信息速览

数据集名称CATH-Gene3D — 蛋白质结构域层级分类数据库

数据类型原始数据,注释数据,结构化数据

规模非患者数据集；规模以蛋白域计——CATH v4.4 含 601,493 个实验测定域条目、151 million 蛋白域（含 Gene3D 预测）、6,573 个超家族、150,885 个已注释 PD

接入方式Protein Data Bank（实验测定蛋白结构，分辨率<4.0Å 晶体 + NMR）+ AlphaFold Protein Structure Database（预测结构，经 TED 资源）+ UniProtKB/Ensembl（序列注释，Gene3D HMM 扫描）

AI 就绪度

INFOBOX — CATH-Gene3D 一屏速览

维度内容

本质 蛋白质结构域的层级分类数据库（非影像、非 ML 基准）：按 C/A/T/H 四级给 PDB 与 AlphaFold 结构域归类，并给出同源超家族与功能家族（FunFam）注释

全称 CATH = Class, Architecture, Topology, Homologous superfamily；配套 Gene3D 做序列层注释，合称 CATH-Gene3D

团队英国伦敦大学学院（UCL）Orengo group，创始人 Christine Orengo，CATH Manager Ian Sillitoe；GCBR 与 ELIXIR 核心数据资源

最新版本 CATH-Plus v4.4（2024-10 发布）；另有每日快照 CATH-B；配套 Gene3D v21/v22、TED（90M 预测域）

核心论文 NAR 2025, doi:10.1093/nar/gkae1087（PMID 39565206）；方法学 J Mol Biol 2024, doi:10.1016/j.jmb.2024.168551（CC BY 4.0）

硬规模 601,493 实验测定域条目｜ 151 million 蛋白域（含 Gene3D 预测 151,013,797）｜ 6,573 超家族｜ 150,885 已注释 PDB ｜折叠 1,349→2,078 ｜架构 41→77

四级层级 Class（二级结构组成）→ Architecture（空间排布，忽略连接）→ Topology/Fold（形状+连接性）→ Homologous Superfamily（同源证据）

序列层级 SOLID：S 35% / O 60% / L 95% / I 100% 序列同一性，D 为域计数——合成唯一 CATHSOLID 九段码

获取官网 cathdb.info 浏览+Web service；FTP orengoftp.biochem.ucl.ac.uk/cath/releases/ 公开下载；TED：ted.cathdb.info

与谁并列结构分类三大资源之一：CATH / SCOP(SCOP2) / ECOD；序列层面与 Pfam / InterPro 互补

一句话想知道"这个蛋白长什么形状、属于哪个进化家族、有哪些远亲"——CATH-Gene3D 就是结构分类领域最权威的字典之一

§0 导读：这个数据集解决什么问题

0.1 一个贯穿结构生物学的难题

蛋白质是生命活动的执行分子，而"结构决定功能"是分子生物学的核心信条。一个蛋白质的三维结构——它折叠成什么形状、由哪些二级结构元件（α 螺旋、β 折叠）拼装而成——直接决定了它能否结合底物、识别 DNA、催化反应。但问题在于：蛋白质结构的数量浩瀚且高度冗余。PDB（Protein Data Bank，蛋白质数据库）里已经积累了超过 20 万个实验测定的结构，AlphaFold Protein Structure Database（AFDB）更是预测了超过 2 亿条蛋白序列的结构。

面对如此规模的数据，如果每个结构都孤立地看待，研究者根本无法回答几个最基本的问题：

我手上的这个新结构，以前有人见过类似形状的吗？
这个结构属于哪个蛋白家族？它和哪些蛋白是进化上的远亲？
这个结构里哪些残基是功能关键的、保守的？
我能不能把有结构的知识迁移到没结构的同源序列上去？

CATH-Gene3D 就是为了系统性地回答这些问题而生的。它把"像"的蛋白结构域归到一起，形成一个层级化的分类体系，让研究者能够"以类相求"——从已知推未知。

0.2 CATH 是什么：一句话与四个字母

CATH 是 Class, Architecture, Topology, Homologous superfamily 的首字母缩写，这个名字本身就是它的分类逻辑：把一个蛋白结构域，从最粗的"二级结构组成"一路细分到最细的"是否同源"。

它的姐妹资源 Gene3D 做的是另一件事：CATH 的分类对象是有实验结构的域（来自 PDB），而 Gene3D 用 CATH 建立的隐马尔可夫模型（HMM）去扫描 UniProtKB 和 Ensembl 里的海量蛋白序列，把那些没有实验结构、但在序列上与已知超家族匹配的域也"认领"到相应的超家族里。于是两者合起来，CATH-Gene3D 就同时覆盖了"结构世界"和"序列世界"。

用一句话概括：CATH 给有形状的蛋白域分门别类，Gene3D 把分类能力外推到只有序列的蛋白上。

0.3 为什么它值得进入"AI-Ready"视野

CATH-Gene3D 表面上是一个数据库，但它对当下的 AI 研究、尤其是蛋白基础模型浪潮而言，是一份关键的结构化知识底座：

它是标签来源。AlphaFold 预测出 2 亿个结构后，"这些结构到底属于哪个家族"本身需要被注释——CATH 通过 **TED（The Encyclopedia of Domains）**资源承担了这个角色，把约 9,000 万个预测结构域映射进超家族。
它是评测与约束。蛋白语言模型（如 ESM 系列）学到的表征是否真的编码了进化与结构信息？同源超家族与 FunFam 提供了天然的"分组标签"来做无监督/有监督评测。
它是功能迁移的桥梁。FunFam（功能家族）在超家族内进一步按功能细分，是"给定一个新序列，推断其功能"这一经典任务（如 CAFA 挑战赛）的核心依据。
它是跨库整合的枢纽。CATH 是 InterPro 的成员库，与 Pfam、UniProt、PDBe、Ensembl 深度互联，天然适合做知识图谱式的多源链接。

正因如此，无论你做的是结构预测、功能注释、蛋白设计还是变异解读，CATH-Gene3D 都是一个绕不开的参照系。本条目将把它讲透：它是什么、怎么建起来的、数字有多大、和 SCOP/ECOD 有什么区别、怎么拿、坑在哪里。

0.4 读这篇条目的正确姿势

想快速判断适不适合自己：直接看 INFOBOX 和 §1 十问十答。
想理解分类逻辑：看 §2 四级层级与 §3 CATH 码解读。
想用数据：看 §4 数据规模、§6 获取与许可。
想避开坑：看 §10 坑点清单、§8 版本与双口径。
想知道它和别家的区别：看 §5 与 SCOP/ECOD/Pfam/InterPro 的横向对照。

§1 数据集速览：十问十答

这一节用十个问题把 CATH-Gene3D 的骨架一次讲清，细节分散在后续章节。

Q1：CATH-Gene3D 到底是"一个"还是"两个"数据集？
答：是一个资源体系的两半。CATH 是结构域分类主库（对象是 PDB 里的实验结构 + TED 的预测结构）；Gene3D 是序列注释库（对象是 UniProtKB/Ensembl 的海量序列）。官网主标题 “CATH / Gene3D” 即指二者联动。

Q2：它分类的对象是什么？
答：蛋白质结构域（protein domain），而不是整条蛋白链。一个多域蛋白会被"切"成若干个独立折叠的结构域，每个域单独分类。这一步"切域"（domain boundary assignment）本身就是 CATH 的核心技术之一。

Q3：CATH 四个字母分别指什么？
答：

Class：按二级结构组成——mainly-alpha（主要 α）、mainly-beta（主要 β）、alpha-beta（混合）、低二级结构含量四类；
Architecture：二级结构在空间中的整体排布（如桶状 barrel、三层夹心 3-layer sandwich），忽略连接顺序；
Topology/Fold：结合"形状 + 连接性"的折叠族；
Homologous superfamily：有共同祖先证据的同源超家族，是最具生物学意义的一层。

Q4：规模有多大？
答：CATH v4.4 正式版含 601,493 个实验测定域条目、150,885 个已注释 PDB 结构、6,573 个超家族、2,078 个折叠、77 个架构；加上 Gene3D 预测，官方主页称 151 million（1.51 亿）蛋白域被分类。

Q5：数据从哪里来？
答：三类来源。① PDB——实验测定结构（分辨率优于 4.0 Å 的晶体结构 + NMR）；② AlphaFold DB——预测结构，经 TED 资源处理；③ UniProtKB/Ensembl——蛋白序列，供 Gene3D 用 HMM 扫描。

Q6：它和 SCOP/ECOD 什么关系？
答：同类不同家。三者都是"按结构给蛋白域做层级分类"，但 CATH 自动化程度高、规模最大、独有序列层（Gene3D/SOLID）与 FunFam 功能层；SCOP/SCOP2 人工为主、保守精细、规模较小；ECOD 更偏纯自动。它们不是替代关系，而是互补的参照系（详见 §5）。

Q7：最新版本是什么时候的？
答：主线正式版 CATH-Plus v4.4 于 2024 年 10 月发布（论文 NAR 2025）；同时维护每日快照 CATH-B。版本冻结在 2024-09-01 的 PDB 快照。

Q8：怎么拿到数据？
答：官网 cathdb.info 在线查询 + Web service；FTP 目录 ftp://orengoftp.biochem.ucl.ac.uk/cath/releases/ 公开下载核心分类文件；TED 走 ted.cathdb.info；GFunVar 走 funvar.cathdb.info。

Q9：许可证是什么？
答：官网声明为免费公开在线资源（free, publicly available），数据公开下载、学术自由使用。但官网未给出单一 SPDX license 标签（如"CC BY"），再分发前建议向维护方确认——这一点在本条目 §6.4 作为遗留疑点明确存照。

Q10：我一个做医学影像/临床 NLP 的人，为什么要关心它？
答：因为 CATH-Gene3D 是蛋白基础模型、变异解读、药物靶点发现的公共知识底座。你做多模态、做知识图谱、做生物医学问答时，蛋白结构域这一层是绕不开的实体类型；CATH 提供了规范的分类标签与跨库链接（InterPro/Pfam/UniProt/PDB），是构建"生物医学知识图谱"时最有价值的结构化节点之一。

§2 分类体系：四级层级如何把一个结构域"安置"到正确的位置

2.1 从"树干"到"树枝"：CATH 的树状逻辑

CATH 的文档有一句精妙的比喻：它是一棵树状层级分类——从最粗的"树干"（C，仅按二级结构组成聚类）出发，越往"树枝"走，聚类判据越严格，得到相似度越精细的分组。

这条主线就是四个层级：

   C  Class            二级结构组成（最宽）
   │
   A  Architecture     二级结构的空间排布（忽略连接）
   │
   T  Topology/Fold    形状 + 连接性（折叠族）
   │
   H  Homologous       共同祖先证据（同源超家族，最具生物学意义）
      Superfamily

再加上序列层面的 SOLID 五级和域计数的 D，整个体系从"结构相似"平滑过渡到"序列相同"，每个域都能拿到一个唯一码。

2.2 C — Class：只看二级结构组成

Class 层只关心一个问题：这个域的二级结构主要是 α 螺旋还是 β 折叠？ 判据是二级结构的组成与堆积方式。共有四大类：

mainly-alpha（主要 α）：以 α 螺旋为主；
mainly-beta（主要 β）：以 β 折叠为主；
alpha-beta（混合）：既包含交替的 α/β 结构（alternating alpha/beta），也包含 α+β 结构——这一术语源自 Levitt & Chothia (1976) 的经典定义；
第四类（低二级结构含量）：二级结构很少的域，如富含无规卷曲或特殊构象的短域。

Class 是最"粗"的一层，只是把蛋白域宇宙分成几个大区。

2.3 A — Architecture：忽略"连接顺序"的整体形状

Architecture 描述的是二级结构在三维空间中的整体排布形状，但故意忽略二级结构之间的连接顺序。也就是说，同样是"α 螺旋围成一圈、β 折叠在中间"，不管螺旋线圈是从哪头绕到哪头的，架构层视为同类。

这一层目前是人工指派的，用一些直观描述来命名，例如：

barrel（桶状）：β 折叠滚成桶形容器；
3-layer sandwich（三层夹心）：β-α-β 三层堆叠；
beta-propeller（β 螺旋桨）：多个 β 叶片绕轴排成桨叶；
alpha four-helix bundle（α 四螺旋束）：四条 α 螺旋束在一起。

这些术语多引自文献对著名架构的约定俗成描述。Architecture 层的人工属性是 CATH 主观性相对集中的地方，也是新版本中架构数从 41 猛增到 77 时需要特别留意的层（见 §8 双口径）。

2.4 T — Topology/Fold：加上"连接性"的折叠族

Topology（拓扑，也称 fold family，折叠族）层同时考虑核心区的形状与连接性：二级结构元件在核心区不仅要有相似的排布，还要以相似的方式连接起来。同一折叠族的域，核心一致，但可以有不同的外围装饰（decorations）。

CATH 文档特别指出：某些折叠族极其"拥挤"（highly populated），特别是 mainly-beta 的 2-layer sandwich（双层夹心）架构和 alpha-beta 的 3-layer sandwich（三层夹心）架构——这些是自然界最常用的折叠"零件"。

2.5 H — Homologous Superfamily：生物学意义的核心层

Homologous Superfamily（同源超家族）是 CATH 最具生物学价值的一层：它把被认为有共同祖先的域归到一起。判定"同源"需要证据，CATH 采用以下任一条件：

判据	阈值
序列同一性 + 结构重叠	序列同一性 ≥ 35%，重叠 ≥ 较大的那个结构的 60% 等价于较小的
结构比对分数 + 序列	SSAP 分数 ≥ 80.0，序列同一性 ≥ 20%，重叠 ≥ 60%
结构与功能结合	SSAP ≥ 70.0，重叠 ≥ 60%，且域间功能相关（由文献与 Pfam 蛋白家族证据佐证）
序列/HMM 显著相似	来自 SAM（Hughey & Krogh, 1996）、HMMER、PRC 的 HMM-序列搜索与 HMM-HMM 比对的显著相似性

这套多判据设计体现了"结构相似"与"序列相似"两条证据线的交叉验证——两个域如果序列差得远但结构惊人相似，仍可能被判定同源（远程同源）。

2.6 SOLID：从"结构同源"到"序列相同"的平滑过渡

在 H 层（超家族）之下，CATH 用多链接聚类把域进一步细分成序列家族，形成 SOLID 五级：

层级	名称	序列同一性	重叠
S	Sequence Family	≥ 35%	80%
O	Orthologous Family	≥ 60%	80%
L	“Like” domain	≥ 95%	80%
I	Identical domain	100%	80%
D	Domain counter	—（族内计数）	—

序列同一性与重叠由 Needleman-Wunsch 算法计算，gap penalty = 3。
序列同一性定义 = （相同残基数 / 较短序列长度）× 100%；重叠 = （比对上的残基数 / 较长序列长度）× 100%。
D（Domain counter） 在每个 S100（100% 相同）族内充当计数器，保证每个域都拿到全局唯一的 CATHSOLID 码。

CATH 团队自己承认 “Orthologous”、“Like” 这些命名"远非完美"（原文：by no means perfect descriptions），但作为一个可用的标签体系延续至今。这套命名的诚实吐槽，恰恰体现了该库文档的坦率风格。

2.7 域边界分配：切域本身就是一门技术

分类的前提是先把多域蛋白"切成"单个结构域（domain boundary assignment）。CATH 用"自动 + 人工"混合策略：

自动继承（ChopClose）：若某条链与已切好的链有足够高的序列同一性（80%）和结构相似性（SSAP ≥ 80），域边界直接继承自那条链，无需重算。
人工判定：否则，基于一系列算法结果 + 文献人工确定边界，所用工具包括：
- 结构类：CATHEDRAL、SSAP、DETECTIVE（Swindells 1995）、PUU（Holm & Sander 1994）、DOMAK（Siddiqui & Barton 1995）；
- 序列类：Profile HMM；
- 文献：相关论文中的域定义。

在 v4.4 时代，切域技术已演进为深度学习工具 Chainsaw（UCL 自研，专攻多域蛋白）+ 公开方法 Merizo、UniDoc（详见 §3.4）。

2.8 PDB 质量过滤：什么样的结构才有资格进 CATH

并非 PDB 里所有结构都进 CATH。过滤规则：

仅纳入：分辨率优于 4.0 Å 的晶体结构 + NMR 结构；
排除：非蛋白、计算模型、以及 >30% 为 “C-alpha only”（只有主链 α 碳、无完整侧链）的结构；
该过滤由 SIFT 协议（Michie et al. 1996）执行。

这道门槛保证了进入 CATH 的是"确定性较高、信息较完整"的实验结构。

§3 CATH 码与命名：怎么读懂一串 `3.30.1190.10.1.1.1.1.1`

3.1 CATH 码 vs CATHSOLID 码

CATH 有两套码，容易混淆：

CATH 码（四段）：C.A.T.H，如 3.30.1190.10，只到超家族层；
CATHSOLID 码（九段）：C.A.T.H.S.O.L.I.D，把序列层与域计数也编码进去，是全局唯一的域标识。

官方例子：

Domain 1nr3A00  →  CATH code: 3.30.1190.10           （四段）
                →  CATHSOLID : 3.30.1190.10.1.1.1.1.1  （九段）
                  C   A   T   H  S O L I D
                  3  30 1190  10 1 1 1 1 1

3.2 逐段解读

以 3.30.1190.10.1.1.1.1.1 为例：

段位	字母	值	含义
第 1 段	C	3	Class——这里 3 通常对应 alpha-beta（混合）类
第 2 段	A	30	Architecture——第 30 号架构（如某种三层夹心）
第 3 段	T	1190	Topology/Fold——第 1190 号折叠族
第 4 段	H	10	Homologous superfamily——该折叠下的第 10 号超家族
第 5 段	S	1	Sequence family（35% 同一性层）编号
第 6 段	O	1	Orthologous family（60%）编号
第 7 段	L	1	Like（95%）编号
第 8 段	I	1	Identical（100%）编号
第 9 段	D	1	Domain counter——族内唯一计数

实用要点：日常引用超家族，一般用前四段（CATH 码）；要精确定位到"某一个具体的域实例"，才需要完整九段。

3.3 域 ID 命名：`1nr3A00` 怎么来的

CATH 的域 ID 通常形如 <PDB 四字符码><链号><域序号两位>：

1nr3——PDB 条目四字符码；
A——链标识（polypeptide chain）；
00——该链内第 1 个域的序号（从 00 起）。

因此 1nr3A00 表示"PDB 结构 1nr3 的 A 链上的第 1 个结构域"。

3.4 v4.4 现代流水线：从切域到同源检测的工具链

CATH v4.4 面对的不再只是几万个 PDB 结构，而是 AlphaFold 带来的上亿级预测结构。为此团队重建了完整流水线：

Chainsaw：自研深度学习域边界预测方法，针对多域蛋白，用于在预测结构中切出结构域。这是 CATH-AlphaFlow 的关键创新。
Merizo、UniDoc：两个公开的域分割方法，与 Chainsaw 并行使用以增强鲁棒性。
CATHe：基于蛋白语言模型 embedding 的深度学习工具，专为检测**极其远程的同源物（<20% 序列同一性）**而设计（详见 §3.5）。
Foldseek：快速结构比对工具，扩展了 CATH 的结构比较工具套件（原有 SSAP、CATHEDRAL）。
HMMER3：用 CATH 代表性序列（95% 同一性聚类）构建的 HMM 库做 HMM 扫描验证，边界重叠 ≥ 80% 才认为 CATH 赋值可信；域还须先满足 STRIDE 预测 ≥6 个二级结构元件、pLDDT > 70 等质量门槛。
多证据联合判定：最终的超家族归属，需综合**结构证据（Foldseek/SSAP）与序列证据（HMM/语言模型）**多个独立方法的一致结论，并辅以人工审校（strict overlaps + manual curation）。

这条流水线是 CATH 能"消化"AlphaFold 数据洪流的技术底气。

3.5 CATHe：当序列同一性低于 20% 时怎么找亲戚

CATHe 是 CATH 团队为"远程同源检测"专门训练的深度学习框架，其名称取自 CATH + 归一化/嵌入（embedding）的思路。它的数据与权重于 2022 年发布在 Zenodo（record 6327572），含训练集、优化集、测试集与神经网络权重。

它的动机非常具体：AlphaFold 带来了海量预测结构，传统的 HMM 搜索在序列同一性极低时力不从心，而 CATHe 借助蛋白语言模型的表征能力，能在 <20% 序列同一性的"远程"区间识别同源关系——这正是把 AlphaFold 结构塞进 CATH 超家族的关键一环。

§4 数据规模：把硬数字一次列清

4.1 CATH-Plus v4.4 核心统计（官网 beta.cathdb.info）

指标	CATH-Plus v4.4（正式）	CATH daily snapshot
PDB Release	01-09-2024	持续滚动（2025 可见）
Domains（实验测定域条目）	601,493	601,493
Superfamilies（超家族）	6,573	6,630
Annotated PDBs（已注释 PDB）	150,885	218,275

官网主标题的"最大数字"是：151 million protein domains classified into 6,573 superfamilies（1.51 亿蛋白域归入 6,573 个超家族）。

4.2 一个极易误读的点：151M ≠ 601,493

这两个数字经常被混为一谈，其实含义完全不同：

601,493 = CATH 数据库表中"实验测定的结构域条目数"（来自 PDB 的结构域切分结果）；
151 million（151,013,797） = “蛋白域总数”，绝大部分来自 Gene3D 的序列预测（对 UniProtKB/Ensembl 序列做 HMM 扫描得到的域预测），而非实验结构。

"实验结构域"与"预测域"混用是该领域最常见的口径错误之一，检索者务必分清（详见 §8 双口径存照）。

4.3 v4.4 相对前代（v4.3 / 2021 论文口径）的扩展

NAR 2025 论文（doi:10.1093/nar/gkae1087）给出的关键扩展数字：

180 倍（180-fold）：结构信息量的扩充倍数——通过把 TED 预测结构映射进 CATH 超家族实现；
~64,844：v4.4 新增的实验测定域结构（来自 PDB）；
~90 million：从 TED 映射进 CATH 超家族的预测域数量；
超家族：5,841 → 6,573（+732）；
折叠（folds）：1,349 → 2,078（NAR 正文口径；官网 wiki 页写作 2,081，差 3——双口径存照）；
架构（architectures）：41 → 77（+36）；
FunFam 覆盖度：序列更新至 UniProt release 2024_02，覆盖度 +276%；
FunFam 结构信息：TED 结构映射使"有结构信息的 FunFam"增加 4 倍，至少含 1 个高质量结构代表的 FunFam 达 73,215 个。

官方的重要免责声明：TED 数据是预测结构，因此新增的折叠与架构"在实验确证前保持假说性（hypothetical until experimentally confirmed）"。这句话必须被任何使用 v4.4 折叠/架构数字的研究者牢记。

4.4 Gene3D 的规模

Gene3D 负责序列层，其规模按"蛋白序列"计：

版本（口径）	蛋白序列数	域预测数 / 覆盖
Gene3D v21（官网统计块）	82,665,384	CATH Domain Predictions 151,013,797
Gene3D v22（GtR 项目页）	覆盖 ~20,000 个细胞基因组、>2 亿条唯一蛋白序列	“较上次发表翻倍以上”

两个版本的并存不是矛盾：v21 是官网统计快照的标注，v22 是项目描述中的最新口径。Gene3D 用超过 5,000 个 CATH 超家族的 HMM 库来预测 UniProtKB/Ensembl 序列中的结构域。

4.5 CATH-AlphaFlow 的扩展战绩（J Mol Biol 2024）

方法学论文 “CATH 2024: CATH-AlphaFlow Doubles the Number of Structures in CATH and Reveals Nearly 200 New Folds”（doi:10.1016/j.jmb.2024.168551，CC BY 4.0）报告：

CATH-AlphaFlow 使 CATH 扩展 超过 100%（即翻倍）；
253 个新折叠来自 PDB 结构（2023-09 版）；
96 个新折叠来自 21 个模式生物的 AFDB 蛋白组结构；
涉及的重要功能举例：开花植物的光合适应（photosynthetic acclimation）、真菌的铁通透酶活性（iron permease activity）、小鼠的产后精子发生（post-natal spermatogenesis）——这说明新折叠不是"数据垃圾"，而是承载真实生物学功能的新发现。

4.6 CATH-B（每日快照）：时效与深度的权衡

CATH-B（也称 daily snapshot）每日更新，提供最新的分类数据，为 >50,000 个额外蛋白域提供推测性（putative）分类。但它的信息量受限：

仅包含：域边界 + 超家族分类；
不含：CATH-Plus 里那种丰富的结构/序列/功能整合信息。

实践建议：想要"最新结构"用 CATH-B/daily；想要"深度注释、可引用、可复现"用 CATH-Plus 正式版。两者不是替代关系，而是时效 vs 深度的双轨。

4.7 TED（The Encyclopedia of Domains）：AlphaFold 时代的产物

TED（ted.cathdb.info）是 CATH 与 Jones 组（UCL 计算机科学）联合打造的独立资源，专门存放从 AlphaFold DB 预测结构中切分出的预测域，约 9,000 万个，并映射进 CATH 超家族。它是"180 倍结构信息扩充"的直接来源。

关键认知：CATH 分类能力之所以在 v4.4 出现数量级的跃升，本质上是因为它把分类的对象从"实验结构"扩展到了"预测结构"。这既是机遇（覆盖度暴增），也是风险（预测质量与假说性）。任何一个负责任的数据使用者，都应当在使用 TED 来源的折叠/架构时标注其预测属性。

§5 与 SCOP / ECOD / Pfam / InterPro 的区别与联系

这是本条目最需要讲清楚的一节。库内已存在 Pfam（rid 1043）、InterPro（rid 1044）、AlphaFold（rid 573）等同域条目，检索者极易把 CATH 与它们混为一谈。以下逐一对齐。

5.1 结构分类"三巨头"：CATH vs SCOP/SCOP2 vs ECOD

蛋白结构域分类领域有三条主要路线，它们回答的是同一个问题——“给蛋白域按结构/进化关系分门别类”——但哲学与方法不同：

维度	CATH	SCOP / SCOP2	ECOD
全称	Class, Architecture, Topology, Homologous superfamily	Structural Classification of Proteins	Evolutionary Classification Of protein Domains
维护方	UCL（Orengo 组）	MRC 剑桥 / 多机构（Murzin, Chothia 等）	多机构（Cheng, Grishin 等）
方法倾向	自动 + 人工结合，自动化程度高	人工为主，专家精审	纯自动，基于结构的演化分类
主层级	C / A / T / H	Class / Fold / Superfamily / Family	A / X / H / T / F（五级）
规模	最大（601,493 域，6,573 超家族）	相对小、保守	大，自动扩展
独有特点	序列层 SOLID + FunFam 功能层 + Gene3D，含大量预测域	精细、稳定、教学友好	自动化、快速覆盖新结构
更新	年度正式版 + 每日快照	版本间隔较长	较频繁

一句话记忆：

CATH = 自动+人工、规模最大、独有序列与功能层；
SCOP = 人工精审、保守权威、规模小；
ECOD = 纯自动、快速铺开。

它们不是竞争对手，而是互相印证的参照系。同一个域，你可以在 CATH 里查它的超家族，在 SCOP 里查它的 fold，在 ECOD 里查它的演化族，交叉验证是结构生物信息学的标准操作。

5.2 CATH vs Pfam（库内 rid 1043）：结构 vs 序列

这是最容易混淆的一对，因为 CATH 的超家族判定本身就引用 Pfam 作为功能证据（见 §2.5 第三判据）。

维度	CATH	Pfam
分类对象	蛋白结构域（先有结构，含预测结构）	蛋白家族（基于序列比对与 HMM）
核心方法	结构比对（SSAP/CATHEDRAL/Foldseek）+ 序列	序列 HMM（Pfam-A 人工审校 / Pfam-B 自动）
起点	PDB 实验结构 → 扩展至 AFDB 预测结构	UniProt/Ensembl 蛋白序列
层级	四级结构层级 + 序列层	家族/条目（family/domain/clan）
关系	互补：CATH 判超家族时借 Pfam 佐证功能；Pfam 家族可映射到 CATH 超家族	同左

要点：Pfam 从序列出发找家族，CATH 从结构出发找同源；两者在"域/家族"概念上高度交叠，但数据来源与判据不同。库内互链 Pfam（rid 1043）是本条目最自然的互链点之一。

5.3 CATH vs InterPro（库内 rid 1044）：CATH 是 InterPro 的成员库

这是最直接的从属关系：CATH-Gene3D 是 InterPro 的成员数据库（member database）。InterPro 是一个整合平台，把 Pfam、CATH-Gene3D、SMART、PROSITE、PRINTS 等众多蛋白家族/域/功能位点资源整合到统一的条目体系下。

维度	CATH	InterPro
定位	单一分类资源	多资源整合平台
关系	InterPro 的成员库之一	整合 CATH + Pfam + 诸多其他库
覆盖	结构域分类	蛋白家族/域/功能位点（序列为主）
使用量	每月 ~100 万访问、~9,000 独立访客	每月 >500 万网页访问

结论：探 CATH 的"元数据入口"，InterPro 是最好的起点；反之，CATH 为 InterPro 贡献了结构域这一维度。库内互链 InterPro（rid 1044）同样关键。

5.4 CATH vs AlphaFold（库内 rid 573 / rid 40）：分类者 vs 被分类者

维度	CATH	AlphaFold DB
定位	结构分类资源	结构预测资源
关系	消费 AFDB：通过 TED 给 AFDB 预测域分类	生产预测结构，供 CATH 分类
数据流	AFDB 预测结构 → Chainsaw 切域 → CATHe/HMM/Foldseek 归超家族	CATH 消费其输出

数据流方向极为重要：AlphaFold 产生预测结构，CATH 给它们"贴标签"（经 TED）。所以 CATH v4.4 的爆炸式增长直接依赖 AlphaFold。库内已有 alphafold 条目（rid 573 / rid 40），互链时务必说明这一"生产者-消费者"关系，避免读者误以为二者同质。

5.5 一张全景图：结构分类生态中的 CATH 位置

   实验结构源          预测结构源           序列源
   ┌────────┐        ┌──────────┐       ┌──────────────┐
   │  PDB   │        │AlphaFold │       │UniProt/Ensembl│
   └───┬────┘        │   DB     │       └──────┬───────┘
       │             └────┬─────┘              │
       │                  │  (TED 切域)         │ (HMM 扫描)
       ↓                  ↓                    ↓
   ┌──────────────────────────────────────────────────┐
   │                    CATH                          │
   │  C/A/T/H 结构层级 + SOLID 序列层 + FunFam 功能层  │
   └───────┬───────────────────────┬──────────────────┘
           │                       │
           ↓ (结构分类)             ↓ (序列家族)
      ┌─────────┐             ┌──────────┐
      │SCOP/ECOD│  并列参照    │  Pfam    │
      └─────────┘             └────┬─────┘
                                   │
                         ┌─────────┴─────────┐
                         │     InterPro      │ ← CATH 是其成员库
                         │ (整合平台)         │
                         └───────────────────┘

5.6 FunVar：CATH 的变异解读分支

除主库外，CATH 还有 FunVar（funvar.cathdb.info）平台，把人群/致病变异（非 synonymous 多态，即残基突变）映射到蛋白结构上，评估其与功能位点的邻近性，从而推测对功能的影响。其当前切入点包括：

SARS-CoV-2 病毒及其人类宿主互作蛋白的注释；
癌症相关人类蛋白突变（来自 TCGA 数据）；
未来计划纳入结核病等其他重要病原感染。

FunVar 的存在说明 CATH 已从"纯分类"走向"分类 + 功能/临床解读"，与库内 proteingym（rid 813，变异适应性基准） 语义相近，是潜在的互链点。

§6 获取与许可：怎么拿到数据、怎么合规使用

6.1 三类入口

入口	地址	用途
官网在线查询	https://www.cathdb.info	浏览结构、按序列/结构搜索、Web service
镜像/新版	https://beta.cathdb.info	新版界面与最新统计
文档 Wiki	https://wiki.cathdb.info	层级说明、FAQ、方法学文档
FTP 下载	`ftp://orengoftp.biochem.ucl.ac.uk/cath/releases/`	核心分类文件批量下载
TED	https://ted.cathdb.info	9,000 万 AlphaFold 预测域
FunVar	https://funvar.cathdb.info	变异-功能分析

6.2 FTP 目录结构（版本链）

ftp://orengoftp.biochem.ucl.ac.uk/cath/releases/
├── latest-release/           ← 最新正式版（CATH-Plus v4.4）
│   └── cath-classification-data/
│       ├── cath-domain-list.txt        （域级列表）
│       └── cath-superfamily-list.txt   （超家族级列表）
└── daily-release/newest/     ← 每日快照（CATH-B）

版本选择建议：

要可复现、可引用、深度注释 → 用 latest-release（CATH-Plus v4.4）；
要最新的结构 → 用 daily-release/newest（CATH-B，仅域边界+超家族）。

6.3 关键数据文件

cath-domain-list.txt：域级清单，每个域一行，含 CATH 码、域 ID、边界、类别等；
cath-superfamily-list.txt：超家族级清单，含超家族 ID 及其下属折叠/域信息；
配套还有序列文件、结构比对文件、功能注释文件等。

6.4 许可：一个必须诚实标注的遗留疑点

事实层面的确认：

官网与文档明确称 CATH 为 “free, publicly available online resource”（免费、公开可用的在线资源）；
数据经 FTP 公开下载，无需登录或申请；
学术使用是明确被鼓励的（~9,000 独立访客/月、教学与研究广泛使用）。

必须存照的模糊点：

官网未给出单一 SPDX 风格的 license 标签（例如没有明确写 “CC BY 4.0” 或 “CC0”）。这意味着若要做大规模再分发、商业使用，条款并不像 CC 许可那样一目了然。
论文的许可与数据的许可要分开看：
- CATH-AlphaFlow 论文（J Mol Biol 2024）明确为 CC BY 4.0（open access）；
- CATH v4.4 论文（NAR 2025）为 NAR 标准开放获取。
- 但这些是论文的许可，不等于数据集本身的许可。

合规建议：学术研究、内部使用、教学——自由使用；再分发或商业用途——建议直接查阅官网 terms 或联系维护方（UCL Orengo 组）确认。本条目将此列为遗留疑点（见 §8.4）。

6.5 其他获取途径

AlphaFold 21 模式生物注释：可通过 Zenodo（record 7404988，doi:10.1038/s42003-023-04488-9）获取；
CATHe 数据与权重：Zenodo record 6327572（2022）；
Web service：官网提供 programmatic 访问接口，适合批量拉取。

§7 生态与影响：一个结构分类库如何渗入整个生物信息学

7.1 跨库整合：CATH 是"枢纽节点"

CATH-Gene3D 的价值，很大程度上来自它在生物数据生态中的位置：

InterPro 成员库——CATH 通过 InterPro 被更广泛的用户触达；
与 PDB/PDBe 深度对接——CATH 分类的对象就是 PDB 结构，二者互相引用；
与 Pfam 交叉印证——超家族判定的功能证据来自 Pfam；
与 UniProt/Ensembl 链接——Gene3D 的序列注释打通了序列库；
被 3D-Beacons、Genome3D 引用——结构预测与建模生态的输入。

可以说，几乎任何一条蛋白结构/功能的查询链路，都会在某一环经过 CATH。

7.2 使用规模与社会影响

CATH-Gene3D 每月约 100 万网页访问、~9,000 独立访客；
作为 InterPro 成员库，间接服务于 InterPro 每月 >500 万的访问量；
被 Pfam、PDB、PDBe 等主流站点链接；
广泛用于生物学家教学与研究（GtR 项目页口径）。

7.3 荣誉与资助

Global Core BioData Resource (GCBR)——由 Global Biodata Consortium 认定，代表"生命科学界可靠、全面的核心资源"；
ELIXIR Core Data Resource——欧洲生命科学基础设施 ELIXIR 的核心数据资源；
长期获英国研究理事会（Research Councils）资助；CATH 团队参与 ELIXIR 3D-BioInfo Community（2019 年 1 月成立，Christine Orengo 协调），并主导 Genome3D 联盟。

7.4 对下游研究的直接影响

蛋白功能预测：CATH-Gene3D 的序列搜索工具参加 CAFA 2（Critical Assessment of protein Function Annotation），在多种评分方法下排名靠前；
药物设计：CATHEDRAL 被用于比较配体结合位点，辅助药物设计（GtR 项目页提到与制药公司合作）；
同源建模：CATH FunFam 结构模板被用于对结构未表征蛋白做同源建模，已为 14 个模式生物（人、小鼠、大鼠、拟南芥、果蝇、酵母、大肠杆菌等）生成 3D 模型，整合进 Genome3D；
蛋白基础模型评测：超家族/FunFam 提供了天然的进化分组标签，是评测蛋白语言模型表征的常用资源。

7.5 在"AI-Ready"语境下的定位

CATH-Gene3D 本身不是机器学习数据集，但它具备 AI-Ready 数据集的三个关键属性：

结构化：每个域都有规范的 CATH/CATHSOLID 码、边界坐标、层级归属；
可链接：跨 PDB/UniProt/Pfam/InterPro/Ensembl 的多维标识符；
可扩展：通过 TED 与 AFDB 打通，天然支持"结构-序列-功能-变异"的联合建模。

对于构建生物医学知识图谱、蛋白表征学习、功能注释模型的团队而言，CATH-Gene3D 是一个高价值的结构化知识源。

§8 双口径存照与遗留疑点：检索者必须知道的数字陷阱

数据资源条目最怕"数字张冠李戴"。本节把 CATH 相关的一切易冲突、易误读的数字逐条存照，附口径说明与建议引用方式。

8.1 双口径冲突清单

冲突 1：折叠数量——2,078 还是 2,081？

来源	折叠数（folds）	说明
NAR 2025 论文（同行评审）	1,349 → 2,078	建议主口径
官网 wiki 文档页	1,349 → 2,081	差 3，疑为后续微调或笔误

处置：正文引用以 NAR 论文 2,078 为准，wiki 数字作为脚注存照。二者差异极小，不影响结论，但严谨引用应取论文口径。

冲突 2：架构数量——一致（41 → 77）

NAR 论文与 wiki 均写 41 → 77，无冲突。

冲突 3：PDB Release 日期——冻结 vs 滚动

beta 页标注 CATH-Plus 的 PDB 快照为 01-09-2024（页面上写 “about a year ago”）；
但同页的 daily snapshot 时间轴持续滚动到 2025-07。

解读：这是"正式版冻结 + daily 滚动"双轨机制的正常表现，不是数据错误。正式版锁定某一 PDB 快照以保证可复现，daily 持续追加新结构。

冲突 4：Gene3D 版本号——v21 vs v22

口径	来源	数字
Gene3D v21	官网统计块	82,665,384 序列 / 151,013,797 预测
Gene3D v22	GtR 项目页 / 文档	~20,000 基因组 / >2 亿唯一序列

解读：v21 是官网统计表格的快照标注，v22 是项目描述中的最新叙事口径。并存而非矛盾——引用具体数字时应注明"官网统计块口径（v21）“或"项目描述口径（v22）”。

冲突 5：超家族数——5,841 / 6,573 / 6,630 三个数

数字	含义
5,841	v4.3（前代）超家族数
6,573	v4.4 正式版超家族数
6,630	daily snapshot 超家族数

解读：三数分别对应"前代正式 / 当代正式 / 每日最新"，引用时务必写明版本，否则会被误读为矛盾。

冲突 6（最严重）：151M vs 601,493——同名不同义

数字	真实含义
151 million（151,013,797）	蛋白域总数，绝大部分是 Gene3D 的序列预测域
601,493	CATH 表中实验测定的域条目数（PDB 来源）

这是全条目最危险的口径陷阱：把 151M 说成"实验结构域数量"是根本性错误。正确表述是"1.51 亿蛋白域（含 Gene3D 预测）"。

8.2 官方主动声明的不确定性

TED 新增折叠/架构的假说性：官方明确说这些来自预测结构，“在实验确证前属假说性”。任何使用 v4.4 新折叠数字的研究必须转述这一声明。
CATH 团队对命名的坦率：文档自承 SOLID 的 “Orthologous”、“Like” 命名 “by no means perfect”（远非完美）。
Architecture 层的人工性：A 层目前为人工指派，主观成分相对高。

8.3 时间线双口径（论文年份）

CATH v4.4 论文：PubMed 标 “Nucleic Acids Res. 2025”，DOI 为 gkae1087（gkae 前缀提示 2024 年在线）；即在线 2024 / 卷期 2025的常见双口径。
CATH-AlphaFlow 论文：J Mol Biol 2024，UCL Discovery 标 “(In press)”，PubMed 标 2024——以 2024 为准，DOI 10.1016/j.jmb.2024.168551。

8.4 遗留疑点（查不到的，如实列出）

明确 license 标签缺失：官网无单一 SPDX license 字符串；数据再分发/商业使用的条款未在官网明示，建议向 UCL Orengo 组确认。（本条目 §6.4 已存照）
NAR 2025 卷期页码：一手页仅显示 “Nucleic Acids Res. 2025”，具体卷（D1）与起止页未完整抓取；正文以 gkae1087 标识。
FunFam 总条目数：仅确证"≥1 高质量结构代表的 FunFam = 73,215"，FunFam 总条目数（含无结构代表者）未获得确切值。
在线数据总量：FTP 目录总大小未实测（沙箱不抓取大文件）。
CATH-B 的许可是否与正式版一致，未单独确认。
TED 的实时规模：9,000 万为 v4.4 时点值，后续增长未跟踪。

8.5 引用任一数字前的三条自检

是"实验测定"还是"预测"？（601,493 vs 151M）
是"正式版"还是"daily"？（6,573 vs 6,630）
是"论文口径"还是"wiki 口径"？（2,078 vs 2,081）

§9 与库内条目的关系

9.1 家族图谱

CATH-Gene3D 在本库中属于蛋白结构/序列资源家族，与以下条目构成有机关系：

             ┌───────────────────────────────┐
             │  CATH-Gene3D (cath)  ← 本条目   │
             │  蛋白结构域层级分类             │
             └───────┬───────────┬───────────┘
                     │           │
        （结构域家族分类）    （序列家族/功能）
                     │           │
        ┌────────────┴───┐   ┌───┴─────────────┐
        │  pfam (1043)   │   │ interpro (1044)  │
        │  序列家族 HMM   │   │ 整合平台(CATH成员)│
        └────────────────┘   └─────────────────┘
                     │
        ┌────────────┴───────────────┐
        │  alphafold (573 / 40)      │
        │  预测结构源(CATH消费其输出) │
        └────────────────────────────┘
                     │
        ┌────────────┴───────────┐
        │  proteingym (813)      │  human-protein-atlas (404)
        │  变异适应性基准         │  人类蛋白图谱
        └────────────────────────┘

9.2 建议互链点（库内条目 + rid）

库内条目	rid	关系与互链理由
pfam	1043	最直接互链点。Pfam 从序列找家族，CATH 从结构找同源；CATH 判超家族时引用 Pfam 作功能证据。二者在"域/家族"概念上高度互补
interpro	1044	从属关系。CATH-Gene3D 是 InterPro 的成员库；InterPro 是多资源整合平台，CATH 贡献结构域维度
alphafold	573 / 40	生产者-消费者关系。AFDB 提供预测结构，CATH 经 TED 为其分类（9,000 万域）；互链须说明数据流方向
proteingym	813	语义相近。两者都涉及蛋白变异/功能效应；CATH FunVar 与 ProteinGym 在"变异-功能"主题上互补
human-protein-atlas	404	交叉点。HPA 提供人类蛋白表达/定位，可与 CATH 域注释交叉构建知识图谱

消歧声明（R012 教训：消歧说明写正文，不进 frontmatter relatedLink）：

cathaction（rid 937） 是 CathAction 手术动作识别数据集，与 CATH 结构分类无任何关系，仅因 slug 含 “cath” 在前缀匹配中相邻。检索时勿混。

medical-decathlon（rid 77） 因 SQL ILIKE '%cath%' 匹配到名称中的字母组合而出现在查重结果中，与 CATH 无关。

9.3 检索路径建议

只想查某个蛋白域属于哪个超家族 → 直接用 CATH 官网按结构/序列搜索，或对照 Pfam（1043）；
想找"域家族"的序列代表 → Pfam（1043）与 InterPro（1044）更直接；
想理解结构与预测的关系 → 结合 alphafold（573）；
想做变异功能解读 → CATH FunVar + proteingym（813）联合；
想构建蛋白知识图谱 → 以 CATH 的 CATHSOLID 码为锚，链接 PDB/UniProt/Pfam/InterPro。

§10 避坑清单：使用 CATH-Gene3D 的十个坑

编号「坑 N：」格式，均为实际使用中反复踩到的问题。

坑 1：把 151M 蛋白域当成"实验结构域"。1.51 亿数字绝大部分是 Gene3D 的序列预测域；实验测定域只有 601,493 个。混淆二者会导致对数据可靠性的严重误判。永远先分清"实验"与"预测"。

坑 2：忽略了 TED 折叠/架构的"假说性"。v4.4 新增的 2,078 个折叠、77 个架构中，来自 TED 的部分是预测的，官方明确声明"实验确证前属假说性"。若你在论文里引用"人类有 X 个折叠"，务必转述这一声明。

坑 3：正式版数字与 daily 数字混用。超家族正式版 6,573、daily 6,630；DB 引用时若不注明版本，读者无法复现。引用先标版本。

坑 4：把 CATH 与 SCOP/ECOD 当成同一个库。三者是并列的、不同方法论的结构分类资源，同一域可能有不同的分类结果。跨库比较时要说明"这是 CATH 口径"。

坑 5：以为 CATH 的许可像 CC BY 那样明确。官网只写 “free, publicly available”，无单一 SPDX 标签；大规模再分发或商业使用前应确认条款。

坑 6：混淆 CATH 码与 CATHSOLID 码。CATH 码四段（到超家族），CATHSOLID 码九段（含序列层+域计数，全局唯一）。要唯一标识一个域实例，必须用九段。

坑 7：把 Architecture 层当客观分类。A 层是人工指派的，存在主观判断；且新版本架构数从 41 跳到 77，含预测来源。引用架构层时留意其人工+预测属性。

坑 8：忽略了 CATH-B 与 CATH-Plus 的信息量差异。CATH-B（daily）只有域边界+超家族分类，没有 CATH-Plus 的深度功能注释；用 daily 数据做功能分析会缺料。

坑 9：以为 Gene3D 和 CATH 是两件独立的事。Gene3D 用 CATH 的 HMM 库做序列注释，二者是同一体系的两半（结构 + 序列）；单独看 CATH 会漏掉序列层，单独看 Gene3D 会不知其分类根源。

坑 10：用 ILIKE '%cath%' 查重时被 cathaction 干扰。库内 cathaction（rid 937） 是手术动作数据集，名称含 “cath” 纯属巧合。查重与检索时务必做语义区分，别把两者混为一谈。

DAIMS 评估表

下面是 CATH-Gene3D 在 DAIMS（Data and AI Impact Measurement Standards，数据与 AI 影响测量标准）框架下的多维评估：

维度	评级	说明
可发现性（Discoverability）	高	官网 + FTP + Web service + InterPro 成员库多渠道触达；Google/学术检索命中率高
可获取性（Accessibility）	高	公开 FTP 下载，无需登录；但无单一 license 标签是轻微减分项
互操作性（Interoperability）	很高	跨 PDB/UniProt/Pfam/InterPro/Ensembl 的多维标识符；CATHSOLID 全局唯一码
可复用性（Reusability）	高	版本化发布（年度正式版 + daily）、可复现；然预测域部分须谨慎
数据质量（Quality）	高	自动+人工结合、多独立证据验证、人工审校；TED 部分为预测
规模（Scale）	极高	601,493 实验域 + 151M 总域 + 6,573 超家族；领域内最大
更新频率（Freshness）	高	年度正式版 + 每日快照双轨
社区与影响（Community）	很高	GCBR + ELIXIR 核心资源；每月 ~100 万访问；CAFA 表现靠前
AI 就绪度（AI-Readiness）	高	结构化、可链接、可扩展；是蛋白基础模型评测与知识图谱的优质节点

30 秒决策卡

如果你……	结论
想给蛋白域找超家族/折叠归属	✅ 用它，官网直接搜
想做"序列→功能"注释	✅ 用 Gene3D + FunFam 层
想要最新 PDB 结构的分类	✅ 用 CATH-B / daily
想要可引用、可复现的版本	✅ 用 CATH-Plus v4.4
想要明确的商业许可条款	⚠️ 先向维护方确认（无 SPDX 标签）
想要"人类有多少折叠"的权威数字	⚠️ 引用须标注实验 vs 预测口径
想找某家族的所有序列代表	✅ 更适合 Pfam/InterPro（互补）

§11 总结：三句话、适合谁、30 秒决策

11.1 三句话总结

CATH-Gene3D 是蛋白质结构域领域规模最大、层级最完整的分类资源——按 Class/Architecture/Topology/Homologous superfamily 四级把 PDB 实验结构与 AlphaFold 预测结构"归门别类"，并用 Gene3D 把分类能力外推到亿级序列。
它的核心竞争力来自"结构 + 序列"双引擎：结构层给同源超家族，序列层（SOLID）给唯一码，功能层（FunFam）给功能细分，三层合一是 SCOP/ECOD 所不具备的。
它在 AlphaFold 时代完成了数量级跃迁（v4.4 结构信息扩充 180 倍、6,573 超家族、151M 域），但代价是引入大量预测来源的数据，使用者必须分清实验与预测口径。

11.2 适合谁

结构生物信息学研究者：查超家族、折叠、域边界、结构比对；
蛋白功能注释团队：用 FunFam 做功能迁移、用 Gene3D 做序列注释；
药物靶点发现者：借功能位点与保守残基定位可成药位点；
蛋白语言模型/基础模型开发者：把超家族/FunFam 当评测分组标签；
知识图谱构建者：以 CATHSOLID 为锚链接 PDB/UniProt/Pfam/InterPro；
变异解读研究者：结合 FunVar 与结构做致病性推断。

11.3 不适合谁

想找"实验测定结构域原始坐标文件"的人：CATH 给的是分类与边界，结构坐标请去 PDB；
想要明确商业许可条款的商用团队：需先与维护方确认（无 SPDX 标签）；
想做医学影像/临床文本任务的人：CATH 与这些领域无直接关系（除非你做的是蛋白结构相关的多模态）；
想找"某一个蛋白的功能描述"的人：CATH 给的是分类，具体功能描述更适合 UniProt。

11.4 30 秒决策卡

一句话：如果你的问题里出现"蛋白结构/家族/超家族/折叠/同源/进化关系"，CATH-Gene3D 就是首选；
如果出现"具体结构坐标"，去 PDB；如果出现"序列家族"，去 Pfam/InterPro；如果出现"功能描述"，去 UniProt。
用 CATH 前先问自己三件事：我要的是实验还是预测数据？我要正式版还是 daily？我引用的是论文口径还是 wiki 口径？

§12 深度解读：CATH-AlphaFlow 如何把 CATH"翻倍"

本节对 §3.4/§4.5 做技术展开，适合想理解"CATH 到底怎么消化 AlphaFold 数据"的读者。

12.1 动机：实验结构增速 vs 预测结构洪流

PDB 的增长是线性的——每年新增的结构数量有限；而 AlphaFold DB 的产出是爆炸性的——一次性给出 2 亿多条序列的预测结构。这造成一个尖锐矛盾：

传统 CATH 流水线（SSAP + CATHEDRAL + 人工）是为几万到几十万实验结构设计的；
面对上亿级预测结构，人工与经典结构比对方法完全不可行。

CATH-AlphaFlow 就是为化解这个矛盾而生的 NextFlow 工作流（NextFlow 是一个可复现、可扩展的科学工作流引擎）。

12.2 工作流的三段式

CATH-AlphaFlow 的核心是"切域 → 归类 → 找新折叠"三段式：

   输入：PDB 未分类结构 + AFDB 21 模式生物结构
        │
        ▼
   ┌─────────────────────────────────────┐
   │ ① 域边界预测                         │
   │   Chainsaw（自研深度学习，多域蛋白）  │
   │   + Merizo / UniDoc（公开方法）       │
   └──────────────┬──────────────────────┘
                  ▼
   ┌─────────────────────────────────────┐
   │ ② 分配到已有超家族                   │
   │   HMMER3 HMM 扫描（边界重叠 ≥80%）    │
   │   + CATHe（远程同源，<20% 同一性）    │
   │   + Foldseek（结构比对）              │
   └──────────────┬──────────────────────┘
                  ▼
   ┌─────────────────────────────────────┐
   │ ③ 未被归类的域 → 播种新折叠/超家族    │
   │   PDB: 253 个新折叠                   │
   │   AFDB: 96 个新折叠                   │
   └─────────────────────────────────────┘

12.3 关键创新点

Chainsaw 的域分割能力：多域蛋白的切域是老大难问题，Chainsaw 用深度学习直接从结构出发预测边界，比传统基于几何的启发式方法更准更快。
CATHe 的远程同源检测：当序列同一性跌到 20% 以下，传统 HMM 搜索会"失效"，CATHe 用蛋白语言模型的嵌入（embedding）来捕捉结构层面的相似性，补上这一环。
多独立证据的交叉验证：一个域的归属，要同时经得起 HMM（序列）、Foldseek（结构）、CATHe（语言模型嵌入）多个方法的检验，还要通过 80% 边界重叠、pLDDT>70、STRIDE ≥6 个二级结构元件等质量门槛，最后辅以人工审校。
"未归类即新折叠"的逻辑：所有方法都无法归入现有超家族/折叠的域，被视为"新折叠的种子"——这正是 253（PDB）+96（AFDB）个新折叠的来源。

12.4 新折叠承载的生物学意义（功能注释）

新折叠不是空洞的编号。CATH-AlphaFlow 为它们赋予了功能线索，举例（论文原文）：

光合适应（photosynthetic acclimation）——开花植物；
铁通透酶活性（iron permease activity）——真菌；
产后精子发生（post-natal spermatogenesis）——小鼠。

这说明：扩展分类覆盖度的同时，CATH 也在拓展人类对"哪些新形状对应哪些新功能"的认知边界。这些折叠对应的重要功能，恰恰是传统实验结构分类容易遗漏的部分。

12.5 "翻倍"到底翻的是什么

论文标题说 “Doubles the Number of Structures in CATH”，这里的"翻倍"需要精确理解：

翻的是 CATH 中结构域结构的数量级（扩展 >100%）；
主要增量来自 AFDB 的预测结构（经 Chainsaw 切域）；
不是"实验结构翻倍"，而是"分类覆盖的蛋白域宇宙"翻倍。

这与 §8.1 冲突 6 的口径陷阱一脉相承：任何"翻倍"的描述，都要问"翻的是实验结构还是预测结构"。

12.6 可复现性设计

CATH-AlphaFlow 用 NextFlow 实现，意味着：

工作流可版本化、可重跑；
步骤（对齐、聚类、注释）以流程化方式组织；
便于在计算集群上横向扩展处理亿级数据。

这是现代生物信息学大库的标准做法，也是 CATH v4.4 能在合理时间内完成的工程保障。

§13 数据组织与文件格式详解

13.1 核心文件清单

文件	内容	粒度
`cath-domain-list.txt`	域级清单：CATH 码、域 ID、边界、类别	每域一行
`cath-superfamily-list.txt`	超家族级清单：超家族 ID 与下属折叠/域	每超家族
序列文件	域序列（FASTA 等）	每域
结构比对文件	域间结构相似性/比对	域对
功能注释文件	GO、功能位点、保守残基	超家族/FunFam

13.2 域记录的典型字段（概念性）

一个 CATH 域记录通常携带：

Domain ID：如 1nr3A00（PDB 码 + 链 + 域序号）；
CATH 码：如 3.30.1190.10（四段）；
CATHSOLID 码：如 3.30.1190.10.1.1.1.1.1（九段）；
Class / Architecture / Topology / Superfamily：各级名称与编号；
边界（boundaries）：起止残基序号；
关联注释：功能家族（FunFam）、GO 项、保守位点等。

13.3 从原始文件到可用数据：一条推荐路径

① 下载 latest-release（正式版）或 daily-release（最新）
        ↓
② 解析 cath-domain-list.txt 得到域级分类表
        ↓
③ 用 CATHSOLID 码做唯一主键，join 结构文件（PDB/TED）
        ↓
④ 按 superfamily ID 聚合，接入 FunFam/GO 注释
        ↓
⑤ 需要序列层时，接入 Gene3D 的 HMM 扫描结果
        ↓
⑥ 需要跨库链接时，用 PDB 码 → PDBe、用序列 → UniProt

13.4 一个容易被忽视的工程细节

CATHSOLID 码的稳定性问题：由于 CATH 会随版本修订分类（尤其是人工审校的 Architecture 层），同一域在不同版本中的分类码可能变化。因此：

做长期追踪的项目，应记录"域 ID + 版本号 + 该版本的 CATHSOLID 码"三元组；
不要假设"域的 CATH 码永远不变"；
跨版本合并数据前，先做域 ID 对齐。

这条提醒在实用中极有价值，也是很多初次使用者会栽的坑。

13.5 与 Gene3D 数据的对接

Gene3D 的输出（域预测）与 CATH 的核心分类是同一体系的两套产物：

CATH：有实验结构或 TED 预测结构的域的分类；
Gene3D：只有序列的蛋白（UniProtKB/Ensembl）经 HMM 扫描得到的域预测。

对接时注意：Gene3D 的预测域没有实验结构坐标，只有序列边界与超家族归属；若需要结构，得回到 CATH/TED 找同源代表。

§14 应用场景实战：五个典型工作流

14.1 场景一：给一个新蛋白找家族

问题：你做了一个新蛋白的结构，想知道它属于哪个超家族。

流程：

把结构或序列提交到 CATH 官网的 search by structure / by sequence；
得到候选超家族与折叠；
用 SCOP/ECOD 交叉验证（同为结构分类）；
用 Pfam/InterPro 确认序列家族与功能位点；
输出：CATH 码 + 超家族 + 功能线索。

14.2 场景二：把功能注释迁移到未表征序列

问题：你有一批只有序列、没有结构的蛋白，想推断功能。

流程：

用 Gene3D 的 HMM 扫描（或官网序列搜索）得到域预测；
定位超家族 → 进一步定位 FunFam（功能家族）；
从 FunFam 的已知成员"继承"功能注释；
用 GO 项与保守残基佐证；
输出：功能假设 + 置信度。

要点：FunFam 是这一任务的核心——超家族太宽（可能有多种功能），FunFam 才对应功能保守的子集。

14.3 场景三：变异功能效应解读

问题：一个病人的错义突变，会不会影响蛋白功能？

流程：

把突变位点映射到蛋白结构（PDB/TED）；
用 CATH FunVar 查看该位点是否邻近功能位点/保守残基；
结合 ProteinGym（库内 rid 813） 的适应度数据交叉参考；
输出：功能影响的量化/半量化证据。

14.4 场景四：蛋白基础模型评测

问题：你的蛋白语言模型学到的表征好不好？

流程：

用 CATH 超家族/FunFam 作为"进化分组标签"；
做族内/族间相似性、线性探针（linear probe）等测试；
检验模型是否捕捉到了结构/进化信息；
参考 AlphaFold 系模型（库内 rid 573）的对比基线。

14.5 场景五：构建蛋白知识图谱

问题：你想把蛋白结构-序列-功能-疾病打通成图谱。

流程：

以 CATHSOLID 码为锚节点（唯一标识域）；
连 PDB（结构）、UniProt（序列/功能）、Pfam/InterPro（家族）、Ensembl（基因）；
加 CATH FunVar（变异）与 ProteinGym（适应度）作为属性/关系；
用 GO 项连接功能本体；
输出：多源可链接的蛋白域知识图谱。

这一场景最能体现 CATH 的"AI-Ready"价值：它不是孤立的表，而是一个天然的图节点类型。

FAQ（高频问答 24 问）

A. 基础认知

Q1：CATH 和 Gene3D 到底怎么区分？
CATH 分类有结构的域（PDB 实验结构 + TED 预测结构）；Gene3D 用 CATH 的 HMM 库去注释 UniProtKB/Ensembl 里只有序列的蛋白。二者合称 CATH-Gene3D，是同一体系的"结构半边"和"序列半边"。

Q2：CATH 四个字母分别是什么？
Class（二级结构组成）、Architecture（空间排布，忽略连接）、Topology/Fold（形状+连接性）、Homologous superfamily（同源证据）。命名即分类逻辑。

Q3：CATH 码和 CATHSOLID 码有什么区别？
CATH 码四段（到超家族，如 3.30.1190.10）；CATHSOLID 码九段（再加 S/O/L/I/D，唯一标识一个域实例，如 3.30.1190.10.1.1.1.1.1）。

Q4：CATH 是谁做的、什么时候开始的？
英国 UCL（伦敦大学学院）Orengo group，创始人 Christine Orengo，1990 年代中期创立，1997 年发表奠基论文（Structure 5:1093-1109）。

Q5：CATH 现在多大规模？
v4.4：601,493 实验测定域条目、6,573 超家族、150,885 已注释 PDB、2,078 折叠、77 架构；加上 Gene3D 预测共 151 million（1.51 亿）蛋白域。

Q6：CATH 是官方认定的重要资源吗？
是。它是 Global Core BioData Resource (GCBR) 和 ELIXIR Core Data Resource，也是 InterPro 的成员库。

B. 数据与获取

Q7：怎么下载 CATH 数据？
官网 cathdb.info 在线查询；FTP ftp://orengoftp.biochem.ucl.ac.uk/cath/releases/latest-release（正式版）或 /daily-release/newest（每日快照）；TED 走 ted.cathdb.info。

Q8：CATH 的许可证是什么？
官网称"free, publicly available"（免费公开），数据公开下载、学术自由使用。但无单一 SPDX license 标签——再分发/商业用途需向维护方确认。

Q9：正式版（CATH-Plus）和每日快照（CATH-B）怎么选？
要可复现、深度注释、可引用 → 正式版；要最新结构 → daily。daily 只含域边界+超家族分类，信息量少。

Q10：最新版本是什么？
CATH-Plus v4.4，2024 年 10 月发布。

Q11：CATH 的数据文件格式是什么？
主要是 flat text（cath-domain-list.txt、cath-superfamily-list.txt 等），另有 Web service JSON、结构比对文件、TED 预测模型。

Q12：我能拿到某个域的结构坐标吗？
CATH 给分类与边界；结构坐标请从 PDB 取（或在 TED 里取预测模型）。

C. 分类与技术

Q13：CATH 分层级的判据是什么？
Class 按二级结构组成；Architecture 按空间排布（人工指派）；Topology 按形状+连接性；Superfamily 按同源证据（≥35% 序列同一性或 SSAP≥80 或功能相关+HMM 显著相似）。

Q14：SOLID 序列层是什么？
在超家族下按序列同一性再分：S 35% / O 60% / L 95% / I 100%，D 为域计数——合成全局唯一 CATHSOLID 码。命名虽不完美，但实用。

Q15：一个多域蛋白怎么被"切"成域？
自动（ChopClose 继承边界）+ 人工（CATHEDRAL/SSAP/DETECTIVE/PUU/DOMAK + HMM + 文献）。v4.4 用深度学习工具 Chainsaw + Merizo/UniDoc。

Q16：v4.4 的现代流水线用了哪些 AI 工具？
Chainsaw（切域深度学习）、CATHe（蛋白语言模型做远程同源检测）、Foldseek（快速结构比对）、HMMER3（HMM 验证）。

Q17：CATHe 是干什么的？
CATH 团队为 <20% 序列同一性的远程同源检测训练的深度学习框架，数据与权重 2022 年发布于 Zenodo（record 6327572）。

Q18：CATH 怎么处理 AlphaFold 的海量预测结构？
通过 **TED（The Encyclopedia of Domains）**资源：从 AFDB 结构里切分预测域（~9,000 万），再映射进 CATH 超家族——这是 v4.4 结构信息扩充 180 倍的来源。

D. 数字陷阱

Q19：151M 和 601,493 有什么区别？
151M 是蛋白域总数（含 Gene3D 序列预测），601,493 是实验测定域条目数。混淆二者是根本性错误。

Q20：超家族到底几个？
v4.3 是 5,841，v4.4 正式版是 6,573，daily 是 6,630——取决于版本，引用须标注。

Q21：折叠是 2,078 还是 2,081？
NAR 论文写 2,078（建议主口径），官网 wiki 写 2,081（差 3，脚注存照）。

Q22：v4.4 新增的折叠/架构可靠吗？
来自 TED 的预测结构，官方明确声明"实验确证前属假说性"。引用须转述。

E. 与其他资源的关系

Q23：CATH、SCOP、ECOD 有什么区别？
三者都是结构域层级分类：CATH 自动+人工、规模最大、独有序列+功能层；SCOP/SCOP2 人工精审、保守、规模小；ECOD 纯自动。三者互补互证，非替代。

Q24：CATH 和 Pfam、InterPro 什么关系？
CATH 是 InterPro 的成员库；超家族判定引用 Pfam 作功能证据。Pfam 从序列找家族、CATH 从结构找同源，二者互补。

事实清单（硬事实 30 条）

每条附来源，便于核验。

CATH 全称 Class, Architecture, Topology, Homologous superfamily。〔官网/文档〕
CATH 由 UCL Orengo group 维护，Christine Orengo 创立，1990 年代中期起。〔wiki.cathdb.info/about〕
奠基论文：Orengo et al., Structure 1997;5(8):1093-1109。〔PubMed 9309224〕
最新正式版 CATH-Plus v4.4，2024-10 发布。〔beta.cathdb.info〕
v4.4 论文：Nucleic Acids Res 2025, doi:10.1093/nar/gkae1087, PMID 39565206。〔PubMed〕
方法学论文：J Mol Biol 2024, doi:10.1016/j.jmb.2024.168551, PMID 38548261, CC BY 4.0。〔PubMed/UCL Discovery〕
v4.4 含 601,493 个实验测定域条目。〔beta.cathdb.info〕
v4.4 含 6,573 个超家族（daily 为 6,630）。〔beta.cathdb.info〕
v4.4 含 150,885 个已注释 PDB（daily 为 218,275）。〔beta.cathdb.info〕
官网主页称 151 million 蛋白域归入 6,573 超家族。〔beta.cathdb.info〕
超家族从 5,841（v4.3）增至 6,573（v4.4）。〔NAR 2025〕
折叠从 1,349 增至 2,078（NAR 口径）。〔NAR 2025〕
架构从 41 增至 77。〔NAR 2025〕
结构信息扩充 180 倍。〔NAR 2025〕
映射 ~90 million TED 预测域进 CATH。〔NAR 2025〕
v4.4 新增 ~64,844 个实验测定域结构。〔NAR 2025〕
FunFam 覆盖度 +276%（UniProt release 2024_02）。〔NAR 2025〕
有结构代表的 FunFam 达 73,215 个（+4 倍）。〔NAR 2025〕
Gene3D v21：82,665,384 蛋白序列、151,013,797 域预测。〔beta.cathdb.info〕
Gene3D v22：~20,000 基因组、>2 亿唯一序列。〔GtR BB/R014892/1〕
CATH-AlphaFlow 使 CATH 扩展 >100%。〔J Mol Biol 2024〕
253 个新折叠来自 PDB（2023-09 版）。〔J Mol Biol 2024〕
96 个新折叠来自 AFDB 21 个模式生物。〔J Mol Biol 2024〕
仅纳入分辨率优于 4.0Å 晶体 + NMR，排除 >30% C-alpha only。〔wiki intro〕
超家族判定：≥35% 同一性+60% 重叠；或 SSAP≥80+≥20% 同一性；或 SSAP≥70+功能相关。〔wiki intro〕
SOLID：S 35% / O 60% / L 95% / I 100% 同一性，D 为域计数。〔wiki FAQ〕
CATH 是 InterPro 成员库；每月 ~100 万访问、~9,000 独立访客。〔GtR〕
CATH 为 GCBR 与 ELIXIR Core Data Resource。〔wiki/GtR〕
每日快照 CATH-B 为 >50,000 额外域提供推测性分类。〔GtR〕
CATHe 数据与权重 2022 年发布 Zenodo record 6327572。〔GtR/Zenodo〕

术语表（24 条）

术语	英文	释义
结构域	protein domain	蛋白中可独立折叠、功能相对独立的区域，CATH 的分类单位
二级结构	secondary structure	α 螺旋、β 折叠等局部规则结构
三级结构	tertiary structure	整条链的三维空间构象
折叠	fold / topology	二级结构的空间排布与连接方式（CATH 的 T 层）
架构	architecture	二级结构的整体空间朝向，忽略连接（CATH 的 A 层）
同源	homology	源自共同祖先的进化关系
同源超家族	homologous superfamily	有共同祖先证据的域集合（CATH 的 H 层）
序列同一性	sequence identity	两条序列相同残基的百分比
HMM	Hidden Markov Model	隐马尔可夫模型，用于序列家族建模与同源搜索
SSAP	Sequential Structure Alignment Program	CATH 使用的结构比对算法/分数
CATHEDRAL	—	CATH 团队的自动结构比对方法
域边界分配	domain boundary assignment	把多域蛋白切成单域的过程
FunFam	Functional Family	超家族内功能保守的子集，CATH 的功能层
超级家族	superfamily	见同源超家族
PDB	Protein Data Bank	实验测定蛋白/核酸结构的全球档案库
AFDB	AlphaFold Protein Structure Database	AlphaFold 预测结构数据库（>2 亿序列）
TED	The Encyclopedia of Domains	CATH 的预测域资源（~9,000 万域）
Gene3D	—	CATH 的序列注释姐妹资源
UniProtKB	UniProt Knowledgebase	蛋白序列与功能注释权威库
Ensembl	—	基因组注释数据库
InterPro	—	蛋白家族/域/功能位点整合平台，CATH 是其成员库
Pfam	—	蛋白家族数据库（序列 HMM）
SCOP	Structural Classification of Proteins	人工为主的结构分类（与 CATH 并列）
ECOD	Evolutionary Classification Of protein Domains	纯自动的结构演化分类（与 CATH 并列）
GCBR	Global Core BioData Resource	全球核心生物数据资源（CATH 获认定）
ELIXIR	—	欧洲生命科学基础设施

附录

附录 A：条目信息速查卡

项目	值
slug	cath
官方名	CATH-Gene3D（CATH: Class, Architecture, Topology, Homologous superfamily）
主站	https://www.cathdb.info
维护方	UCL Orengo group（英国伦敦大学学院）
最新版本	CATH-Plus v4.4（2024-10）
核心论文	NAR 2025, doi:10.1093/nar/gkae1087（PMID 39565206）
方法论文	J Mol Biol 2024, doi:10.1016/j.jmb.2024.168551（PMID 38548261）
硬规模	601,493 实验域 / 6,573 超家族 / 151M 总域 / 150,885 PDB
获取	FTP orengoftp.biochem.ucl.ac.uk/cath/releases/
许可	free publicly available（无单一 SPDX 标签，存照）
库内互链	pfam(1043)、interpro(1044)、alphafold(573)、proteingym(813)、human-protein-atlas(404)

附录 B：分类层级对照总表

CATH 层	判据	规模（v4.4）	人工/自动
C 类	二级结构组成	四大类	自动
A 架构	空间排布（忽略连接）	77	人工为主
T 折叠	形状+连接性	2,078	自动+人工
H 超家族	同源证据	6,573	多证据+人工审校
S/O/L/I	序列同一性 35/60/95/100%	—	自动
D	域计数	—	自动

附录 C：常用工具一览

工具	用途	归属
Chainsaw	深度学习域边界预测	UCL 自研
Merizo / UniDoc	域分割（公开方法）	第三方
CATHe	远程同源检测（<20% 同一性）	UCL 自研
Foldseek	快速结构比对	第三方
HMMER3	HMM 序列搜索/验证	第三方
SSAP / CATHEDRAL	结构比对	UCL
DETECTIVE / PUU / DOMAK	域边界辅助算法	第三方

附录 D：查重与撞库自证（R019 三写法）

写法	查询	结果
原样	`url_name ILIKE '%cath%'`	命中 cathaction(937)、medical-decathlon(77)——非同物
去连字符 norm	`regexp_replace(...)`	同上，无同物
去尾数字 loose	`regexp_replace(...,'[0-9]+$','')`	同上，无同物
writing/ 目录	`ls writing/cath`	仅本次 .lock——无撞库
结论	—	CLEAN，无别名撞库；cathaction 为 CathAction 手术动作数据集，语义无关

附录 E：双口径存照汇总

项	口径 A	口径 B	建议主口径
折叠数	NAR 2,078	wiki 2,081	NAR 2,078
超家族数	正式 6,573	daily 6,630 / 前代 5,841	标注版本
PDB 快照	冻结 2024-09-01	daily 滚动至 2025	标注"正式/daily"
Gene3D 版本	v21（官网统计）	v22（项目描述）	标注来源
蛋白域总数	实验 601,493	总 151M（含预测）	严格区分
论文年份	v4.4 在线 2024	卷期 2025	标 gkae1087

附录 F：与其他库的选择决策树

你要找什么？
├─ 蛋白结构的具体坐标 ────────→ PDB
├─ 蛋白域属于哪个超家族/折叠 ──→ CATH（本条目）★
├─ 蛋白序列家族/域的序列代表 ──→ Pfam（1043）
├─ 蛋白家族/功能位点整合查询 ──→ InterPro（1044）
├─ 预测结构本身 ──────────────→ AlphaFold（573）
├─ CATH 的预测域 ─────────────→ TED（ted.cathdb.info）
├─ 变异的适应度/功能效应 ─────→ ProteinGym（813）/ CATH FunVar
└─ 传统人工精审的结构分类 ─────→ SCOP/SCOP2

附录 G：版本演进简表

版本	时点	关键进展
创建	1990s 中期	Orengo 等创立
CATH 1.0	1997	奠基论文（Structure 5:1093-1109）
CATH-Plus v4.1	2016-07	308,999 实验域 / 53,479,436 非结构域 / 2,737 超家族 / 92,882 FunFam
CATH-Plus v4.2/v4.3	2021-2024	NAR 2021 论文；~5,841 超家族
CATH-AlphaFlow	2024-03	扩展 >100%、253+96 新折叠（J Mol Biol）
CATH-Plus v4.4	2024-10	6,573 超家族、2,078 折叠、77 架构、90M TED 域、180 倍扩充
CATH-B daily	持续	每日更新，仅核心分类

附录 H：引用本条目数据的三条守则

先分清实验 vs 预测：601,493（实验）≠ 151M（含预测）；引用折叠/架构数字须声明 TED 来源的假说性。
先标版本：6,573（v4.4 正式）/ 6,630（daily）/ 5,841（v4.3），不标版本不可复现。
先标口径：2,078（论文）/ 2,081（wiki）；NAR 卷期年份 2025（在线 2024）；Gene3D v21/v22 视来源定。

附录 I：来源列表（全部一手来源 URL）

CATH 官网（beta/新版）：https://beta.cathdb.info/
CATH 官网（主站）：https://www.cathdb.info/
CATH 文档 Wiki（首页/历史）：https://wiki.cathdb.info/wiki-beta/doku.php?id=index
CATH 文档（层级与算法）：https://cathdb.info/wiki/doku?id=about:intro
CATH FAQ（层级/命名/团队）：https://wiki.cathdb.info/doku.php?id=faq
CATH v4.4 论文（PubMed）：https://pubmed.ncbi.nlm.nih.gov/39565206/
CATH v4.4 论文（PMC）：https://pmc.ncbi.nlm.nih.gov/articles/PMC11701635/
CATH-AlphaFlow 论文（PubMed）：https://pubmed.ncbi.nlm.nih.gov/38548261/
CATH-AlphaFlow 论文（UCL Discovery）：https://discovery.ucl.ac.uk/id/eprint/10190251/
CATH-Gene3D 项目描述（GtR）：https://gtr.ukri.org/projects?ref=BB/R014892/1
CATH FunVar（关于页）：https://funvar.cathdb.info/about
TED 资源：https://ted.cathdb.info
AlphaFold 21 模式生物注释（Zenodo）：https://zenodo.org/records/7404988
CATHe 数据与权重（Zenodo）：https://zenodo.org/record/6327572

条目结语：CATH-Gene3D 用三十年时间，把"蛋白质世界的形状"整理成了一棵可查询、可链接、可扩展的分类树。在 AlphaFold 把结构预测变成"基础设施"的今天，它从"分类实验结构"升级为"分类整个可预测的蛋白宇宙"，也因此在数据规模跃升的同时，把"实验与预测的边界"这个命题推到了每个使用者面前。读懂 CATH，不只是记住一堆数字，更是理解结构生物信息学如何组织知识、如何标注不确定性的一课。

维度	内容
本质	蛋白质结构域的层级分类数据库（非影像、非 ML 基准）：按 C/A/T/H 四级给 PDB 与 AlphaFold 结构域归类，并给出同源超家族与功能家族（FunFam）注释
全称	CATH = Class, Architecture, Topology, Homologous superfamily；配套 Gene3D 做序列层注释，合称 CATH-Gene3D
团队	英国伦敦大学学院（UCL）Orengo group，创始人 Christine Orengo，CATH Manager Ian Sillitoe；GCBR 与 ELIXIR 核心数据资源
最新版本	CATH-Plus v4.4（2024-10 发布）；另有每日快照 CATH-B；配套 Gene3D v21/v22、TED（90M 预测域）
核心论文	NAR 2025, doi:10.1093/nar/gkae1087（PMID 39565206）；方法学 J Mol Biol 2024, doi:10.1016/j.jmb.2024.168551（CC BY 4.0）
硬规模	601,493 实验测定域条目｜ 151 million 蛋白域（含 Gene3D 预测 151,013,797）｜ 6,573 超家族｜ 150,885 已注释 PDB ｜折叠 1,349→2,078 ｜架构 41→77
四级层级	Class（二级结构组成）→ Architecture（空间排布，忽略连接）→ Topology/Fold（形状+连接性）→ Homologous Superfamily（同源证据）
序列层级	SOLID：S 35% / O 60% / L 95% / I 100% 序列同一性，D 为域计数——合成唯一 CATHSOLID 九段码
获取	官网 cathdb.info 浏览+Web service；FTP `orengoftp.biochem.ucl.ac.uk/cath/releases/` 公开下载；TED：ted.cathdb.info
与谁并列	结构分类三大资源之一：CATH / SCOP(SCOP2) / ECOD；序列层面与 Pfam / InterPro 互补
一句话	想知道"这个蛋白长什么形状、属于哪个进化家族、有哪些远亲"——CATH-Gene3D 就是结构分类领域最权威的字典之一