蛋白质结构TM score怎么看？阈值、RMSD 区别与常见误区

引言

做蛋白质结构预测、同源建模或突变设计时，你一定见过TM score 这个指标。它是衡量两个蛋白质结构相似程度的黄金标准，但很多人只知道"越高越好"，却不清楚它到底怎么算、多少算高、和 RMSD 有什么区别、有哪些容易踩的坑。本文以问答式结构，系统拆解 TM score 的定义、计算方法、判读标准与典型应用，为蛋白质工程和酶工程研究者提供一份可直接上手的实用教程。

一、TM score 到底是什么？

TM score（Template Modeling score，模板建模得分）是衡量两个蛋白质三维结构整体相似程度的定量指标，取值范围在 0 到 1 之间——数值越高，两个结构越相似。

它的核心思想是：将两个蛋白质结构叠加对齐后，计算每对对应残基的距离，再通过一个归一化函数将距离转化为相似度得分，最后取所有残基的平均值。与均方根偏差（RMSD）不同，TM score 引入了一个与蛋白质长度相关的距离阈值 d₀（对蛋白质，d₀ ≈ 1.24×(L-15)^(1/3) - 1.8，L 为序列长度），使得长蛋白和短蛋白的得分具有可比性。

这个指标最早由结构生物信息学家在蛋白质结构预测评估中提出，如今已成为结构比对、模型质量评估、折叠分类等领域的通用标准。AlphaFold 等结构预测工具的结果评估中，TM score 也是核心指标之一。

注意：TM score 不是严格对称的，以 A 为参考和以 B 为参考的得分可能略有不同，比较时需注意参考方向。

二、TM score 多少算"结构相似"？

这是大家问得最多的问题。虽然没有绝对的阈值，但领域内大致有以下共识：

l < 0.17：随机相似。两个无关蛋白随机对齐的期望得分约为0.17，此区间得分无结构生物学意义

l < 0.3：基本不相似。 大概率属于不同折叠类型，常见于随机选取的两个无关蛋白。

l 0.3 – 0.5：弱相似。 可能存在远源同源关系或共同的结构域，对应超家族水平的演化关系。

l 0.5 – 0.7：中等相似。 通常属于同一折叠类型或同一家族，对应 SCOP/CATH 分类层面的结构同源性。

l 0.7 – 0.9：高度相似。 整体折叠基本一致，常见于同源建模结果与实验结构的比较。

l > 0.9：非常相似。 几乎可以认为是同一个结构，常见于突变体与野生型的结构比较、NMR 不同模型之间。

两个特别重要的分界点：

l TM score ≈ 0.5：通常被认为是"同一折叠类型"的经验分界线，具有统计学意义。

l TM score ≈ 0.8：通常被认为是"高精度结构预测"的分界线，AlphaFold 对很多人类蛋白的预测都能达到这个水平。

这些阈值只是经验参考，具体判断还要结合蛋白大小、结构域数量、研究问题等因素综合考量。

三、TM score vs RMSD：有什么区别？

 A Comparison of the Principles and Differences Between TM-score and RMSD

很多人会把TM score 和 RMSD 放在一起比较，其实它们各有侧重，不能互相替代：

归一化方式不同。 RMSD 单位是埃（Å），没有长度归一化，长蛋白和短蛋白的 RMSD 不能直接比较；TM score 做了长度归一化，不同大小的蛋白可以直接比较。

对局部偏差的敏感度不同。 RMSD 对局部大偏差非常敏感，一小段结构错位就能把整体 RMSD 拉得很高；TM score 更看重整体折叠，对局部偏差的容忍度更高。

阈值意义不同。 TM score 有公认的统计显著性阈值（约 0.5）；RMSD 没有统一阈值，是否合理取决于蛋白大小和研究场景。

正确做法是两个指标结合看：TM score 评估全局折叠，RMSD 评估关键区域精度。

四、TM score怎么算？常用工具有哪些？

手动计算TM score 几乎不可能，实际工作中都是用现成的结构比对工具：

TM-align：最经典、使用最广泛的TM score 计算工具，专门为 TM score 优化了对齐算法。输入两个 PDB 结构文件，一条命令就能得到 TM score、对齐残基数、RMSD 等完整结果，速度快、结果稳定，是目前的事实标准。

MM-align：TM-align 的多链版本，可以对多亚基复合物进行整体结构比对，输出复合物层面的 TM score。对于抗体、多聚体酶等多链蛋白，需要用 MM-align。

除此之外，部分结构生物信息学平台还提供在线计算服务，适合不熟悉命令行的研究人员使用。此外，Biotite等Python库也提供了TM-score计算接口，适合批量处理和自动化流程集成。

小提示：计算TM score 时要注意序列对应关系。同一蛋白的不同构象可直接比对；同源蛋白需要先确定残基对应关系，再做结构叠加。

五、三个常见误区

 Common Misconceptions

误区一：TM score 高就等于功能相同

TM score 衡量的是整体结构相似性，但功能往往由几个关键残基的精确空间位置决定。两个蛋白整体 TM score 很高，活性中心几个关键残基的朝向不同，功能就可能天差地别。判断功能相似性，除了看整体得分，更要看活性位点、结合界面等关键区域的局部结构。

误区二：全局得分高，每个结构域都准

对于多结构域蛋白，全局TM score 可能掩盖了某个结构域的巨大差异。比如两个蛋白有两个结构域，一个完全一样，另一个朝向差了 90 度，全局得分可能仍然不低。遇到多结构域蛋白，建议分结构域分别计算。

误区三：得分低就是预测错了

AlphaFold 等工具预测的结构，有时候和实验结构的得分不高，但不一定是预测错了——也可能是蛋白本身构象动态大，晶体结构只是其中一个构象，而预测的是另一个。特别是柔性蛋白、膜蛋白、多结构域蛋白，这种情况更常见。

六、蛋白质工程中的实际应用

对于蛋白质工程和酶工程研究者，TM score 不只是学术指标，还有很多实际用途：

同源建模质量评估。 模型靠不靠谱？和实验结构的TM score 是最直接的指标。一般 > 0.7 可以用于初步位点分析，低于 0.5 参考价值有限。

突变体构象风险预判。 做了定点突变，想知道会不会破坏整体折叠？比较突变体和野生型的预测结构TM score，如果 > 0.9 通常说明折叠保持良好，掉得明显就要警惕。

对接前结构筛选。 分子对接前用TM score 筛掉折叠明显不对的模型，可以节省大量计算时间，也能减少假阳性结果。

设计结果验证。 AI 设计的蛋白或突变体，和预期折叠一不一致？计算 TM score 是最基本的验证步骤。

七、MatwingsVenus™（晓鹜™）平台中的 TM score 应用

上海天鹜科技自主研发的MatwingsVenus™（晓鹜™）蛋白质研发智能体，在结构预测与蛋白质设计模块中，支持 TM score 等结构相似性与质量评估指标。

用户输入序列后，平台不仅输出预测的三维结构，还会自动给出多维度结构质量评估，包括与同源模板的TM score 比对、结构域划分与置信度分析等。研究者不需要手动下载结构、安装比对工具、编写分析脚本，可一站式获取结构质量的多维度评估结果。

在突变设计方面，平台在输出候选突变体时，会同步评估突变对整体结构折叠的影响——如果预测突变可能导致折叠显著变化，系统会给出风险提示，帮助研究者在实验前筛掉有明显风险的突变体，减少无效实验。对于多结构域蛋白，平台还支持分结构域分析，避免全局高分掩盖局部问题的情况。

八、FAQ：几个高频问题

Q：TM score多少算高？和RMSD有什么区别？

A：一般认为TM score > 0.5表示两个蛋白属于同一折叠类型，> 0.8表示高度相似。与RMSD相比，TM score对整体折叠更敏感且不受蛋白大小影响，适合评估全局相似性；RMSD对局部偏差更灵敏，适合评估活性中心等关键区域精度。两者互补，建议结合使用。

Q：序列不同的蛋白可以算TM score吗？

A：可以。TM-align等工具会自动通过结构比对确定残基对应关系，输出两个同源蛋白之间的TM score，不需要预先做序列比对。

Q：只有序列没有结构能算TM score吗？

A：不能。TM score需要两个三维结构才能计算。如果只有序列，可以先用AlphaFold等工具预测结构，再计算TM score。

结语

最后，用三句话总结TM score的正确打开方式：

第一，看全局也看局部。 TM score 评估整体折叠，RMSD 评估关键区域精度，两者结合更全面。

第二，记住两个关键阈值。 0.5 是同一折叠类型的分界线，0.8 是高精度预测的经验线。

第三，高分不等于功能相同。 整体相似不代表关键位点相同，功能判断还要看局部细节。

掌握了这些，TM score 就不再是论文里一个看不懂的数字，而是结构分析和蛋白设计中真正能用的工具。