PSP - 蛋白质复合物 AlphaFold2 Multimer MSA Pairing 逻辑与优化

欢迎关注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://spike.blog.csdn.net/article/details/134144591

在蛋白质复合物结构预测中，当序列 (Sequence) 是异源多链时，无论是AB，还是AABB，都需要 MSA 配对，即 MSA Pairing。在 MSA 的搜索过程中，按照单链维度进行搜索，通过 MSA Pairing 进行合并，作为特征输入至 Multimer 结构预测。

控制 MSA 数量，包括需要 3 个超参数：

1. max_msa_crop_size，用于确定 MSA 的长度，默认设置 2048
2. max_msa_clusters，用于确定推理中 MSA 特征的长度，默认设置 252
3. max_extra_msa，用于限制推理中 Extra MSA 特征的长度，默认设置 1024

这 3 个参数，依次设定，从前到后相互包含，可以根据不同情况进行调节，其中 第1个参数 > (第2个参数 + 第3个参数)。

默认单链的搜索文件如下：

bfd_uniref_hits.a3m
mgnify_hits.sto
pdb_hits.sto
uniprot_hits.sto
uniref90_hits.sto

其中 uniref90_hits.sto 用于 MSA Pairing，pdb_hits.sto 用于 模版 (Template) 特征，bfd_uniref_hits.a3m、mgnify_hits.sto、uniref90_hits.sto，用于单链 MSA 特征。我们以 ABAB 格式的 4 链 PDB 进行假设。

优化1：MSA Pairing 默认只使用 uniprot_hits.sto，当数量较少时，可以使用 uniref90_hits.sto 作为补充。

源码 openfold/data/data_pipeline.py，如下：

# ++++++++++ 补充 MSA Pairing 源的逻辑 ++++++++++ #
# 标准的 AF2 Multimer 流程中没用 target_seq，即 target_seq 是 None
# logger.info(f"[CL] target_seq: {target_seq}")
msa = parsers.parse_stockholm(result, query_seq=target_seq)
msa = msa.truncate(max_seqs=self._max_uniprot_hits)

msa_extra = parsers.parse_stockholm(result_extra, query_seq=target_seq)
msa_extra = msa_extra.truncate(max_seqs=self._max_uniprot_hits)

logger.info(f"[CL] all_seq msa: {len(msa.sequences)}, add uniref msa: {len(msa_extra.sequences)}")
all_seq_features = make_msa_features([msa, msa_extra])
logger.info(f"[CL] all_seq msa: {all_seq_features['msa'].shape}")
# ++++++++++ 补充 MSA Pairing 源的逻辑 ++++++++++ #

优化2：当单链 MSA 数量较少时，使用 uniprot_hits.sto 作为 MSA 的补充。

源码 openfold/data/data_pipeline.py，如下：

# ++++++++++ 补充单链 MSA 序列的逻辑 ++++++++++ #
msa_seq_list = set()
for _, msa in msa_dict.items():
    for sequence_index, sequence in enumerate(msa.sequences):
        msa_seq_list.add(sequence)
msa_seq_list = list(msa_seq_list)
thr = 64  # 这影响没有 pairing 的序列，数值不宜过大
msa_size = len(msa_seq_list)
if msa_size < thr and uniprot_path:
    logger.info(f"[CL] single msa too small {msa_size} < {thr} (thr), uniprot_path: {uniprot_path}")
    with open(uniprot_path) as f:
        sto_string = f.read()
    msa_obj = parsers.parse_stockholm(sto_string)
    msa_seq_list += msa_obj.sequences
    msa_seq_list = list(set(msa_seq_list))
    diff_size = len(msa_seq_list) - msa_size
    logger.info(f"[CL] single msa from {msa_size} to {len(msa_seq_list)}, add {diff_size}")
    if diff_size > 0:
        msa_list.append(msa_obj)  # 加入额外的数据
# ++++++++++ 补充单链 MSA 序列的逻辑 ++++++++++ #

优化3：当 MSA Pairing 数量过少时，尤其是 全链 Pairing 数量过少时，使用 其他物种 的 MSA 作为 MSA Pairing 的补充。

源码 openfold/data/msa_pairing.py，如下：

# ++++++++++ 补充 MSA Pairing 的逻辑 ++++++++++ #
thr = 128
num_all_pairing = len(tmp_dict1[num_examples])
if num_all_pairing < thr:
    logger.info(f"[CL] full msa pairing ({num_examples} chains) is too little ({num_all_pairing}<{thr}), "
                f"so add more!")
    tmp_dict2 = process_species(
        num_examples, common_species, all_chain_species_dict, prokaryotic, is_fake=True)
    # all_paired_msa_rows_dict = tmp_dict2
    tmp_item = list(tmp_dict1[num_examples]) + list(tmp_dict2[num_examples])  # 增补部分 MSA
    tmp_item = np.unique(tmp_item, axis=0)  # 先去重
    tmp_item = tmp_item[:thr]  # 再截取
    if len(tmp_item) > num_all_pairing:
        all_paired_msa_rows_dict[num_examples] = tmp_item
        logger.info(f"[CL] full msa pairing ({num_examples} chains) add to {len(tmp_item)}! ")
# ++++++++++ 补充 MSA Pairing 的逻辑 ++++++++++ #

假设序列是 AABB，顺序不重要，也可以是 ABAB，链式是 $N_c$，MSA Pairing 只考虑 msa_all_seq 字段 (uniprot_hits 和 uniref90_hits 优化)，即，A 链包括 MSA 数量是 $L_A$，B 链包括 MSA 数量是 $L_B$，MSA Pairing 数量是 $L_{P_{ab}}$ 。其中 MSA Pairing 包括 2 至 $N_c$ 个，例如 4 链，就是可以 Pairing 成2链、3链、4链等 4 种情况，只有 1 链时，被抛弃。

源码 openfold/data/msa_pairing.py，即：

# Skip species that are present in only one chain.
if species_dfs_present <= 1:
    continue

在 MSA Pairing 的过程中，修改 msa_all_seq 字段的 MSA 顺序，同时去除 只有 1 链 (没有配对) 的情况，假设最终 MSA Pairing 的数量是 $L_{P_{ab}}$，全部链都是相同的，填补空位。

通过 msa_pairing.merge_chain_features() 函数，将单链 MSA 的合并至一起，即 bfd_uniref_hits.a3m、mgnify_hits.sto、uniref90_hits.sto 的全部 MSA，组成 msa 字段特征。其中 MSA 参数1 即 max_msa_crop_size，表示合并 MSA 的最大数量。例如 链 A 的 msa_all_seq 数量是 900，最大是 2048，则 单链 msa 字段的数量最多是 1148，其余随机舍弃，即1148+900=2048。

源码 openfold/data/msa_pairing.py，注意 feat_all_seq 在前，feat 在后，即 MSA Pairing 更重要，即：

def _concatenate_paired_and_unpaired_features(
    example: pipeline.FeatureDict,
) -> pipeline.FeatureDict:
    """Merges paired and block-diagonalised features."""
    features = MSA_FEATURES
    for feature_name in features:
        if feature_name in example:
            feat = example[feature_name]
            feat_all_seq = example[feature_name + "_all_seq"]
            merged_feat = np.concatenate([feat_all_seq, feat], axis=0)
            example[feature_name] = merged_feat
    example["num_alignments"] = np.array(example["msa"].shape[0], dtype=np.int32)
    return example

通过 openfold/data/data_transforms_multimer.py 函数，将输入的 msa 特征 (合并 msa 和 msa_all_seq) 进行截取，先截取 max_seq，再截取 max_extra_msa_seq，即第 2 个和第 3 个参数，max_msa_clusters 和 max_extra_msa，作为最终的训练或推理 msa 特征。

logits += cluster_bias_mask * inf
index_order = gumbel_argsort_sample_idx(logits, generator=g)
logger.info(f"[CL] truly use msa raw size: {len(index_order)}, msa: {max_seq}, extra_msa: {max_extra_msa_seq}")
sel_idx = index_order[:max_seq]
extra_idx = index_order[max_seq:][:max_extra_msa_seq]

for k in ["msa", "deletion_matrix", "msa_mask", "bert_mask"]:
    if k in batch:
        batch["extra_" + k] = batch[k][extra_idx]
        batch[k] = batch[k][sel_idx]

通过不同的训练模型，与不同的参数，进行蛋白质复合物的结构预测。