AlphaFold：EvoFold

可视化演示

演示EvoFold利用进化信息预测RNA二级结构：协方差分析捕捉碱基共变信号，系统发育SCFG建模茎环与发夹结构，右侧指标呈现预测精度与共变检测能力。

进化印记

翻开家族相册时，最显眼的往往不是某一个人，而是那些永远站在一起的搭档。爷爷换蓝领结，奶奶就换蓝丝巾；父亲换成红领带，母亲便换成红披肩。在 RNA 的世界里，这样的搭档叫碱基配对：A 和 U 是一对，G 和 C 是一对。它们一旦失配，整个折叠结构就可能散架。功能重要的非编码 RNA（比如核糖开关、miRNA 前体）并不编码蛋白质，而是靠折叠出来的形状干活，形状一旦被破坏，功能就报废。

正因如此，自然选择会在进化中反复“修修补补”：一边的碱基突变，另一边也必须跟着突变，才能继续保持配对。这种现象在相册里看起来，就是两个位置永远同步换装。EvoFold 盯住的，正是这种跨越物种、跨越时间的保守结构信号。

$$\displaystyle \mathrm{PairSupport}(i,j)=\frac{1}{N}\sum_{k=1}^{N}\mathbb{I}\bigl[(b_{k,i},b_{k,j})\in\mathcal{C}\bigr]$$

1. PairSupport(i,j)：衡量第 i 列与第 j 列在所有同源序列中保持配对的比率，相当于“这对搭档在全家福里始终同时出现”的默契度。

$$\displaystyle \mathrm{PairSupport}(i,j)$$

2. N：同源 RNA 序列的条数，也就是相册里照片的张数。

$$\displaystyle N$$

3. b_{k,i}：第 k 条序列第 i 列的碱基，代表照片中某个固定位置上站着的家族成员。

$$\displaystyle b_{k,i}$$

4. 指示函数：括号里的条件成立记 1，不成立记 0，用来数有多少条序列维持配对。

$$\displaystyle \mathbb{I}[\cdot]$$

5. 集合 C：规范碱基配对集合，包含 A-U 与 G-C 等常见配对，相当于“搭配手册”。

$$\displaystyle \mathcal{C}=\{(A,U),(U,A),(G,C),(C,G)\}$$

这样一来，EvoFold 不只看一条 RNA“漂不漂亮”，而是看它在整个家族中是否一直保持搭档关系。家族相册里最常见的搭配，往往就是最可信的折叠线索。

协方差分析

但是，单纯统计 PairSupport 也有陷阱：有些位置只是偶尔碰巧互补，并不代表真的配对。要鉴定“真搭档”，还需要看它们是否同步变化。比如相册里有一对表兄弟，十张照片里有六张穿同色衣服，但其他客人偶尔也穿同色；而另一对夫妻，无论衣服怎么变，一定同时换上配套颜色。后者才是真正的“共变”。

协方差分析把多个同源序列对齐后，为每一对列计算联合频率。如果第 i 列出现 A 时第 j 列几乎总是 U，第 i 列变成 G 时第 j 列几乎总是 C，那么两列之间的互信息（MI）就会很高。这个高 MI 就是“进化信号”：它们在许多独立进化事件中反复互相配合，而不是一次两次的巧合。

$$\displaystyle \mathrm{MI}(i,j)=\sum_{x\in\mathcal{B}}\sum_{y\in\mathcal{B}} f_{xy}(i,j)\log_2\frac{f_{xy}(i,j)}{f_x(i)f_y(j)}$$

1. B：碱基字母表，即 A、U、G、C，代表四种“服装款式”。

$$\displaystyle \mathcal{B}=\{A,U,G,C\}$$

2. f_{xy}(i,j)：在所有序列中，第 i 列出现 x、第 j 列同时出现 y 的联合频率，相当于“两人搭配某套服装的照片占比”。

$$\displaystyle f_{xy}(i,j)$$

3. f_x(i)：第 i 列出现碱基 x 的单列频率，相当于“某个人单独穿某件衣服的概率”。

$$\displaystyle f_x(i)$$

4. log2：把频率比转换成信息量，单位是比特；比值越大，说明“看到 x 就能预测 y”的能力越强。

$$\displaystyle \log_2\frac{f_{xy}}{f_x f_y}$$

5. 双重求和：穷举所有碱基组合，把每一组的共变贡献累加起来，得到两列之间的总依赖程度。

$$\displaystyle \sum_{x}\sum_{y}$$

EvoFold 会把高 MI 的列当作候选配对，再放进结构模型里做全局折叠。相比只看单序列的能量最小化，这种从“家族合影”里挖出来的信号更稳健、更少被巧合欺骗。

热力学对比

在 EvoFold 出现之前，RNA 二级结构预测的主流是热力学方法。它的想法很物理：RNA 像一根会自己打结的绳子，最终趋向自由能最低的形状。只要能算出每个茎环结构的堆叠能、环能，就能找到最稳定的折叠。这相当于一位工程师只看建筑设计图，就能判断哪座桥最牢固。

但真实生物分子不是理想实验室。体外测定的能量参数未必完全代表细胞里的真实情况；而且一个功能 RNA 的结构往往不是绝对最低能态，而是进化中保留下来的稳定状态。热力学方法擅长处理单条、无同源序列的 RNA，但对保守的非编码 RNA 结构，它会漏掉进化证据。

$$\displaystyle \Delta G_{\text{fold}}=\sum_{\text{stacks}}\Delta G_{\text{stack}}+\sum_{\text{loops}}\Delta G_{\text{loop}}$$

1. ΔG_fold：整个 RNA 折叠的自由能变化，数值越低表示结构越稳定。

$$\displaystyle \Delta G_{\text{fold}}$$

2. 堆叠能 ΔG_stack：相邻碱基对层层堆叠时释放的能量，像书架上一排整齐的书互相支撑。

$$\displaystyle \Delta G_{\text{stack}}$$

3. 环能 ΔG_loop：发夹环、内环等未配对区域需要付出的能量代价，像绳子转弯处多出来的松弛部分。

$$\displaystyle \Delta G_{\text{loop}}$$

4. 求和：把每个结构单元的能量相加，得到全局折叠成本。

$$\displaystyle \sum_{\text{stacks}}+\sum_{\text{loops}}$$

EvoFold 的立场是：与其只信物理，不如同时看历史。多个物种都维持同一个配对，说明这个配对在真实环境中经受了考验。于是它把进化信号纳入打分，预测精度与适用范围都因此提升，尤其在保守 RNA 家族上，常常优于纯热力学方法。

算法流程

现在把 EvoFold 的工作过程想象成侦探破案。第一步当然是收集相册：从公共数据库里找到目标 RNA 的同源序列，物种越分散越好。第二步把照片按“家族关系”排好，做多序列比对，让每一列对应同一个祖先位置。第三步，侦探放大镜扫过每一对列，计算共变分数，看哪些位置“同步换装”。最后，把所有候选配对组合成一个全局一致的二级结构，尽量满足高共变、低冲突的原则。

EvoFold 真正的实现涉及更精细的概率模型，但核心骨架可以简化成一句话：结构得分 = 配对位置的互信息之和 − λ 倍的热力学自由能。λ 控制进化信号与物理能量的权重，约等于告诉侦探“多信任照片证据，少依赖理论推测”。

$$\displaystyle S(\text{fold})=\sum_{(i,j)\in\text{pairs}}\mathrm{MI}(i,j)-\lambda\,\Delta G_{\text{fold}}$$

1. S(fold)：某个候选二级结构的综合得分，得分越高越可信。

$$\displaystyle S(\text{fold})$$

2. MI(i,j)：第 i 与第 j 列的互信息，代表这两列在进化中同步换装的强度。

$$\displaystyle \mathrm{MI}(i,j)$$

3. 求和符号：把所有预测配对位置的互信息累加，得到总进化证据。

$$\displaystyle \sum_{(i,j)\in\text{pairs}}$$

4. ΔG_fold：同一结构的热力学自由能，能量越低结构越稳定。

$$\displaystyle \Delta G_{\text{fold}}$$

5. λ：平衡系数，决定进化信号和物理能量谁更重要。

$$\displaystyle \lambda$$

经过这套流程，EvoFold 从一堆散乱的照片里整理出“谁和谁牵手”的完整关系网。序列收集是对齐的前提，比对构建是共变分析的地基，协变打分是发现线索，折叠预测则是把所有线索拼成一张结构图。

应用场景

拿到二级结构后，最直接的价值是理解非编码 RNA。比如一个 miRNA 前体只有折叠成发夹结构才能被加工；一个核糖开关只有折叠变化才能控制基因表达。EvoFold 在基因组里扫描进化保守的 RNA 结构，能帮研究人员标出“这些区域可能不是垃圾，而是功能单元”。

在药物研发中，许多疾病相关非编码 RNA 会形成稳定的结构口袋，小分子药物可以结合进去。EvoFold 通过比较不同菌株或不同物种的同源序列，优先给出那些高度保守的结构区域，为实验人员缩小靶点搜索范围。它也能在数据库挖掘中批量注释新测序基因组里的 RNA 元件。

$$\displaystyle F_{\text{cons}}=\frac{1}{N}\sum_{k=1}^{N}\mathbb{I}\bigl[\text{fold}_k\approx\text{fold}_{\mathrm{ref}}\bigr]$$

1. F_cons：结构保守性分数，数值越高说明这个折叠在家族中越常出现。

$$\displaystyle F_{\text{cons}}$$

2. fold_k：第 k 条同源序列预测出的二级结构。

$$\displaystyle \text{fold}_k$$

3. fold_ref：参考序列的结构，相当于相册里最标准的一张合影。

$$\displaystyle \text{fold}_{\mathrm{ref}}$$

4. 近似符号：结构比较很难完全相等，通常用相似度阈值判断“是不是同一个姿势”。

$$\displaystyle \approx$$

5. 取平均：对所有同源序列求平均，得到整个家族的结构保守程度。

$$\displaystyle \frac{1}{N}\sum_{k=1}^{N}$$

简单来说，EvoFold 让研究者能在海量序列中找出“一直没变的折叠姿态”。这些姿态往往就是功能的关键，也是药物设计最值得瞄准的靶点。

效率优化

相册越多，证据越足，但整理也越累。RNA 折叠的动态规划本来就是 O(n³)，如果再加上 K 条序列的共变计算，EvoFold 的代价会显著上升。此外，序列太相似会带来假阳性；序列太少则共变信号不确定。现实世界里的 EvoFold 并不总是“照片越多越好”，而是要在灵敏度、特异性和速度之间做权衡。

$$\displaystyle T(n,K)=O(K\cdot n^3)$$

1. n：RNA 序列的长度，也就是需要折叠的碱基数。

$$\displaystyle n$$

2. K：同源序列的条数，也就是参与分析的家族照片数量。

$$\displaystyle K$$

3. O(·)：渐进复杂度记号，表示计算量随输入规模增长的速度。

$$\displaystyle O(\cdot)$$

4. n³：单条序列折叠动态规划的典型复杂度，长度翻倍，计算量可能涨八倍。

$$\displaystyle n^3$$

5. K·n³：共变分析常常要对多条序列同时建模，因此总代价近似为序列数与 n³ 的乘积。

$$\displaystyle K\cdot n^3$$

优化策略包括预计算互信息矩阵、使用保守区域过滤、采用带状动态规划、对近缘序列去冗余。EvoFold 的研究价值也在于：如何在保持精度的同时降低计算成本。这与现代深度学习模型追求效率是同一个命题。

科学价值

把 EvoFold 放回 AI for Science 的大图里，它和 AlphaFold 像一对互补的英雄。AlphaFold 用进化信息和深度网络预测蛋白质三维结构；EvoFold 更早地证明了：同源序列的共变模式足以推断 RNA 配对结构。两者都信奉同一句话：进化早就把答案写在了序列里。

EvoFold 不是深度学习模型，却给了后来者重要启发：与其只从单条序列硬学特征，不如先利用多序列比对构造“进化特征”。后来的 RNA 语言模型、蛋白质共变网络，都能看到这种思想的影子。

$$\displaystyle \mathrm{Consensus}(\mathcal{D})=\arg\max_{\mathcal{S}}\sum_{k=1}^{N}\log\Pr(\mathrm{seq}_k|\mathcal{S})$$

1. D：同源序列集合，相当于整本家族相册。

$$\displaystyle \mathcal{D}$$

2. S：一个候选二级结构，代表“谁和谁牵手”的安排。

$$\displaystyle \mathcal{S}$$

3. Pr(seq_k|S)：在给定结构下，这条序列出现的概率；结构越合理，序列就越容易被解释。

$$\displaystyle \Pr(\mathrm{seq}_k|\mathcal{S})$$

4. log：取对数可以把连乘变成求和，方便计算，也避免概率过小。

$$\displaystyle \log$$

5. arg max：在所有候选结构里，挑选总概率最高的那个，也就是最符合全家福证据的答案。

$$\displaystyle \arg\max_{\mathcal{S}}$$

从“家族合影里的同步换装”到“全基因组的 RNA 元件扫描”，EvoFold 用一套优雅的数学框架，把进化时间变成了预测结构的力量。它提醒我们：在 AI 时代，最强大的先验知识，往往藏在生命自己书写的历史里。

AI 应用场景

Python 演示

import mathfrom itertools import combinations BASES = "ACGU"CANON = {("A", "U"), ("U", "A"), ("G", "C"), ("C", "G"), ("G", "U"), ("U", "G")} def count_col(seqs, col):    cnt = {b: 0 for b in BASES}    for s in seqs:        cnt[s[col]] += 1    return cnt def pair_support(seqs, i, j):    n = len(seqs)    hit = 0    for s in seqs:        if (s[i], s[j]) in CANON:            hit += 1    return hit / n def mutual_information(seqs, i, j):    n = len(seqs)    col_i = count_col(seqs, i)    col_j = count_col(seqs, j)    mi = 0.0    for x in BASES:        for y in BASES:            pxy = 0.0            for s in seqs:                if s[i] == x and s[j] == y:                    pxy += 1.0            pxy /= n            if pxy == 0:                continue            mi += pxy * math.log2(pxy / ((col_i[x] / n) * (col_j[y] / n)))    return mi def evofold_like_scan(seqs, top_k=4):    ncol = len(seqs[0])    results = []    for i, j in combinations(range(ncol), 2):        ps = pair_support(seqs, i, j)        mi = mutual_information(seqs, i, j)        score = mi * ps        results.append((score, i, j, ps, mi))    results.sort(reverse=True)    return results[:top_k] def main():    aligned_seqs = [        "GCAGUCAC",        "GCGGUCAC",        "AUAGUCAC",        "AUACUCAC",        "GCAUUCAC",        "GCGUUCAC",        "AUAUUCAC",        "AUGCUCAC",    ]    print("Top candidate base-pair columns from EvoFold-style scan:")    for score, i, j, ps, mi in evofold_like_scan(aligned_seqs):        print(f"col {i + 1}-{j + 1}: score={score:.3f}, pair_support={ps:.2f}, MI={mi:.3f}") if __name__ == "__main__":    main()

1. CANON = {("A", "U"), ("U", "A"), ("G", "C"), ("C", "G"), ("G", "U"), ("U", "G")}定义“搭配手册”，即规则碱基配对集合。
2. def count_col(seqs, col)统计某一列四种碱基的出现次数，相当于统计某个人穿过几种颜色衣服。
3. def pair_support(seqs, i, j)计算两列在所有序列中保持配对的比率，衡量“家庭合影里的默契度”。
4. def mutual_information(seqs, i, j)用互信息捕捉两列的共变信号，判断它们是否真的在同步换装。
5. mi += pxy * math.log2(pxy / ((col_i[x] / n) * (col_j[y] / n)))把每一对碱基组合的依赖信息累加，共享变越强，MI 越高。
6. for i, j in combinations(range(ncol), 2)枚举所有可能的列对，避免重复比较。
7. score = mi * ps用配对支持度与互信息相乘，既看是否互补，也看是否共变。

常见误区

面试题