Foldseek-Interface：大规模蛋白界面聚类

参考：https://github.com/steineggerlab/foldseek-interface-analysis
算法本身在 Foldseek 主程序
foldseek参考：https://github.com/steineggerlab/foldseek

核心方法概述

Foldseek-Interface 把蛋白三维相互作用界面转成可检索的3Di序列，实现蛋白界面快速比对与聚类：精度对标 iAlign，但速度最高快230倍。作者对PDB全部生物组装体做聚类：312万二聚体 → 189k非冗余二聚体代表 → 77167个蛋白界面簇，是首个仅依据界面三维结构聚类的实验蛋白界面数据集。整套计算耗时约6天。
配套开放资源：网页检索服务器、界面簇浏览器、Zenodo数据集、预印本。

跑基准测试、处理 PDB 组装体、调用 Foldseek 接口模块做二聚体 + 界面聚类、后注释

仓库目录分工

1. scripts/：SLURM调度脚本，跑Foldseek、iAlign、MMseqs2，负责建库、聚类、NMR处理、物种溯源等批量任务。
2. benchmarking/：构建基准数据集、评估精度，生成图1与配套附表。
   • 自建两类基准：有序-有序结构域互作DDI、无序-有序短基序互作DMI；
   • 批量全比对：Foldseek-Interface 和 iAlign 做对照；扫描LDDT/TM-score阈值；用AUC、调整兰德指数ARI评估聚类效果。
3. annotations/：批量从外部数据库抓取注释，合并到界面簇表格：无序区域、二级结构、Pfam、CATH、GO、UniProt映射、物种、PDB提交时间等。
4. analysis/：下游科学分析，生成图2–4及补充图表：
   • 界面二级结构统计、方差分析；
   • 结构/功能多样性：部分簇包含多套CATH结构域配对；
   • 病原体模拟互作：筛选同时含人-人、人-病原体界面的候选簇；
   • HumanPPI（AlphaFold/RoseTTAFold2预测复合物）聚类，找到1780个没有PDB已知匹配、推测全新的蛋白界面；
   • ColabFold/AlphaFold-Multimer预测评估，DockQ打分；
   • ChimeraX可视化脚本。

核心Pipeline（4大阶段）

1. Benchmark基准测试：构建DDI、DMI两套真值数据集，调参、对比iAlign，确定最优阈值（界面multimercluster用--multimer-tm-threshold 0.4）。
2. PDB大规模聚类（两步聚类）
   • 第一步：二聚体水平聚类，严格阈值，得到189,830非冗余二聚体代表；
   • 第二步：提取界面、在界面层面聚类，得到77167界面簇；
   • 额外处理NMR多构象模型，检验聚类稳定性。
3. 注释整合：把结构、无序、二级结构、Pfam、CATH、GO、物种等信息全部合并到界面簇表。
4. 下游分析：统计、多样性分析、病原体模拟、HumanPPI新界面挖掘、AlphaFold预测验证、可视化。

软件依赖清单

• Foldseek（带界面模块：createdimerdb / createinterfacedb / multimercluster）
• MMseqs2，iAlign（基准对照），ColabFold
• Python：pandas、scipy、sklearn、statsmodels、biopython、gemmi等
• R：clusterProfiler、ggplot2（GO富集）

Foldseek-inference 思路

二阶段聚类：先二聚体聚类，再界面聚类

3Di 序列转换的算法原理

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/weixin_62528784/article/details/165089273