ARIES 用蛋白质语言模型嵌入快速准确构建多序列比对
Fast, accurate construction of multiple sequence alignments from protein language embeddings
研究团队提出 ARIES,一种利用蛋白质语言模型生成的嵌入向量构建多序列比对的算法。作者引入窗口互加权嵌入相似度指标,并用动态时间规整把每条序列对齐到 PLM 生成的模板嵌入,从而构建全局 MSA。在多个基准数据集上,ARIES 在低相似度区间的准确率高于现有方法,且计算量随待比对序列数接近线性增长。
预印本 · biorxiv · 10.64898/2026.01.02.697423
本站摘要基于收录版本 v4(2026-11-14),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v4
多序列比对(MSA)是计算生物学中的一项基础任务,支撑着蛋白质结构预测、进化分析和结构域注释。传统 MSA 算法依赖于从保守蛋白质家族推导出的氨基酸替换矩阵。虽然这些评分方案在比对亲缘关系较近的序列时行之有效,但在低一致性"暮光区"却力不从心。在此,我们提出了一种构建 MSA 的新方法,利用蛋白质语言模型(PLM)生成的氨基酸嵌入,这些嵌入从海量且多样的序列数据集中捕获了丰富的进化和上下文信息。我们引入了一种窗口化互惠加权嵌入相似性度量,该度量在识别跨序列的对应氨基酸方面出奇地有效。基于这一度量,我们开发了 ARIES(Alignment via RecIprocal Embedding Similarity),该算法构建一个由 PLM 生成的模板嵌入,并通过动态时间规整将每条序列与该模板比对,从而构建全局 MSA。在多种基准数据集上,ARIES 取得了比现有最先进方法更高的准确率,尤其是在传统方法性能下降的低一致性区间,同时其扩展性几乎随待比对序列数量呈线性增长。这些结果共同构成了首次大规模验证,展示了 PLM 在不同规模和相似度水平的蛋白质家族中实现准确且可扩展的 MSA 构建的能力,凸显了 PLM 改变比较序列分析的潜力。
来源:bioRxiv · biorxiv.org