科学问题怎么变成模型 · 从问题进入正文
距离相同,为什么还不能说结构完全相同?
整体位置和朝向会改变坐标,却不改变点间距离;镜像还可能保留同一组距离。
读完能检查原子排列、对齐和镜像歧义,判断距离误差与坐标误差各自在比较什么。
📑 本页目录(点开跳转)
04 · 从序列到结构:用不变目标比较几何
⏱ 24 分钟 | ⭐ 先处理整体旋转和平移,再比较预测结构
🎯 一句话
同一个结构可以有不同的位置和朝向。 如果预测与标签不在同一坐标框架,直接逐坐标计算 MSE 会把这种差别也算成错误。
本章先学一种办法:比较对旋转和平移不变的距离。预测坐标同样可行,只是需要合适的对齐、损失或等变结构。
🎯 一、为什么不能忽略坐标框架
以固定标签的普通回归为对照:结构任务中的整体位置和朝向可能是任意的。如果任务没有外部参考系,把整组坐标旋转、平移后,应仍代表同一构象;若有外场、受体或固定边界,就要一起变换相关环境,不能只转分子。
于是麻烦来了:
💀 同一个正确答案有无穷多组坐标,而 MSE 只认其中一组。 网络输出了一个完全正确但朝向不同的结构,损失函数会给它一个巨大的惩罚。 ⭐ 你在惩罚它答对。
问题是损失是否对应你真正要比较的结构,而不是“坐标一定不能预测”。可先对齐再比较,也可使用局部坐标框架下的损失与等变模型。对齐在退化构型下可能有数值问题,但不能笼统说它必然不平滑或不能批量计算。
📏 二、于是先预测距离
⭐ 对固定的原子身份与排列,距离矩阵对整体旋转和平移不变。重排原子会同时重排矩阵行列;距离相同也仍可能对应镜像。
| 坐标 $(N \times 3)$ | 距离矩阵 $(N \times N)$ | |
|---|---|---|
| 同一个结构有几种表示 | ⚠️ 无穷多 | ⭐ 一种 |
| 使用 MSE 要注意什么 | 对齐或统一坐标框架,再比较 | 可比较距离误差,但还需检查几何自洽性 |
| 大小 | 小 | 大(平方级) |
| 是不是完整信息 | 是 | ⭐ 几乎是(见下一节) |
⭐⭐ 这就是全站可复用的那招: 当输出空间带着一个对称性、而你的损失函数不认它时, 改用对这一对称性不变的目标,并核对是否丢失其他必要信息。
更省信息的目标是接触图:在指定原子或残基代表点上,用距离阈值定义接触。阈值和代表点必须报告;二值化丢掉了距离细节,是否更容易学习要看任务与模型。
🔄 三、距离真的够吗:跑一遍
「几乎是」这个说法要验一下。下面从坐标算出距离矩阵,再只用距离矩阵把坐标恢复出来:
运行方式:程序需 Python 与 NumPy;输入坐标为合成随机点。 将完整代码保存为 experiment.py,在已安装依赖的环境执行 python experiment.py。本轮 CPU 复跑环境为 Python 3.12.14、NumPy 2.3.5;末位浮点数不要求跨环境逐位一致。
import numpy as np
rng = np.random.default_rng(0)
N = 12
coords = rng.normal(size=(N, 3)) * 5.0 # 真实的 12 个原子坐标
D = np.linalg.norm(coords[:, None] - coords[None, :], axis=-1) # 距离矩阵
# ---- 经典 MDS:只用距离矩阵,把坐标恢复出来 ----
J = np.eye(N) - np.ones((N, N)) / N # 中心化算子
B = -0.5 * J @ (D ** 2) @ J # 双中心化
vals, vecs = np.linalg.eigh(B)
top = np.argsort(vals)[::-1][:3] # 取最大的 3 个特征值
rec = vecs[:, top] * np.sqrt(np.maximum(vals[top], 0)) # 恢复出的坐标
D_rec = np.linalg.norm(rec[:, None] - rec[None, :], axis=-1)
print("距离矩阵最大偏差 : %.2e" % np.abs(D - D_rec).max())
print("坐标本身最大偏差 : %.3f" % np.abs(coords - rec).max())
print()
print("原坐标第 0 个原子 :", np.round(coords[0], 3))
print("恢复第 0 个原子 :", np.round(rec[0], 3))
print()
print("=> 距离在浮点精度内一致;坐标可能还差旋转、平移或镜像,继续检查。")
# 验证只允许旋转的 Kabsch 对齐;若 MDS 选到镜像解,这项误差不一定接近零
A = coords - coords.mean(0)
Bc = rec - rec.mean(0)
U, _, Vt = np.linalg.svd(Bc.T @ A)
d = np.sign(np.linalg.det(U @ Vt))
R = U @ np.diag([1, 1, d]) @ Vt
print("刚体对齐之后坐标最大偏差 : %.2e" % np.abs(A - Bc @ R).max())
真实输出:
距离一致,坐标仍可能不同
先比较距离误差,再比较对齐误差。以下是原稿在当前环境可复现的一次结果;特征向量的符号选择会影响坐标朝向。
| 比较方式 | 最大偏差 |
|---|---|
| 原距离矩阵 vs 恢复后的距离矩阵 | 1.07e-14 |
| 未对齐的原坐标 vs 恢复坐标 | 23.145 |
| 只允许旋转、平移的刚体对齐后 | 8.88e-15 |
| 第 0 个原子 | x | y | z |
|---|---|---|---|
| 原坐标 | 0.629 | -0.661 | 3.202 |
| 恢复坐标 | -1.686 | -2.989 | -1.984 |
本次恢复结果可用旋转和平移对齐;距离矩阵一般还允许镜像,不能据此排除手性歧义。
把三项误差分开看:
- 距离误差 1.07e-14:本例的距离得到数值精度内的恢复。
- 未对齐坐标误差 23.145:位置与朝向不同会妨碍直接比较。
- 本次旋转、平移对齐后误差 8.88e-15:本次选到的解可以这样对齐,但不能推断每次 MDS 都排除了镜像。
验证边界:本例输入距离是由精确坐标算出的;真实预测距离可能带噪或不自洽,不能沿用这里的近零误差作为模型性能保证。
⚠️ 两个真实的限制: ① 距离分不出镜像(把结构照镜子,所有距离不变),而分子的手性是真实的,要另外处理。 ② 真实场景里预测出的距离矩阵带噪、还不一定自洽(不满足三角不等式), 恢复出来的构型没有这里这么干净。
🧬 四、距离信息从哪来
回到 03 章:共进化统计可能提供接触线索,但不能把两列强相关直接当成距离矩阵的一格。还需要区分间接依赖,并用真实结构验证。
⚠️ 而 03 章也验过那个坑:互信息会把间接相关误报成接触 (实验里假接触拿到 2.973 bit,约为该背景位置对的 35 倍)。 ⭐ 所以从 MSA 到接触图这一步本身就需要「扣掉中介」,不是简单统计。
🔗 五、为什么端到端最后赢了
早期是分段的:MSA → 接触图 → 距离几何 → 结构。每一段单独优化。 后来的做法把这些合进一个网络一起训,思路上有三个改变:
- 序列表示和结构表示互相更新 —— 不是单向的流水线,而是反复来回。
- ⭐ 等变性内建进结构模块 —— 网络直接输出三维的东西, 但它的层被设计成「输入转一下、输出跟着转」,同时使用与坐标框架匹配的损失来监督结构。 这是 05 章的正题。
- 端到端的梯度 —— 中间表示为最终目标服务,而不是为某个中间指标。
本节以 AlphaFold2 说明这三种思路;其他架构可能不同。不变目标、几何结构约束与对齐损失可以组合,都要检查是否保留了任务需要的手性和环境信息。
⚠️ 六、拿到预测结构之后
① 置信度不是均匀的。 低置信度可能与无序、多构象或模型不确定性有关;不能据此断言某区域必然无序,也不能保证所有无序区域一定低分。需要结合任务和实验信息解释。
② 预测结构不等于实验结构。 骨架大致对,不代表侧链朝向、结合口袋的细节能直接用。 ⚠️ 拿它去做对接和虚拟筛选时,误差会被放大。
③ 适用范围要按序列和任务检查。 新设计序列可能超出训练覆盖,也可能与已知家族相近;预测是否可靠不能只由“是否人工设计”决定。结构、功能与实验条件需要分别验证。
🔗 这一章连到哪里
| 去哪 | 为什么 |
|---|---|
| 05 · 等变与不变 | 05 比较几何特征、增强与等变结构;它们可与距离目标和对齐损失组合,先按输出类型选择 |
| 03 · 蛋白质语言模型 | 距离信息从哪来 —— 共进化,以及互信息会把间接相关误报成接触那个坑 |
| 07 · 评测的坑 | 若目标是未见家族,测试蛋白与训练集近亲重叠可能高估这种外推能力;应报告划分与覆盖范围 |
| 机器学习的数学原理 05b · PCA 的推导 | 第三节的经典 MDS 和 PCA 是同一套特征分解 —— 双中心化之后取最大的几个特征向量 |
✅ 检查点
- 不处理整体朝向就比较坐标 MSE,有什么问题?可以怎样处理?
- 距离矩阵解决了什么问题?它相比坐标付出了什么代价?
- 实验里三个数字各是多少?它们分别证明了什么?
- 距离矩阵有哪两个真实限制?
- 端到端做法的三个改变是什么?其中哪一条和第 2 节是「同一个问题的两条路」?
- 预测结构里置信度低的区域,一定是模型没预测好吗?
👀 答案
- 同一结构旋转平移后坐标会变,未对齐的 MSE 会把坐标框架差异当成错误。可通过对齐、框架不变损失、距离目标或适当的等变结构处理,不能说坐标预测本身错误。
- 对固定原子顺序,距离消除整体旋转和平移的影响;可比较距离误差,但还要检查镜像和几何自洽性。大小由 $N\times3$ 增至 $N\times N$,交换原子顺序也会交换矩阵行列。
- 本次距离误差 1.07e-14、未对齐坐标误差 23.145、刚体对齐后 8.88e-15。说明本次可恢复到相同形状;距离矩阵通常仍存在镜像歧义。
- ①分不出镜像(照镜子所有距离不变),而手性是真实的;②真实预测出的距离矩阵带噪且不一定自洽(不满足三角不等式),恢复的构型没有实验里这么干净。
- 以 AlphaFold2 为例:序列/MSA 与成对表示更新、结构模块处理几何、端到端损失共同训练。距离等不变目标和几何结构约束可以组合使用;不是互斥的两条路线,具体架构仍有差异。
- 不一定。 低置信度可能来自无序、多构象或预测困难,不能单凭低分判断原因;结合局部结构、任务需求和实验信息。
本节回顾
到这里你拿到了一个远不止用在结构预测上的招式: 输出空间带对称性、而损失函数不认它时,换一个对该对称性不变的目标,并检查丢失的信息。 ⭐ 这条思路在任何「预测几何对象」的问题上都成立。
⚠️ 什么时候看下一页:你想知道另一条路 —— 不换目标,而是把对称性直接写进网络结构。
⚡ 走神救援
先记住这几件事
- 同一结构可以有不同的整体位置与朝向,直接逐坐标比较可能惩罚正确预测。
- 距离等不变目标能消除部分坐标歧义,但要注意镜像和几何自洽性。
- 预测置信度、结构用途和实验验证需要分别判断,不能把预测结构当成实验事实。
下一节 👉 05-等变与不变.md