Skip to content

foldseek

分享者：bioinfo02

更新时间：20241018

foldseek结果解析

2024年9月26日

11:16

**安装：**conda install bioconda::foldseek

原理：

Foldseek 是一种用于快速比较蛋白质结构的工具，能够有效地评估不同蛋白质结构之间的相似性。Foldseek 提供了多个关键指标，包括 TM score、Fident 和 QCov，这些指标分别从不同角度反映了蛋白质结构对齐的质量和相似性。以下是这三个指标的详细解释及其相互关系和计算方法：

1. TM score**（模板建模分数）**

定义与意义：

  • TM score 是衡量两个蛋白质结构整体相似性的标准化分数，范围通常在 0 到 1 之间。值越接近 1，表示结构相似性越高。
  • TM score 考虑了蛋白质长度的影响，因此能够公平地比较不同长度的蛋白质结构。

计算方法： TM score 的计算基于对齐后对应残基之间的距离，公式如下：

TM score=1Ltarget∑i=1L11+(did0)2\text{TM score} = \frac{1}{L_{\text{target}}} \sum_{i=1}^{L} \frac{1}{1 + \left(\frac{d_i}{d_0}\right)^2}TM score=Ltarget1i=1∑L1+(d0di)21

其中：

  • LLL 是对齐的残基数量。
  • did_idi 是第 iii 个对应残基之间的距离。
  • d0d_0d0 是一个归一化参数，通常取 1.2 Å，用于标准化距离。
  • LtargetL_{\text{target}}Ltarget 是目标蛋白质的长度。

特点：

  • 归一化处理使得 TM score 不受蛋白质长度影响，适用于不同长度蛋白质的比较。
  • 对于同源蛋白质，通常 TM score 高于 0.5 表示具有显著的结构相似性。

2. Fident**（Foldseek 序列同一性分数）**

定义与意义：

  • Fident 表示在对齐区域内的序列同一性，即对齐部分中相同氨基酸残基的比例。
  • 它反映了在对齐过程中，序列层面的相似程度。

计算方法： Fident 的计算公式为：

Fident=相同残基数量对齐残基总数×100%\text{Fident} = \frac{\text{相同残基数量}}{\text{对齐残基总数}} \times 100\%Fident=对齐残基总数相同残基数量×100%

特点：

  • Fident 关注序列层面的保守性，序列同一性高通常预示着结构上的相似性，但不绝对。
  • 在结构相似性高但序列同一性低的情况下，可能存在进化上不同路径但保留了相似结构的蛋白质。

3. QCov**（Query Coverage）**

定义与意义：

  • QCov 表示查询蛋白质序列在对齐中的覆盖比例，即有多少比例的查询残基参与了对齐。
  • 它衡量了对齐过程中查询序列被覆盖的程度。

计算方法： QCov 的计算公式为：

QCov=对齐中的查询残基数查询蛋白质总残基数×100%\text{QCov} = \frac{\text{对齐中的查询残基数}}{\text{查询蛋白质总残基数}} \times 100\%QCov=查询蛋白质总残基数对齐中的查询残基数×100%

特点：

  • 高 QCov 表示大部分查询蛋白质序列被有效对齐，适用于全面评估结构相似性。
  • 低 QCov 可能意味着仅部分结构区域具有相似性，或存在局部相似性。

三者之间的关系与综合评估

  • 互补性： TM score、Fident 和 QCov 分别从结构相似性、序列同一性和覆盖范围三个方面评估蛋白质对齐的质量，彼此互补。单一指标可能无法全面反映对齐质量，而结合三个指标可以提供更全面的评估。

  • 关联性：

    • 通常情况下，高 Fident 和高 QCov 会促使 TM score 也较高，因为更多的残基参与对齐且序列同一性高，往往意味着结构相似性较高。
  • 然而，也存在例外情况，例如某些蛋白质可能在特定区域高度保守，导致 Fident 和 TM score 高，但整体 QCov 低，因为只有部分区域被对齐。

具体计算步骤

  1. 结构对齐： 使用 Foldseek 对两个蛋白质结构进行快速对齐，找到最佳匹配的结构片段。
  2. 计算 TM score： 根据对齐后的残基对应位置，计算 TM score 以评估整体结构匹配度。
  3. 计算 Fident： 在对齐区域内统计相同的氨基酸残基数量，除以对齐区域的总残基数，得到 Fident。
  4. 计算 QCov： 统计参与对齐的查询蛋白质残基数，除以查询蛋白质的总残基数，得到 QCov。

应用与意义

  • 结构预测与验证： 在蛋白质结构预测中，Foldseek 通过这些指标帮助研究人员评估预测模型与已知结构的相似性，提高预测的可靠性。
  • 功能推断： 高度结构相似的蛋白质通常具有相似的功能，通过这些指标可以辅助功能推断和蛋白质家族分类。
  • 进化研究： 分析不同物种中蛋白质结构的保守性，理解蛋白质进化过程中的结构保留机制。

总结

TM score、Fident 和 QCov 是 Foldseek 中用于评估蛋白质结构对齐质量的三个重要指标。TM score 主要衡量结构相似性，Fident 关注序列同一性，QCov 则评估对齐覆盖范围。通过综合这三个指标，Foldseek 能够提供全面、准确的蛋白质结构比较结果，辅助生物信息学研究和实验设计。

使用：

1、建立搜索数据库：

foldseek createdb ./df_alphafold_r/ known_ds_database

2、检索未知数据

foldseek easy-search known_ds_database pre_df_alphafold_r/ known_ds_database result_pre_known_df_foldseek_TM_score_id.tsv tmp/ --format-output "query,target,alntmscore,qtmscore,ttmscore,fident,alnlen,mismatch,gapopen,qstart,qend,tstart,tend,evalue,bits" --threads 100

The default output fields are: query,target,fident,alnlen,mismatch,gapopen,qstart,qend,tstart,tend,evalue,bits but they can be customized with the --format-output option e.g., --format-output "query,target,qaln,taln" returns the query and target accessions and the pairwise alignments in tab-separated format. You can choose many different output columns.

Code Description
query Query sequence identifier
target Target sequence identifier
qca Calpha coordinates of the query
tca Calpha coordinates of the target
alntmscore TM-score of the alignment
qtmscore TM-score normalized by the query length
ttmscore TM-score normalized by the target length
u Rotation matrix (computed to by TM-score)
t Translation vector (computed to by TM-score)
lddt Average LDDT of the alignment
lddtfull LDDT per aligned position
prob Estimated probability for query and target to be homologous (e.g. being within the same SCOPe superfamily)

3、生成网页版的结果

foldseek easy-search known_ds_database pre_df_alphafold_r/ result.html tmp1 --format-mode 3