InterPro蛋白质数据库如何把蛋白序列变成结构与功能注释?
发布于 2026年11月3日

图1 InterPro整合13个成员数据库,输出统一家族与结构域注释
【分类】 (结构/机制/序列分析——技术解析/方法教程);
拿到一条新的蛋白序列,你往往先想知道:它属于哪一类蛋白?含哪些结构域?可能发挥什么功能?这正是InterPro蛋白质数据库 擅长回答的问题。它是一个集中式资源,把多个独立数据库的蛋白质预测模型汇总到一处,为每条蛋白给出"家族—结构域—重复区—功能位点"的统一注释。无论是做基因组新注释、解析某个酶的结构域组成,还是判断一条未知蛋白的可能功能,InterPro 都能在几分钟内给出可复用的结构化答案。
为什么需要InterPro?单一数据库的局限与整合价值
InterPro蛋白质数据库把13个成员数据库的蛋白质签名整合进统一条目,研究者无需逐一查询多个库、重复比对同一条序列,即可获得一站式功能注释,因此是蛋白质功能注释的基础入口。
单一数据库各有侧重:Pfam 擅长用隐马尔可夫模型(HMM)描述蛋白质家族,SMART 专注结构域注释,CDD 汇集保守结构域模型,PANTHER、HAMAP 侧重蛋白家族与功能分类,CATH-Gene3D 与 SUPERFAMILY 提供基于结构的同源超家族视角。若只用一个库,容易漏掉其他库能识别的特征,也很难统一比对结果。例如,某条蛋白可能同时被 Pfam 识别为某个家族、被 SMART 识别出结构域、被 PROSITE 识别出活性位点;只有把多个签名放在一起,才能还原完整的"家族—结构域—位点"图景。
InterPro 将这些签名模型集成到一个平台:当两个以上成员数据库描述同一个生物学实体时,就把它们合并进同一条 InterPro 条目,从而减少冗余、统一常识性命名。其13个成员数据库包括 Pfam、SMART、CDD、PANTHER、HAMAP、PIRSF、PRINTS、PROSITE Patterns/Profiles、SFLD、CATH-Gene3D、SUPERFAMILY 与 NCBIFAMs。作为 ELIXIR 核心数据资源与全球核心生物数据资源(Global Core Biodata Resource),InterPro 在数据基础设施层面得到了长期维护与背书。
要点: 整合的意义在于"多库归一"——把分散在不同数据库中的零散命中,汇总成一条结构化、可复用的注释,而不是让你自己反复比对。
原理与结构:InterPro 条目、成员签名与五类注释
每条InterPro 条目以唯一 IPR 编号、名称、摘要与 GO 注释描述一类蛋白质家族、结构域、重复区或功能位点,并整合一个或多个成员数据库的预测模型,实现"多库归一"。
InterPro 条目按生物学实体分为五类:同源超家族(homologous superfamily)、蛋白质家族(family)、结构域(domain)、重复区(repeat)与功能位点(site)。条目由成员数据库的签名(signature)组成,签名本质是可预测同结构或同功能蛋白质的模型,如 HMM、正则模式、剖面(profile)与指纹(fingerprint)。InterPro 为每条条目分配唯一编号(如 IPR004827)、名称、短名、摘要,以及可一致赋值给所有匹配蛋白的基因本体(GO)注释;还通过 Pfam 签名给出"结构域架构"(domain architecture),帮助理解蛋白的模块化组成。
理解条目之间关系同样重要:一条家族条目可对应多个结构域条目,而同源超家族条目经常容纳多个结构、甚至多个家族,因此存在"重叠的同源超家族"。当条目能整合的签名增多时,有时会重新拆分或合并,条目边界也可能随之调整。做好这些关系的梳理,才能准确解释"为什么这条蛋白同时命中多个条目"。例如,一条蛋白激酶类蛋白的 InterPro 条目,可能同时给出家族归属、蛋白激酶结构域、活性位点与结合位点,让你一眼看清其功能布局。最终,同一蛋白在不同成员库中的零散命中,会被整合成一条结构化、可复用的 InterPro 注释。

图2 蛋白质序列经成员签名整合成一条统一InterPro条目
测定与分析:用InterProScan 做序列扫描
在InterProScan 中粘贴蛋白或核苷酸序列,即可同时运行多个成员数据库的搜索程序,并把结果合并成一份统一的 InterPro 注释输出,这是 InterPro 最常用的"测定"方式。
InterProScan 是 InterPro 的序列分析应用,调用多个成员数据库的识别方法:例如用 HMMER 比对 Pfam、用 RPS-BLAST 扫描 CDD、用相应工具匹配 PROSITE 等。它会优先利用预计算结果:对查询序列计算 CRC64 校验和,若能匹配到已在 IPRMATCHES 库中登记的蛋白,就直接返回命中,显著加快速度;各应用还使用预设的置信度阈值(cutoff)过滤低质量命中。你既可以从网页粘贴序列或上传文件,也可以使用命令行版批量扫描。
除序列外,InterPro 网站还支持用关键词、条目编号、UniProtKB 登录号、基因名、GO 词条、PDB、蛋白质组或分类学标识检索。条目页通常提供蛋白质列表、结构域架构、分类学、蛋白质组、结构、AlphaFold、通路与相互作用等标签页,便于从单条蛋白"反向"追溯其家族、结构与功能信息。扫描结果会按家族、结构域、重复区与位点分类展示,并标注命中的成员数据库、置信度与对应 GO 注释,方便直接整合进下游分析。把握好这些入口,就能根据手中已有的信息,选择最省力的检索路径。

图3 InterProScan将多条序列搜索合并为统一注释输出
条件与边界:覆盖度、准确度与AI 加持
InterPro 的准确度取决于成员签名质量,而 InterPro-N 人工智能模型能识别常规签名遗漏的序列,把 UniProtKB 序列注释覆盖率提升到九成以上,但也需注意其输出属于预测而非实验验证。
InterPro 签名驱动的注释本质上依赖模型匹配,因此覆盖度与准确度受阈值与模型库影响。面对近年 UniProtKB 序列数量激增,部分序列仍无法被传统签名确定分类。为此,InterPro 与 Google DeepMind 合作推出 InterPro-N:一种从序列直接预测成员数据库命中的神经网络模型,能够标注常规签名遗漏的蛋白,把获得至少一条注释的 UniProtKB 序列比例从约84%提升到九成以上。InterPro 110.0 与 InterProScan 6 重构了管线,并提供模型上下文协议(MCP)服务器,方便 AI 助手直接查询。
需要留意的是,这些结果是计算预测:签名命中的是"类似的结构或功能",并不等于实验验证。当签名描述同一实体、条目间存在重叠的同源超家族时,其边界与划分可能略有差异;结构域边界、家族归属也常因模型不同而略有出入。因此,把 InterPro 当作"快速、一致的候选功能来源",在涉及关键结论时再结合实验或文献证据交叉验证,是更稳妥的使用方式。在大型蛋白质组或宏基因组注释中,也常把 InterPro 与其他功能预测工具结合使用,形成交叉验证,降低单模型带来的偏差。
要点: 覆盖度更高不等于结论更确定,预测注释的边界值仍需谨慎对待。
MatwingsVenus®(晓鹜®)如何把 InterPro 类注释融入蛋白工程
蛋白质工程中,结构域与功能位点注释决定改造方向;MatwingsVenus®(晓鹜®)把 InterPro 类数据库注释与序列设计流程打通,让变异设计更有依据、更可控。
在酶改造、抗体优化或从头设计中,先弄清目标蛋白的家族归属、保守结构域与关键位点,往往能显著缩小设计空间。例如,某蛋白属于哪个家族、含哪些结构域、活性位点在哪里,直接决定了"哪些位置可以改、哪些位置不宜动"。
MatwingsVenus®(晓鹜®)平台把数据库层面的家族/结构域/位点注释与序列分析、预测及设计工具串联:先利用结构域与保守位点信息圈定可改造区域,再结合蛋白设计、亲和力成熟或人源化等流程给出候选序列,并对每个结果同时标注功能与稳定性证据,帮助判断哪些变异更可能成功。这种"注释先行、设计在后"的闭环,让 AI 辅助的蛋白工程不再只是盲目搜索,而是建立在可解释的结构与功能信息之上,从而提升研发效率与成功率。
常见问题(FAQ)
InterPro 和 UniProt、Pfam 是什么关系?
Pfam 是 InterPro 的13个成员数据库之一;UniProt 提供蛋白序列与注释,而 InterPro 在序列上叠加家族、结构域与功能位点分类。三者互补:UniProt 是序列与功能信息源头,Pfam 提供家族模型,InterPro 把它们整合为统一条目。
InterPro 的分析结果是实验证据还是预测?
InterPro 结果是基于签名模型的预测,不是实验证据。价值在于快速、一致地给出候选功能,在关键结论上仍建议结合实验或文献证据交叉验证。
我应该用InterProScan 还是直接浏览 InterPro 网站?
两者互补。手头有序列、想批量或单条注释时用InterProScan;想查某个蛋白家族、结构域或 GO 条目的背景、浏览出现蛋白与结构,则适合在 InterPro 网站按条目/编号浏览。
InterPro-N 是什么,和传统签名有何不同?
InterPro-N 是用神经网络直接从序列预测成员数据库命中的模型,可标注传统签名遗漏的序列,从而提升覆盖度;传统签名则是基于 HMM/模式等可解释模型。二者结合能提供更全面的注释。
总结
InterPro蛋白质数据库以统一 IPR 条目整合13个成员数据库,把蛋白序列分类为家族、结构域、重复区与功能位点,并配合 InterProScan 与 InterPro-N 实现高通量注释,是蛋白质功能注释的基础资源。对从事序列分析、蛋白工程与基因组注释的研究者而言,掌握其条目结构、扫描流程与能力边界,能显著提升注释的准确性与效率。
