云生信学生物信息学

准备结构库并跑通批量结构搜索和结果筛选

作者:发布于 2026-11-18更新于 2026-11-15约 8 分钟阅读
准备结构库并跑通批量结构搜索和结果筛选

准备结构库并跑通批量结构搜索和结果筛选:整理结构与链ID来源;建立完整查询和目标DB;固定模式搜索并导出字段;筛候选后复核结构与注释
本文操作与检查路径示意。

批量结构搜索需要先明确查询对象、目标库和比对模式。本篇固定Foldseek Release10,处理已有PDB/mmCIF单链结构,以3Di+AA局部比对寻找候选相似结构。它不等于复合物界面搜索,也不证明功能相同;输出解释与硬件需求都依赖所选任务。

先让结构ID和数据库来源可追溯

把已核对的查询结构放在queries目录,目标结构放在targets目录,保留文件来源、版本和链标识。多链文件可能产生多个链条目,不能把文件数量直接当查询数。结构缺失、截短和低置信区域需要记录,避免把局部相似片段解释为整蛋白同源或功能一致。

步骤 材料或输出 验收重点
输入整理 queries与targets结构目录 链身份、组装、来源与重复ID
createdb 查询DB与目标DB多个文件 条目数、头部及所需坐标信息
search 结果DB与临时目录 版本、alignment-type及阈值
convertalis 自定列TSV 明确列名,无命中允许为空
候选复核 序列/结构/注释对照 局部与全长关系及研究证据

在新目录建库并搜索

以下需要兼容的Foldseek和已准备结构目录。示例固定alignment-type=2、4线程及E值阈值0.001;这些是本次协议,不是通用生物学门槛。数据库会生成一组配套文件,保存和迁移时保留完整前缀文件集,不只复制一个主文件。

#!/usr/bin/env bash
set -euo pipefail
query_dir=/data/queries
target_dir=/data/targets
test -d "$query_dir" && test -d "$target_dir" || exit 2
mkdir foldseek-search-001
cd foldseek-search-001
foldseek version > version.txt
foldseek createdb "$query_dir" queryDB --threads 4 > createdb-query.log 2>&1
foldseek createdb "$target_dir" targetDB --threads 4 > createdb-target.log 2>&1
foldseek search queryDB targetDB resultDB tmp-search \
  --alignment-type 2 --threads 4 -e 0.001 > search.log 2>&1
foldseek convertalis queryDB targetDB resultDB matches.tsv \
  --format-output query,target,evalue,bits,alnlen,qstart,qend,qlen,tstart,tend,tlen \
  > export.log 2>&1
test -f matches.tsv

需要反复查询同一目标集合时,可按该版本文档另行测试createindex,建索引时间、体积和峰值单独记录;一次搜索不应默认必须先做所有索引。目标库更新后用新版本前缀,不能让旧索引与新数据混用。错误日志需保留,空输入不能被记成快速完成的有效任务。

按明确列定义筛选,而非盲目取前十

下面仅演示以E值和查询对齐跨度筛出候选。跨度比例包含起止范围,不等同于逐残基覆盖;有插入缺失时尤其应复核。阈值0.5仅为示例,长短结构域与研究目标需要不同解释,不能据此宣布所有命中为高置信同源。

import csv, math
fields=["query","target","evalue","bits","alnlen","qstart","qend","qlen","tstart","tend","tlen"]
count=kept=0
with open("matches.tsv",newline="") as source, open("candidates.tsv","x",newline="") as target:
    writer=csv.DictWriter(target,fieldnames=fields+["query_span"],delimiter="\t")
    writer.writeheader()
    for row in csv.DictReader(source,fieldnames=fields,delimiter="\t"):
        count+=1
        length=int(row["qlen"]); start=int(row["qstart"]); end=int(row["qend"])
        e=float(row["evalue"])
        assert length>0 and 1<=start<=end<=length and math.isfinite(e) and e>=0
        span=(end-start+1)/length
        if e<=0.001 and span>=0.5:
            row["query_span"]=span; writer.writerow(row); kept+=1
print("搜索记录",count,"候选记录",kept)

结果无命中时TSV可以为空,需先确认查询和目标DB确有正确条目、搜索正常完成且模式与阈值适用。不要把缺文件当零命中,也不要随意放宽阈值后仍按原门槛报告。保存全部原始搜索结果与筛选脚本,便于重新解释边界候选。

模式变化需要重新解释分数字段

Release10的TMalign模式会改变排序和部分输出字段的含义,不能把type=1的evalue列继续按本例type=2的E值筛选。只有预测3Di而没有Cα坐标的序列建库,也不能默认提供TM-score等坐标相关输出。结构、序列语言模型与复合物入口要分别确认。

最后抽查候选结构叠合、对齐区域、序列和注释,核对是否由低质量或很短片段驱动。资源试跑同时记录库残基量、查询量、RAM和临时盘;压缩结构文件大小不能直接换算任务内存,功能解释也不能由服务器配置代替。

下载练习材料

下载教程 PDF · 下载代码与示例数据 ZIP

先核对包内SHA256清单,再在独立目录复现。

需要额外算力时

适用前提:已核对Foldseek版本与具体模式的CPU或GPU支持,同一查询和数据库试跑确认资源缺口及实际收益。如需额外资源,可评估按任务测算的CPU或兼容GPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。

咨询本任务的服务器配置

咨询本任务的服务器配置

留下手机号,我们会结合本文任务与您沟通服务器配置和报价。

也可联系云生信企业微信客服,说明本文任务。

参考与版本核对

按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗