论文地址：PLMSearch: Protein language model powers accurate and fast sequence search for remote homology
论文实现：https://dmiip.sjtu.edu.cn/PLMSearch and https://github.com/maovshao/PLMSearch
PLMSearch：同源家族过滤+蛋白质相似度预测+PLMAlign
Abstract
从序列当中检测结构同源性依旧是挑战，因此提出了PLMSearch，只需要使用序列作为输入。实验显示PLMSearch可以在数秒内搜索数百万的query-target蛋白，并且和最好的结构搜索方媲美，还可以召回出序列不同结构相似的远程同源对
Introduction
基于序列搜索的方法很难检测出远距离的进化依赖，在序列相似度低于0.3的时候，使用sequence profile (MSA)的方法，如HMMER, HHsearch或HHblits更好
因为结构比序列的差异更大，因此结构相似性的搜索更加敏感，主要分为三种：
- contact/distance map-based: Map_align, EigenTHREADER, and DiscoVER
- structural alphabet-based: 3D-BLAST-SW, CLE-SW, Foldseek and Foldseek-TM
- structural alignment-based: CE, Dali, and TM-align
PLMSearch主要包含以下三步：
- PfamClan过滤出具有相同pfam clan domain的蛋白质对
- SS-predictor (structural similarity predictor)预测query-target pairs的相似性，使用TM-score作为ground truth训练
- PLMSearch根据预测的相似度对PfamClan对预过滤的对进行排序，并相应地输出每个查询蛋白的搜索结果。随后，PLMAlign为PLMSearch检索到的顶级蛋白质对提供序列比对和比对得分（图1d）
Results
PLMsearch reaches similar sensitivity as structure search methods
检索测试在SCOPe40-test和Swiss-Prot上显示出PLMSearch是达到了准确率和速度的最佳平衡
SCOPe40-test (2207 proteins)合计 4,870,849 query-target pairs，图2a-c，Table S2
Swiss-Prot search test随机从Swiss-Prots选了50个query，SCOPe40-test中选了50个query，在Swiss-Prot中430,140 target中检索，Fig S2, Table S1
PLMSearch searches millions of query-target pairs in seconds
使用了相同的计算资源（一个56核的Intel ® Xeon ® CPU E5-2680 v4 @ 2.40 GHz和256 GB RAM服务器）
PLMSearch accurately detects remote homology pairs
序列相似度>0.3且TM-score>0.5称为easy pair，序列相似度<0.3且TM-score > 0.5称为remote homology pair
Ablation experiments: PfamClan, SS-predictor, and PLMAlign make PLMSearch more robust
为了评估没有PfamClan组件的PLMSearch，从SCOPe40测试中的2207个查询中总共筛选了110个查询，这些查询没有扫描任何pfam域
为了评估没有 SS-predictor 组件的 PLMSearch，我们首先基于 PfamClan 对 SCOPe40 测试和 Swiss-Prot 数据集进行聚类
聚类结果显示出很明显的长尾效应，经过PfamClan的预过滤后，超过50%的预过滤的蛋白质对（图中的橙色矩形）来自最大的1-2个簇（大簇），因此，大的聚类会导致预过滤结果中产生大量的不相关的蛋白质对，降低准确性，必须根据相似性进一步进行分类和过滤，这就是ss-predictor所做的。
Methods
PLMSearch pipeline
1.PfamScan检索出Pfam clan domains; 2.相似度预测；3.相似度排序；4.对于高排名的对，PLMAlign生成对比
PfamClan
PfamClan过滤出共享相同Pfam clan结构域的蛋白质对（图1a）。值得注意的是，召回率在初始预过滤中更为重要。PfamClan基于一个更宽松的标准，共享相同的pfam clan域，而不是共享相同的pfam fmaliy（pfam家族所做的）。这一特性使得PfamClan在召回率上优于PfamFamily（图4）
Similarity prediction
将蛋白质序列输入ESM-1b，预测TM-score，在SCOPe40-train和CATHS40上进行训练
PLMAlign
和PLM-BLAST一样
Datasets
SCOPe40
类似Foldseek，SCOPe40训练/测试集分割为8：2，测试集中没有和训练集一个fold的
New protein search test
引入了一个额外的搜索测试，专门包含无法扫描任何pam域的查询蛋白质，从SCOPe40测试中的2207个查询中总共筛选了110个查询，这些查询没有扫描任何pfam域
Swiss-Prot
开始下载了542,317个蛋白和结构，丢掉pLDDT小于70的得到498,659，丢掉与query蛋白质有40%序列相似度得到430,140
最终是从SCOPe40-test和Swiss-Prot中各选择了50个作为query，测试了43,014,000 query-target pair
CATHS40
丢弃超过300氨基酸长度得到27,270 domains，丢掉和测试集有40%相似度的蛋白得到21,474
