cys-His 配位）做查询，Folddisco 在 2.14 亿条 AlphaFold 结构里：

为什么重要？传统序列比对会因氨基酸顺序反转而错过，结构对齐工具会因整体折叠不同而错过——只有 Folddisco 的"位置无关 + 部分匹配"能捞出这种隐藏的功能拷贝。这意味着基因组里可能还藏着大量"被错过"的金属结合蛋白。

② GPCR 双构象识别：精准区分"开"与"关"

G 蛋白偶联受体是药物靶点的金矿，但同一受体的活化态 vs 非活化态结构差异极其细微——只有 DRY、CWxP、NPxxY 三个微基序的相对位置不同。

作者用活化态 GPCR（PDB 6LFO）的三组微基序做查询：

③ PPI 界面搜索：抗体设计的新捷径

作者拿免疫球蛋白 λ-轻链与 κ-可变区（PDB 4G3Y）的相互作用界面残基做查询。Folddisco 跨链识别到一个完全不同来源、不同折叠骨架的同源 PPI 界面：抗 IFNγ 单链抗体 scFv（UniProt A2KBC7）。

这等于给抗体工程师指了一条新路：要找"长得像目标界面"的备选 scaffold，不必从头训练 ML 模型，直接基序搜一搜，全世界数据库给你筛。

④ 双基序联合搜索：定位"多功能调控点"

蛋白质常有多个独立的功能位点——比如血红蛋白的异构调控位点（10 残基）+ 活性位点（4 残基）。Folddisco 支持把这 14 个残基同时作为一个组合基序提交查询，一次性识别那些"既有活性又能被别构调控"的同伴。

⚖️ 与 Foldseek、AlphaFold 的关系

补图 3. 灵敏度 vs 运行时长的权衡 ｜ 通过调整距离离散化的分箱数量，Folddisco 可在"高灵敏度（默认/Sensitive 模式）"与"极速预筛"之间灵活切换；M-CSA 子集测试表明，默认参数已能在数秒内达到接近最优的灵敏度，无需进一步调参。

🚀 意义与未来展望

🔗 数据与代码

👥 关于团队