CLSS 蛋白质宇宙地图整合序列与结构，但并不取代 AlphaFold
CLSS 创建了一张 32 维蛋白质宇宙地图，将氨基酸序列与三维结构结合起来，尽管两者的信号往往存在冲突。无论研究人员从序列、结构还是短片段入手，该模型都为比较蛋白质结构域提供了一套统一坐标系。
这一差别很重要，因为 CLSS 并非又一次试图预测数十亿个蛋白质结构的尝试。AlphaFold 及相关系统已经改变了这项任务。CLSS 解决的则是这些预测带来的组织问题：研究人员如何在庞大的蛋白质集合中导航，并识别仅凭单一数据类型可能遗漏的关联。
这项于 2026 年 8 月发表的同行评审研究称，CLSS 在训练期间未使用专家蛋白质分类标签，却复现了其中的主要模式。在选定的分类基准上，它的表现也优于若干规模更大的蛋白质语言模型。这一结果对将序列分析与结构分析视作独立阶段的常见研究流程提出了挑战。
CLSS 蛋白质宇宙地图究竟改变了什么
CLSS 将蛋白质序列和结构转化为可兼容的坐标，把重点从预测单个形状转向组织整个蛋白质空间中的关系。
海法大学、特拉维夫大学和地球生命科学研究所的研究人员开发了 Contrastive Learning Sequence-Structure，简称 CLSS。他们的 PNAS study 于 2026 年 8 月 11 日发表。
蛋白质序列按顺序列出其氨基酸。蛋白质结构则描述这条链如何占据三维空间。两者都包含关于祖先关系和功能的证据，但并不总是讲述同一个故事。
亲缘关系较远的序列可能折叠成相似的结构。亲缘关系较近的序列也可能在发生突变、结合事件或环境变化后呈现不同的行为。这种多对多关系使构建通用蛋白质地图变得困难。
CLSS 将每个蛋白质结构域表示为嵌入，即一种将相关对象放置在彼此附近的数值向量。其最终嵌入仅包含 32 个维度。研究人员可将这些向量投影到二维空间进行可视化探索，而相似性搜索则使用完整表示。
该模型可接受序列或结构作为输入，随后力图为匹配的序列与结构输入分配几乎相同的位置。这一性质称为共嵌入，意味着不同数据类型共享一个可比较的坐标空间。
现有系统也可以处理多种生物学模态。然而，能够接受多种模态并不保证其表示能够对齐。模型可能会将同一种蛋白质的序列和结构置于不同区域，因为每种输入遵循各自独立的内部几何结构。
研究人员称，在他们的评估中，CLSS 比 ESM3、ProstT5 和 ProTrek 更有效地避免了这种分离。由结构域序列生成的地图，与由其结构生成的地图高度相似。这种一致性使该可视化不只是两张相邻的图谱。
该模型还有两种主要形式。CLSS-full 将完整结构域序列与相应结构配对。CLSS-sub 则将结构与序列片段配对，使较短片段也能进入同一表示空间。
蛋白质结构域是紧凑单元，通常能够在一定程度上独立折叠或发挥功能。进化会反复将结构域和更小片段重组为新的蛋白质。因此，能够有意义地定位片段的模型，可能揭示全蛋白质比较所隐藏的关联。
这正是标题背后的核心变化。该模型并非真正展示所有自然界中可能存在的蛋白质——这是任何数据库都无法容纳的无界集合。它提供了一种统一方式，用于组织具有代表性的结构域，并将更广泛的蛋白质集合投影到一张共同地图中。
这种表述比宣称 AI 已完成生物学图谱更准确。CLSS 蛋白质宇宙地图是一套分析坐标系统，而不是对每一种蛋白质或每一种生物学功能的最终清单。
为什么蛋白质研究需要一套共享坐标系统
预测结构的快速扩张造成了解释瓶颈，而仅靠结构预测无法解决这一问题。
AlphaFold 以前所未有的规模提供了准确的蛋白质结构预测。其公开数据库包含超过 2 亿个预测结构，覆盖生命之树上不同生物体的蛋白质。
其他项目进一步扩展了这一版图。根据报道的图谱详情，一项基于 ESMFold2 的 2026 年发布成果生成了一个包含超过 10 亿个预测蛋白质结构的开放图谱。研究人员如今面对的结构数据，远超传统人工分类能够轻松消化的规模。
更多结构并不会自动带来更多生物学理解。科学家仍需确定哪些蛋白质彼此相关、哪些区域会结合相似分子，以及哪些表面相似性反映了共同祖先。
序列比较依然很有价值，因为进化会留下可辨识的残基模式。然而，这些模式会在漫长时间尺度中逐渐消退。两种蛋白质即使保留相关折叠，其序列也可能已经分化到超出传统比对方法的识别范围。
结构比较能够找回其中一些遥远关联。然而，在海量数据库中计算和检索细致的三维关系，需要可观的计算和存储成本。许多序列也没有可用或可靠的结构。
紧凑嵌入在原始数据和生物学判断之间提供了另一层表示。一旦蛋白质被转化为简短数值向量，研究人员就能搜索邻近条目，无需反复将每条序列或结构与所有其他条目逐一比对。
CLSS 更进一步，使由序列和结构导出的向量可以相互比较。只有序列的研究人员可以在受结构关联启发的图景中进行搜索。其他研究人员则可从已知结构出发，找到那些序列模式提供额外背景的邻近项。
团队在训练 CLSS 时没有提供 ECOD 或 CATH 层级标签。ECOD 和 CATH 是由专家整理的系统，依据结构和进化关系对蛋白质结构域进行分类。
尽管未使用这些标签，所得地图据称仍复现了其中大部分层级组织。这一点很重要，因为它表明模型学习到了配对序列和结构数据中存在的关系，而不是记住用于评估的分类标签。
该地图还可揭示难以整齐归入层级结构的关联。传统分类将蛋白质放入嵌套群组，类似分类学中的树枝。生物进化并不总会遵循如此整齐的边界。
结构域可以复用片段、交换组成部分，或经由中间形态演变。连续地图可以将模糊样本置于已知区域之间，而不是强行把每个样本塞进单一类别。
早期研究已经表明，这类地图为何有用。一项 2023 年微生物蛋白质研究描述了连续折叠空间，并识别出 438 种此前未见的结构，将其归入 148 个候选新折叠。其 microbial protein map 表明，低维视图能够揭示看似不同折叠之间的渐变关系。
CLSS 使用不同的机制和目标。它从配对序列和结构中学习共享表示，而非只使用结构图特征。其结果延续了一个更广泛的转变：从蛋白质预测转向蛋白质导航。
这一转变对维护孤立序列和结构流程的团队提出了压力。独立工具对细致工作仍然必要，但其输出需要一个共同的索引层。否则，研究人员可能建立了更大的数据库，却没有获得与之成比例的探索能力。
对于计算生物学家而言，实际教训类似于知识系统中一个熟悉的问题：收集更多材料无法解决发现问题，除非系统能够保留有意义的连接。管理密集科学证据的团队在构建可搜索的知识库时也会面临同样的问题。
对比学习如何连接序列与结构
CLSS 通过训练两条输入路径在身份识别上达成一致，同时保留足够的差异来区分无关蛋白质结构域。
该架构采用双塔设计，即由独立编码器处理不同输入类型。一座塔读取氨基酸序列，另一座则处理蛋白质结构。
序列塔以一个小型 ESM2 风格模型为基础。结构塔使用冻结的 ESM3 编码器，意味着其底层参数在 CLSS 训练期间保持不变。适配器层将两类输出转换到共享的 32 维空间中。
训练依赖对比学习。对于每个批次，系统会拉近匹配序列与结构的表示，同时将不匹配结构域彼此推远。
这种机制类似于连接图像与文本的方法。模型无需研究人员为每个结构域家族逐一标注，它从特定序列与特定结构相对应这一事实中学习。
团队在每块配备 40 GB 内存的八块 NVIDIA A100 GPU 上训练该网络 80 个 epoch。据称，训练耗时约四天半。
仅约 3,600 万个参数可训练。这一总数接近用于初始化序列路径的小型 3,500 万参数 ESM2 模型，远低于 ESM3、ProstT5 和 ProTrek 所报告的规模。
模型规模本身并不决定质量。更大的系统通常支持更广泛的任务或更丰富的生成能力，而专用模型未必试图实现这些功能。不过，CLSS 表明，聚焦的训练目标无需更新数十亿参数，也能产生有用的表示。
这种差异很重要，因为并非所有蛋白质研究团队都拥有超大规模计算预算。较小的可训练组件降低了复现、适配或扩展这一方法的门槛。紧凑嵌入也降低了训练后的存储和搜索成本。
CLSS-full 专注于完整结构域。其序列塔和结构塔产生了报告中最强的跨模态一致性。若完整结构域从任一路径输入，其邻域仍保持相对稳定。
CLSS-sub 将片段作为额外模态接收。在训练期间，系统将采样得到的子序列与完整结构域结构配对。它学习将该片段置于其所属的更大结构背景附近。
这项任务比将完整序列与自身结构进行匹配更困难。短片段包含的信息更少，而且相似基序可能出现在彼此无关的蛋白质中。因此，片段模型牺牲了部分全结构域比对质量，却获得了一项竞争性表征通常缺乏的能力。
其进化学依据十分充分。自然界很少从一张白纸开始发明每一种蛋白质。小型序列片段可以在漫长的时间尺度中被复制、修改，并插入不同的结构域。
出现在两种其他方面无关的蛋白质中的片段，可能表明遥远的共同历史。它也可能反映趋同进化，即相似的约束条件独立地产生相似的解决方案。CLSS 提供了可供研究的候选线索，但仅凭位置无法判定两者之间的区别。
研究人员还在其图谱上叠加了生物学属性。与有机辅因子相关的结构域聚集在特定区域，而金属结合结构域的分布则更为广泛。
辅因子是帮助蛋白质进行化学反应的非蛋白质分子或离子。它们在图谱中的分布，可用于检验所学习到的几何关系是否对应于序列相似性之外的功能属性。
这些叠加信息使 CLSS 蛋白质宇宙图有望用于生成假设。研究人员或许能发现某个未表征结构域位于结合特定配体的蛋白质附近，随后优先围绕该邻域开展生化测试。
不过，图谱中的邻近关系是表征相似性的证据，而不是功能完全相同的证明。相邻蛋白质可能在关键活性位点残基上有所不同，也可能在不同生物体、细胞区室或分子复合体中发挥作用。
因此，该模型的角色更接近搜索引擎，而非自动化实验室的裁决。它可以缩小庞大的候选集合，并揭示意想不到的关联。实验工作仍需确定这些关联是否能在生物学条件下成立。
真正的较量是统一映射与独立分析
CLSS 所挑战的是碎片化的表征流程，而不是为其提供大量底层信息的结构预测系统。
由于两个项目都使用 AI 研究蛋白质，人们很容易将 CLSS 与 AlphaFold 相比较。然而，它们解决的是不同的问题。
AlphaFold 根据蛋白质序列预测其三维结构。CLSS 则利用序列和结构表征来映射蛋白质结构域之间的关系。前者产出结构候选结果，后者则在更大的空间中组织证据。
因此，这些工具能够相互补充。预测得到的 AlphaFold 结构可以进入结构通路，而其氨基酸序列可以进入序列通路。两种表征之间的一致性可支持导航和分类。
ESM3 的定位更为广泛。它能够处理蛋白质序列、结构和功能相关信息，也支持生成任务。CLSS 借用了冻结的 ESM3 结构编码器，但围绕更狭窄的映射目标训练其共享空间。
ProstT5 可在蛋白质序列与结构字母之间进行转换。ProTrek 使用多种生物学模态和对比学习方法。这些系统表明，多模态蛋白质建模早于 CLSS 出现。
该研究更有力的主张则更为具体。在测试设定下，CLSS 在序列图和结构图之间产生了更具凝聚力的重叠。研究人员还报告称，它在 ProteinShake 的分类任务上表现出色；ProteinShake 是评估蛋白质表征的标准化框架。
这些结果支持将统一映射作为一项技术方向，但并未证明 CLSS 在蛋白质预测、设计、注释或生成等所有任务上都具有普遍优势。
专门的 32 维表征必然会压缩信息。这种压缩可以突出广泛的关系，却可能丢弃其他任务所需的细节。残基级相互作用、动态构象、无序区域和细胞环境，无法全部原封不动地保留在一个短向量中。
训练分布带来了另一项重要约束。CLSS 从现有结构资源中表示的蛋白质结构域中学习，其中包括与 ECOD 相关的实验测定和预测示例。
这些数据库蕴含巨大的科学价值，但并非对全部生物学的中性抽样。实验结构更偏向于研究人员能够分离、稳定和测量的蛋白质。预测集合则继承了可用序列和模型置信度带来的偏差。
此前，更广泛的 Protein Universe Atlas 曾结合序列网络、结构预测和注释，以识别尚未探索的家族。其创建者也记录了为蛋白质空间中大量区域分配功能的持续困难。
CLSS 并未消除这片未知领域，而是将其重新组织。一个表征不充分的结构域可以获得坐标，却不会因此获得经验证的功能、机制或进化起源。
针对 ECOD 和 CATH 的评估同样值得谨慎解读。在没有使用其标签的情况下恢复专家分类层级，是有意义的证据。不过，这些分类仍反映了训练示例所来自的同一已知蛋白质图景。
论文指出，其随机训练和验证结构域来自相同的总体分布。这一选择符合构建以常见家族为主的穷尽图谱的目标，但不如仅在与训练示例刻意分离的远缘家族上测试那样严苛。
当用户询问 CLSS 能否泛化至真正陌生的生物学领域时，这一区别至关重要。在标准分类上的表现，并不能完全说明该模型如何处理罕见折叠、异常膜蛋白、无序区域或来自采样不足环境的序列。
降维也带来了另一项需要谨慎对待的因素。底层 CLSS 嵌入具有 32 个维度，但世界地图通常只显示两个维度。t-SNE 等算法能够保留局部邻域，却可能扭曲距离和全局几何关系。
因此，屏幕上醒目的聚类只是线索，而非生物学结论。研究人员需要在完整嵌入空间中检查邻居，并将其与序列比对、结构叠合、功能注释和实验进行比较。
“单一视图”这一表述也可能造成错误预期。序列和结构变得兼容，但并不意味着它们在每种科学语境下都可以互换。每种模态都包含不同的证据、不确定性和失效模式。
当科学家测定基础基因或蛋白质时，序列是直接观察到的。预测结构则是一种推断，其置信度会因残基和复合体而异。将二者共同嵌入并不会消除它们在证据地位上的差异。
真正的较量是统一映射与独立分析。CLSS 认为，一个学习得到的坐标系统可以让组合证据更易于搜索。详细工具仍需检验任意两种蛋白质为何会彼此邻近。
CLSS 改变蛋白质发现之前必须发生什么
下一项检验是，独立研究人员能否将图谱邻域转化为在陌生且实验难度较高的蛋白质中得到验证的发现。
首个值得关注的信号，是在远缘蛋白质家族上的外部复现。研究人员应通过严格限制训练和测试结构域之间序列与结构重叠的划分方式来评估 CLSS。
若在这些条件下仍表现强劲，将强化该表征捕捉到可迁移生物学原理的主张。若性能大幅下降，则意味着其大部分组织能力依赖于熟悉的家族分布。
第二个信号，是对图谱衍生假设的实验验证。最具说服力的研究会从一种未知或存在争议的蛋白质出发，利用 CLSS 识别出意外的邻居，并在实验室中检验所预测的关系。
有价值的结果可能包括经验证的配体结合、酶活性、结构相似性或共同进化片段。阴性结果同样具有信息价值，因为它们能够揭示嵌入表征高估了哪些类型的邻近关系。
第三个信号，是其在实际数据库搜索和蛋白质工程流程中的采用。研究团队设想将其用于序列比对、进化重建和设计。这些应用需要的不只是吸引人的可视化。
随着数据库增长，搜索工具必须保持高速。结果需要提供可解释的证据，使研究人员理解某个候选对象为何出现。流程还必须记录模型版本、来源结构、置信度评分和数据库更新。
该项目的机构概述描述了一个用于探索蛋白质空间的交互式查看器。独立实验室的使用情况将表明，该界面是否能帮助研究人员提出可检验的问题，而不是仅仅浏览熟悉的分类。
蛋白质工程的门槛更高。有价值的邻域可以提示片段或结构域模板，但设计出具有功能的蛋白质，需要在折叠、稳定性、活性和表达之间实现兼容。
CLSS-sub 在此尤其值得关注，因为它将短序列片段与完整结构域和结构并置。如果这些位置关系能持续识别出可复用的组件，它们可能改善蛋白质设计的搜索阶段。
然而，片段在历史上的重复利用，并不能保证它可以被安全移植。其行为取决于周围残基和分子环境。实验设计必须将邻近嵌入视为候选关系，而不是组装指令。
同样的谨慎也适用于药物发现。与某种辅因子或配体类型相关的聚类可以引导优先级排序，但无法证明附近的每种蛋白质都结合相同分子，或都提供可成药位点。
用户还应关注未来版本的 CLSS 是否会明确纳入不确定性。单一向量可能隐藏模态之间的分歧或低置信度结构区域。揭示这些分歧将帮助研究人员区分稳定邻域与脆弱邻域。
另一项有益的发展，是将图谱位置与残基级解释联系起来。科学家需要知道，两种蛋白质为何能对齐：是由于共享核心、短基序、结合口袋，还是广泛的架构相似性。
这种透明度将决定 CLSS 是否会成为日常分析层。只要系统能帮助生物学家设计下一项实验，他们可以容忍不完美的预测；但他们不太可能信任一张视觉上颇具说服力、却无法解释的图谱中的邻域。
CLSS 更深层的意义在于其对数据丰度的回应。如今，生物学拥有海量序列、预测结构和注释集合。日益成为限制因素的问题，是如何让这些集合可比较且可搜索。
CLSS 蛋白质宇宙图提供了一个可信的答案。它将序列和结构压缩为共享语言，恢复既有分类，并让片段成为同一图景的一部分。
它的成就仍比完成生命蛋白质图谱要狭窄得多。未知功能、不确定结构、有偏数据库和艰难实验依然存在。任何二维可视化都无法消除这些约束。
研究人员现在应当提出一个具体问题：CLSS 邻域是否能引导他们发现原本不会找到的关联，而这种关联能否经受实验检验？如果独立实验室一再给出肯定答案，统一蛋白质图谱将不再只是一个引人入胜的视角。它将成为生物学发现起步方式的一部分。
