找蛋白质 homolog，别只查"拼写"，要查"长相"

本节你将能

读完这一段，你能说清楚：为什么序列比对会漏掉真正的同源蛋白；为什么结构比序列更"抗漂变"；以及当一篇论文说"用结构搜索发现了新蛋白"时，它到底做了一件什么事。

直觉模型：两份菜谱和一盘成品菜

氨基酸序列是菜谱，三维结构是端上桌的那盘菜。进化改的是菜谱：这里换个词，那里删一句话，措辞可以改得很厉害。但只要成品菜的样子还在，就说明这两份菜谱大概率出自同一个源头。

反过来，如果两份菜谱的措辞已经改到完全认不出来，单看文字，你很难把他们认成亲戚。这就是序列比对的失效区——通常发生在序列一致性掉到 20% 以下的时候。

为什么结构更保守

原因在于约束不同。序列上很多位置的氨基酸可以随便换：亮氨酸换成异亮氨酸，性质接近，换了也不影响折叠。但一旦涉及核心的疏水内核、活性位点的几个关键残基、或者二硫键的位置，改动就被物理条件卡死了。

结果是：序列在漂，结构被摁住。两个蛋白质可以序列上只剩下 15% 的相同残基，却仍然折成几乎同一个形状、做同一件事。这是结构搜索能越过序列搜索的根本原因。

这件事为什么现在才做成

因为结构要靠实验测定。X 射线晶体学、冷冻电镜，一个结构几个月到几年，人类几十年测了约 20 万个，而已知蛋白序列有几亿条。没有结构，就没有"按形状找同类"这回事。

AlphaFold 一类的模型改变了供给侧：结构从稀缺的实测数据，变成了可以批量算出来的预测数据。一旦结构不再稀缺，"先预测几亿个结构，再两两比形状"这条路线就成立了。

代价是什么

结构比对的计算量远大于序列比对。序列比对有成熟的种子-扩展算法（BLAST 那套），本质是字符串处理，很快。结构比对要在三维空间里做旋转平移的对齐，是组合优化问题，单对就要几十毫秒到几秒。

两亿个结构两两比对是 10 的 16 次方量级的配对——直接算是不可能的。所以实际做的是聚类：先把结构压成低维指纹，粗筛掉绝大多数不相关的，再对剩下的候选做精细比对。TM184C 那项工作比较了超过 2.14 亿种蛋白质的预测形状，走的就是这条路。

核心要点

• 序列会漂变，三维结构受物理约束更保守；结构相同而序列不相似，往往是远古同源的信号
• 序列一致性低于约 20% 时进入"暮光区"，序列比对基本失效
• 结构预测模型批量产出结构，才让"按形状搜索"从概念变成可行流程
• 结构比对开销大，实战必须用聚类或指纹做粗筛，再精细比对
• 找到的不一定是"新蛋白"，而是"已知的旧家族里混进来的新成员"——往往更值钱

一个提醒：形状相似不等于功能相同

结构搜索给出的是假设，不是结论。趋同进化会让两个毫无亲缘关系的蛋白折成相似形状；同一个折叠骨架也可以挂上完全不同的活性位点去做别的化学。

所以每个"结构搜索找到的新成员"，都必须回到实验台上验证：它定位在细胞的哪个位置，敲掉之后细胞出了什么事，能不能被已知配体激活。TM184C 的论文之所以完整，正是因为它在结构线索之后补了定位、敲除表型和跨物种回补这一整套。

怎么读这类论文

四步走：先看它比对的结构库有多大、覆盖哪些物种；再看它是怎么粗筛的（这决定了会不会漏）；第三步看候选怎么排序，凭什么挑出这一个；最后看功能验证做到了哪一层——是只有定位和表达谱，还是有敲除表型和回补实验。前三步保证"找得对"，第四步决定"能不能信"。