跳到正文
🏠 总目录📚 本教程 04 · 从序列到结构 ← →

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。

123朝向 A1: (0.0, 0.0)2: (3.0, 0.6)3: (1.2, 2.4)123朝向 B(转了 52 度)1: (1.4, 0.5)2: (2.8, 3.2)3: (0.2, 2.9)旋转三条边的长度1–2 : 3.05941–3 : 2.68332–3 : 2.5456A 和 B 的距离相同坐标框架不同 → 应先对齐,再比较坐标误差距离不随整体旋转平移改变 → 可比较距离误差
同一组固定标签的点旋转后,坐标会改变,点间距离不变。图中坐标仅显示一位小数;右框距离由未舍入几何计算,不能直接用显示坐标逐位复算。距离消除了整体位置和朝向,也保留镜像歧义,见后面的反例。

把三项误差分开看:

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。


距离相同仍有镜像歧义 四个固定标签的点A零零零、B一零零、C零二零、D零零三;镜像只令B的x变成负一。AB、AC、AD、BC、BD、CD分别为1、2、3、根号5、根号10、根号13,两构型完全相同。列向量B减A、C减A、D减A构成的行列式由正6变成负6。旋转和平移不能改变其符号,因此不能将固定标签的两构型重合。这是手工几何例子,不是分子实验。 距离一样,为什么还分左右?四个固定标签的三维点;坐标单位任意原构型 X镜像 X′ABCDA (0, 0, 0)B (1, 0, 0)C (0, 2, 0)D (0, 0, 3)ABCDA (0, 0, 0)B (−1, 0, 0)C (0, 2, 0)D (0, 0, 3)镜像操作:只把 x 坐标变号六条距离逐一相同AB = 1BC = √5AC = 2BD = √10AD = 3CD = √13有向行列式保留差别s = det[B−A, C−A, D−A]原构型:s = +6镜像:s = −6固定 A、B、C、D 的对应关系:只做旋转和平移,无法让两者重合。示意投影不按比例;距离由上方坐标计算。
只看六条距离,两组带固定标签的点完全一样;有向行列式却从 +6 变成 −6。距离表示消除了整体朝向,也消除了这个镜像差别。手工几何示意,不是分子实验。

🧬 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:

  1. 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。
  2. ⭐ 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。
  3. 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

  1. 不处理整体朝向就比较坐标 MSE,有什么问题?可以怎样处理?
  2. 距离矩阵解决了什么问题?它相比坐标付出了什么代价?
  3. 实验里三个数字各是多少?它们分别证明了什么?
  4. 距离矩阵有哪两个真实限制?
  5. 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」?
  6. 预测结构里置信度低的区域,一定是模型没预测好吗?
👀 答案
  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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

参考:AlphaFold 的坐标输出与框架对齐损失。

下一节 👉 05-等变与不变.md

打卡记录保存在你的浏览器里,首页能看到总进度