信息速览

数据集名称ECOD — 蛋白质结构域演化分类数据库，PDB 与 AlphaFold 结构的同源层级体系

数据类型原始数据,知识库,公开数据

规模无（非患者数据集）——覆盖对象为蛋白结构：317,021 域（v22b, 2013）→ 898,379 域（develop285）→ 超 1.8M 域（NAR 2025，PDB+AFDB）

接入方式PDB 实验测定结构（每周释放同步分类，每条结构发布后一周内完成）+ AlphaFold Database 预测结构（48 whole proteomes 全蛋白组 + Swiss-Prot 542,378 蛋白，DPAM 解析分配）；分类参考同源关系由序列（BLAST/HHsearch）与结构（DaliLite）双管线叠加人工审编确定

AI 就绪度

ECOD：把蛋白质结构域按「演化」而不是「形状」排列的层级数据库

一句话：ECOD（Evolutionary Classification of Protein Domains）是目前唯一每周跟随 PDB 发布自动更新的蛋白质结构域分类体系，它把 PDB 实验结构与 AlphaFold 预测结构中的结构域按**演化同源关系（homology）**组织成五级层级，让「长得不像但同源」的远端亲属不再被拓扑的几何外观拆散。

§0 导读：这个数据集解决什么问题

0.1 一个反直觉的命名问题

如果读者只记住一件事，请记住这句：ECOD 名字里的 “Evolutionary” 不是修饰词，而是它全部设计选择的出发点。

在结构生物学里，蛋白质的分类长期存在两条路线：

按形状（拓扑 / fold）分：两个蛋白的二级结构排列看起来像，就归到一类。SCOP 的 fold 层、CATH 的 Topology 层大体如此。
按血缘分（演化 / homology）分：两个蛋白只要能证明来自共同祖先，哪怕三维形状已经被演化改得面目全非，也归到一类。

ECOD 坚定地选第二条。它的创库论文（Cheng et al., 2014）开篇即点明：ECOD “groups domains primarily by evolutionary relationships (homology), rather than topology (or fold)”。这个选择带来一个直接后果——那些同源却拓扑不同的结构域（例如某些 β-螺旋与 RIFT 桶），在 SCOP/CATH 里会被不同 fold 拆开，在 ECOD 里则被并到同一个 H-组、不同的 T-组下，从而保住了「它们其实是一家人」这条信息。

0.2 为什么这件事对 AI/数据使用者重要

对做机器学习的人来说，「数据集分类」听起来像是背景板，但 ECOD 对下游的价值恰恰在于它充当了功能注释与结构预测的"血缘骨架"：

功能迁移：如果一段未知功能的域被 ECOD 分到某个 F-组，而同组已有功能已知的成员，则可依同源假设推断功能——这是 Pfam / CATH / SCOP 之外的另一条注释路径，且能触达序列方法看不到的远端同源。
结构预测的模板源：同源结构域是模板库的天然组织方式。
区分同源物（homolog）与类似物（analog）：收敛演化造成的"长得像但没关系"是结构预测的头号陷阱，ECOD 的 H-组设计专门用来消解这类混淆。
AlphaFold 时代的锚点：2021 年后 ECOD 用 DPAM 管线把 AFDB 的海量预测结构锚定到演化框架中，让"预测结构"能够继承"实测结构"上积累的知识。

0.3 本文的写作口径

本文以一个数据库 / 分类体系（而非单一批次标注数据集）的规格来写。理由是 ECOD 的本质就是持续更新的分类基础设施：它有创库论文、方法学论文、整合论文、协议论文等多层文献，规模数字随版本变化，获取方式是官网公开下载。因此本文会把「版本链」「分类体系与 CATH/SCOP 的差异」「PDB 与 AFDB 两条同步线」作为核心章节，而不是把某一版的统计表当成固定真相。

§1 数据集速览：十问十答

Q1：ECOD 是什么？
一个层级式蛋白质结构域分类数据库。全称 Evolutionary Classification of Protein Domains，中文可译「蛋白质结构域演化分类」。它把 PDB（实验）与 AFDB（AlphaFold 预测）中的蛋白按结构域拆开，再按演化同源关系组织成五级层级。

Q2：它和 Pfam、CATH、SCOP 是什么关系？
**同域不同路线。**四者都以"结构域"为单位：

Pfam：序列家族库（ECOD 的 F-组现在直接依赖它，是互补而非竞争）；
CATH：以几何/拓扑为主、自动+人工混合；
SCOP / SCOPe / SCOP2：几乎全人工、偏功能与演化，但更新滞后；
ECOD：以演化同源优先、自动+人工混合、每周跟随 PDB 更新（这是它最独特的一点）。

Q3：ECOD 的"五级"是哪五级？
自顶向下：A Architecture（架构，20 个）→ X Possible homology（可能同源）→ H Homology（同源，核心层）→ T Topology（拓扑）→ F Family（家族）。注意它没有 SCOP 式的 fold 层——因为 ECOD 认为 fold 是主观的几何概念。

Q4：ECOD 有多大？
随版本剧烈增长：317,021 域（v22b, 2013）→ 898,379 域 / 599,852 链（develop285）→ 超 1.8 M 域 / 超 100 万蛋白（NAR 2025，PDB+AFDB 合计）。所有版本数字必须标注来源时点，见 §4。

Q5：谁做的、什么时候？
Grishin 实验室（UT Southwestern Medical Center 德克萨斯大学西南医学中心 + HHMI 霍华德·休斯医学研究所，Dallas, Texas）。创库论文 2014-12-04 发表于 PLoS Computational Biology，创始 PI Nick V. Grishin，现任联络人 R. Dustin Schaeffer。

Q6：数据从哪来？license 是什么？
来源：PDB 实验结构（每周同步）+ AlphaFold Database 预测结构（DPAM 管线分类）。license：论文 CC BY 4.0；数据库本体经官网 prodata.swmed.edu/ecod 公开免费获取、无需注册，并提供可分发数据文件供大规模生信分析；AFDB 衍生分类经 Zenodo 发布。

Q7：核心数字有哪些值得记？

架构（A）20 个；
创库论文时点 H-组约 1,971、X-组 1,799、F-组 8,947（其中 7,156 映射 Pfam）；
36.6% 的同源域对仅见于 ECOD（SCOP/CATH 都没有）——这是它"编录最多演化链接"的量化证据；
PDB 覆盖率 100%、每条新结构发布后一周内完成分类。

Q8：ECOD 是"数据集"还是"数据库"？
严格说是数据库 / 分类参考体系。它不是为某个特定的下游任务（如分类、分割、问答）打包好的带标签数据集，而是提供域边界 + 层级归属的结构化知识库。做机器学习时要自己按域边界抽取特征。

Q9：用 ECOD 有什么坑？
版本数字口径混乱（最大的坑）、FP 依赖 AlphaFold 预测质量、F-组依赖 Pfam 外部审编、远端同源判定含人工主观性。详见 §10 避坑清单。

Q10：谁应该用它？
结构生物信息学研究者、蛋白功能注释流水线开发者、AlphaFold 下游开发者、药物靶点发现者、以及任何需要"同源分组"而非"形状分组"的人。详见 §11 适合/不适合谁。

§1.5 为什么要写一个"不是数据集的数据集条目"

1.5.1 分类体系本身就是 AI-Ready 资产

"AI-Ready Wikipedia"系列通常面向带标签的数据集。但 ECOD 属于另一类资产：它不提供训练样本，却提供标签的语义骨架。这类资产的 AI-Ready 价值体现在三个层面：

第一层：标签体系供应商。 任何试图做"蛋白功能预测"“结构域识别”“同源检测"的模型，都需要一套公认的分组标准来定义它的输出空间。ECOD 的 H-组、T-组、F-组就是这样的标准。模型可以输出"这段序列属于 H-组 XXXXX”，而 XXXXX 有一致的社区语义。

第二层：评测标尺。 同源检测模型的性能，需要"已知同源对"作为正例。ECOD 编录的 1,030,085 个同源域对是一个天然的正例池——而且是目前最全的（36.6% 是其他体系没有的）。

第三层：知识迁移的通道。 当 AlphaFold 预测出百万级的新结构，这些结构本身没有功能注释。把它们接入 ECOD，就等于接入了"从实验结构积累下来的"功能知识。这是 AI 模型做 zero-shot 功能推断的一条非参数路径。

1.5.2 三条独立证据的说明

本文对 ECOD 的存在性做了三源互证：

官方论文：PLoS Comput Biol 2014（PMC4256011）确认创库事实、层级设计、规模数字；
权威整合文献：Nucleic Acids Research 2025（PMID 39565196）确认 ECOD 仍在活跃更新并已整合预测结构；
第三方目录：Database Commons（NGDC）确认机构、联系人、URL 与建库年份。

三源一致指向同一实体，无证伪迹象。同时库内查重（dedup_gate --dispatcher CLEAN、DB 无 ecod 精确 slug）确认无撞库。

§2 分类体系本体：五级层级与"域"的定义

2.1 记录单位是"结构域"，不是"蛋白"

ECOD 与 Pfam / CATH / SCOP 一样，以结构域（domain）为记录单位，而不是整条蛋白质链。这一点必须最先讲清，因为它是理解后续一切设计的前提。

什么是结构域？ 结构生物学的标准定义是：蛋白中能够独立折叠、独立演化、往往独立行使功能的一段区域。一个多域蛋白（multidomain protein）在 ECOD 眼里不是一个整体，而是若干结构域的组合——而这些结构域可能有着完全不同的演化出身，甚至一个域像是"后来插进去的"。

ECOD 的这条设定带来一个具体承诺：为所有原 SCOP 多域蛋白类成员提供域划分，并且处理域插入（domain insertion）造成的"不连续域"——即一个域被另一个域从中间插入打断，导致它在序列上的残基分成两段（前后夹着插入段）。这种不连续域在 Swiss-Prot AFDB 分类中占 14.40%（占总残基的 20.30%），连续域占 85.60%。

2.2 五级层级逐层详解

ECOD 的层级自顶向下为 A → X → H → T → F，每一层的分组依据完全不同：

层级	全称	分组依据	类比（非等价）	规模（v22b 时点）
A	Architecture（架构）	二级结构组成与几何形状（bundles/barrels/meanders/sandwiches）	SCOP class 与 fold 之间；CATH class+architecture	20 个
X	Possible homology（可能同源）	空间结构相似 + 弱同源证据（未确证）	接近 SCOP fold / CATH topology	1,799 个
H	Homology（同源）	明确共同祖先：高序列-结构评分、功能相似、共享异常特征、文献证据	CATH homologous superfamily / SCOP superfamily / Pfam clan	约 1,971 个
T	Topology（拓扑）	相似拓扑连接；专门区分"同源但不同 fold"	SCOP fold / CATH topology	—
F	Family（家族）	显著序列相似（现直接依赖 Pfam）	Pfam 家族	8,947 个

关键理解：这个表格的每一层都不是简单的"从粗到细"。 更准确的读法是：

A 层主要为浏览便利：ECOD 明确说 A 层"不直接对应演化分组"，它的作用只是让用户能从"mostly alpha / mostly beta / alpha+beta"这样的直观入口进入。特殊架构（special architectures）还收纳了那些根本不是域的东西——肽段（peptides）、卷曲螺旋（coiled coils）、片段（fragments）、无序区、低分辨率结构乃至核酸。
X 层是"证据不足的嫌疑组"：结构相似但还不能拍板说同源。ECOD 在这里刻意避免使用 “fold” 这个词，理由是 fold 是几何概念、定义主观，用它当分类依据会把演化信号和形状信号混为一谈。
H 层是真正的核心：所有有明确共同祖先证据的域聚在这里。ECOD 声称其 H-组能包含比 SCOP superfamily / CATH homologous superfamily 更远的同源联系——这正是"编录最多演化链接"的机制。
T 层的存在意义：一般分类体系里，同源且拓扑相同的域会自然聚在一起；但 ECOD 特别保留 T 层来容纳"同源却拓扑不同"的情形——这些域在 SCOP 里会因拓扑不同被拆到不同 fold，ECOD 则把它们保留在同一 H-组、分开记录为不同 T-组，从而不丢失血缘信息。
F 层依赖外部：ECOD 的 F-组现在直接依赖 Pfam——每个 F-组映射单一 Pfam 家族，或非重叠 Pfam 家族的组合。没有对应 Pfam 家族的域只能记到 T 层，并得到一个 .0 伪 F-id（“等待未来定义家族”）。这意味着 F 层的完整度受 Pfam 联盟审编进度制约——这是 ECOD 一个重要的外部依赖。

2.3 稳定标识符：跨版本可追溯的设计

ECOD 给 X / H / T / F 每一层分配跨版本稳定的数值 ID。一个典型写法是 101.1.1，表示 third-helical HTH（tri-helical helix-turn-helix）这个 T-group。这种设计的价值在于：即使 ECOD 版本持续更新（域数量从 31 万涨到 180 万），老论文里引用的分组 ID 依然可以映射回当前版本，不会因为"层级重排"而失效。

对比之下，如果一个分类体系的 ID 会随每次更新变化，那么所有引用它的下游分析都会在版本升级时断裂。ECOD 用稳定 ID 规避了这个问题——这是它作为长期基础设施而非一次性数据集的关键工程决策。

2.4 域的来源与生产路径

创库论文（v22b, 2013-07-31）给出了域的五条来源渠道，合计 317,021 域：

来源渠道	域数	说明
SCOP ASTRAL40 重分类	11,462	在 ECOD 中人工重新分类
SCOP 非 ASTRAL40 映射	98,702	经 MUSCLE 比对映射
SCOP 外新域	4,373	SCOP v1.75 与 ECOD 之间存入 PDB 的新链，人工审编
自动同源检测	153,381	成对序列/结构搜索自动检测同源后加入
MUSCLE 比对非代表序列	48,817	归入已有域类型

另有跨 PDB 链组装（order-independent assemblies）的代表域仅 132 个。这条表揭示了一个重要事实：ECOD 域的大头（153,381 + 48,817 ≈ 20 万）来自自动化，人工审编的只是少数代表与新例——这正是它能跟上 PDB 每周发布速度的工程基础。

§3 分类流水线：从 PDB 释放到七天内入库

3.1 三条核心设计目标

ECOD 创库论文明确了三个目标，它们共同决定了流水线的形态：

构建基于演化连接的全面域分类；
把连接范围扩展到远端同源（序列方法够不到的地方）；
保持与 PDB 的同步更新（不滞后）。

第 3 条尤其重要：它意味着 ECOD 不能采用 SCOP 那种"攒够一大批再统一人工分类"的慢节奏，必须设计能自动吞下每周增量的管线。

3.2 自动化六步分类管线

ECOD 的自动管线大致分六步，灵敏度逐级递增、特异性逐级递减：

第 1 步：去除非可分类区。 先移除肽段、卷曲螺旋及其他不可分类区域，归入相应的特殊架构（special architectures）。

第 2 步：序列管线（三段式）。

链 BLAST：把输入序列查询已知 ECOD 全长链库。若 E-value < 2e-3 且覆盖率高（未覆盖残基 < 10），则一次性划分整条链的所有域。
域 BLAST：针对域序列库查询，按序列相似性（E-value < 2e-3）和命中覆盖率（> 80%）分配单域蛋白及多域蛋白的组分。
域 HHsearch：用 HHblits 生成查询序列的谱（profile），针对 ECOD 代表域谱库做 HHsearch，检测更远的同源。这一步是"远端同源"能力的关键——谱比较比单序列比较灵敏得多。

第 3 步：边界优化。 基于结构域解析器 PDP（Protein Domain Parser）消除域间和末端的小间隙，使域边界更贴合。

第 4 步：家族分配微调。 用 HMMER/Pfam 与 HHsearch 聚类：有高置信度 HMMER3 分配则聚入 F-组；无置信 Pfam 分配则改用 all-versus-all HHsearch 完全连锁聚类（所有域共享 90% HHsearch 概率）。

第 5 步：结构管线。 序列管线无法完成的链，用 DaliLite 查询 ECOD 代表域结构库——结构相似且比对区通过 BLOSUM 评分时分配域。这是"序列看不到、结构看得到"的兜底。

第 6 步：人工审编。 无法自信分类的结构交人工处理，使用 HorA 服务器搜索远端同源。

3.3 每周同步：ECOD 的"独门绝技"

ECOD 最独特的能力是把 PDB 每周释放的结构在发布后一周内分类完毕。机制如下（创库论文给出的 25 次每周发布统计）：

每周将新蛋白链按 95% 冗余度聚类，只对非冗余代表做分类；
约 89% 的非冗余（<95%）链可自动划分和分配（平均 134.1 ± 40.4 条/周）；
平均每周 11.7 ± 4.9 条链被分类为人工代表；
平均每周 5.1 ± 3.2 条链不含域（肽段、卷曲螺旋或片段），经特殊类别或其他方式解决。

“每条结构在 PDB 发布后一周内完成分类”——这句话是 ECOD 与所有其他结构分类体系的分水岭。SCOP 一次大版本更新动辄间隔数年，CATH 也有明显滞后；ECOD 则承诺持续的"新鲜度"。对下游做结构预测或功能注释的用户来说，这意味着能第一时间用上最新解出的结构。

3.4 DPAM：面向 AlphaFold 预测结构的域解析器

2021 年后 ECOD 的重心扩展到 AlphaFold Database（AFDB）。为此团队开发了 DPAM（Domain Parser for AlphaFold Models）：

输入：AFDB 的 gzip 压缩 mmCIF 预测文件 + 单独的 PAE（predicted aligned error，预测对齐误差）文件；
域划分：利用残基间性质把蛋白切成候选域；
分配：用神经网络结合序列与结构比对结果，把候选域分配到 ECOD 参考；
判级：根据 DPAM 置信度、DSSP 二级结构含量、比对覆盖率分为四类——good_domain（高置信且 ≥3 个 SSE）、partial_domain（高置信但不完整）、low_confidence（不确定）、simple_topology（<3 个 SSE）。

DPAM 的特别之处在于：它分配的域不必与 ECOD 参考有强同源联系——这与传统自动方法依赖 BLAST 命中的逻辑不同，使 ECOD 能处理"预测结构里有、实验结构里还没有"的域。

3.5 工具链一览

ECOD 及其实验室生态使用的核心工具：

PDP — 结构域解析、边界优化
DaliLite — 结构相似性比对
HMMER3 / HMMER（Pfam） — 序列家族映射
HHsearch / HHblits — 谱-谱远同源检测
MUSCLE — 多序列比对
CD-HIT — 序列聚类（AFDB 分析中按 40% / 70% / 99% 三档）
DPAM — AlphaFold 预测结构的域解析与分配

3.6 与 PDB/CATH/SCOP 的体系对照

ECOD 官方文档与多篇论文都反复强调它与其他结构分类的差异，这一节把它标准化：

维度	ECOD	CATH	SCOP / SCOPe / SCOP2
首选分组依据	演化同源（homology）	几何/拓扑为主	功能与演化，几乎全人工
是否有 fold 层	无（认为 fold 主观）	有（Topology 层）	有（fold 层）
更新频率	每周随 PDB 发布	周期性、滞后	大版本、严重滞后
自动化程度	自动 + 人工混合	大部分自动 + 人工补充	主要人工
可能的同源层	有（X-group）	无独立层	无独立层
F-组依赖	Pfam 家族	—	—
独特主张	编录最多演化链接；容纳远端同源与不同拓扑同源	几何清晰	人工精审

最重要的差异点：CATH 的 “C-A-T-H” 里 A（Architecture）和 T（Topology）都是几何概念，H（Homologous superfamily）在最后；而 ECOD 把 H（Homology）提到了层级的中枢位置，几何（A）只作浏览入口，还专门设 X 层来处理"疑似同源但证据不足"。换言之：CATH 用形状推血缘，ECOD 用血缘统形状。

§4 数据规模硬数字（多版本口径，引用须标注时点）

4.1 为什么 ECOD 的规模数字必须"带上下文引用"

ECOD 是一个持续增长的活数据库，不同论文给出的是不同时点的截面。如果脱离版本时点引用"ECOD 有 X 个域"，几乎必然出错。下表把各口径并列，这是本文最重要的存照表：

版本 / 来源	时点	蛋白/链	结构域	层级规模
创库论文摘要	2014	~100,000 结构	—	9,000 序列家族 / ~2,000 演化组
v22b（创库论文表 1）	2013-07-31	239,303 链 / 93,663 PDB	317,021	A 20 / X 1,799 / H ~1,971 / F 8,947
develop285（48P 论文参考版）	—	599,852 链 / 179,294 PDB	898,379	—
48 proteomes 分类产出（DPAM2）	—	536,808 蛋白	746,349	—
AFDB Swiss-Prot（v293，含 260 新 F-组）	2026	542,378 蛋白	1,032,610	3,493 topology（88.3%）
NAR 2025 整合宣称	2025	>1,000,000 蛋白	>1.8 M 域	PDB + AFDB 合计

读表守则：这三行数字（317,021 / 898,379 / >1.8M）不矛盾，它们是同一数据库在 2013 → 2025 十二年间从 31 万涨到 180 万的真实轨迹。引用时务必写清时点。

4.2 与 SCOP、CATH 的规模对抗（创库论文时点）

创库论文专门做了规模对比，展示 ECOD “覆盖面最大”：

数据库	PDB 沉积数	蛋白链数
ECOD	93,663	239,303
SCOP 1.75	38,221	85,141
CATH v3.5	51,334	118,792

ECOD 中不在 SCOP 内的链（非特殊架构）：137,794 自动分类 + 2,484 人工分类；不在 CATH 内的链：106,474 自动 + 2,521 人工。这两组数字直接说明 ECOD 的增量覆盖能力。

4.3 "编录最多演化链接"的量化证据

ECOD 核心卖点是同源连接的密度。创库论文在等效非冗余域集（>80% 残基覆盖、<95% 序列一致性，共 9,523 域）上做了对比：

同源域对总数：ECOD 1,030,085 / SCOP 711,894 / CATH 680,726；
平均 49.5% 的域对为三库共享；
36.6% 仅见于 ECOD（SCOP 和 CATH 都没有）；
11.4% 仅见于 ECOD 与 CATH 之间。

“36.6% 仅见于 ECOD” 是击穿"ECOD 只是又一个重复的 SCOP"这一偏见的关键证据——超过三分之一的最远同源连接，只有 ECOD 记录在案。

4.4 层级增长印证"同源优先"的设计

创库论文还统计了有多少 ECOD H-组跨越了其他体系的边界：

53 个 ECOD H-组含来自 2 个或以上 SCOP fold 的域，共涉及 151 个独特 SCOP fold；
169 个 H-组含来自 2 个或以上 CATH topology 的域，共涉及 357 个独特 CATH topology；
36 个 H-组含映射到不止一个 CATH class 的域。

这三组数字是"同源可以跨拓扑"这一生物学事实的数据库化体现——如果按形状分类，这 53/169/36 个 H-组里的域会被永久拆散在不同类别里，血缘信息就丢了。

4.5 AFDB 扩展带来的新数字

AFDB Swiss-Prot（2026）论文给出了预测结构分类的一批新数字：

1,032,610 域来自 542,378 个 Swiss-Prot 蛋白；
覆盖 3,493 个 ECOD topology（占总量 88.3%）；
DPAM 平均概率 0.992，84.1% 域 DPAM 概率 > 0.9；
pLDDT 中位数 91.35（对比 48P 的 78.01）；
平均每蛋白 1.96 域；单域蛋白 50.1%，多域蛋白 49.9%；最大域数 42（脊椎动物 Notch 蛋白）；
15,382 蛋白（约 Swiss-Prot 2.8%）未能分类，偏向短序列（中位长度 84 残基，80% 少于 200 残基）；
分类学覆盖 3 个超界 / 91 个门 / 10,254 个物种；
新增 260 个 ECOD F-组（233 简单 + 27 复合），其中 110 个（42%）含 Swiss-Prot 域。

§4.1 分类体系深度解读：为什么「同源优先」是一项技术主张

4.1.1 收敛演化：形状会骗人

要理解 ECOD 为什么要"同源优先"，必须先理解结构生物学的一个核心难题——收敛演化（convergent evolution）。

两个蛋白质可能因为要完成相似的功能（比如都要结合一段 DNA、都要催化相似的化学反应），而在演化中独立地演化出相似的三维结构。它们没有共同祖先，但长得像。这就是"类似物（analog）"。

反过来，两个同源的蛋白，因为功能分化，可能在漫长的演化中把形状改得完全不同——它们仍是"同源物（homolog）"，但看起来不像。

这两类情形对纯形状分类是灾难：

前者会被错误地归为一类（假阳性）；
后者会被错误地拆开（假阴性）。

ECOD 的"同源优先"设计，正是要在证据允许的范围内扭转这两个错误。它不是完全放弃形状（A 层、T 层仍用几何），而是把形状降格为线索、把同源升格为结论。

4.1.2 X 层：给"证据不足"一个诚实的家

大多数分类体系遇到"看起来像但不确定是否同源"的情形时，只有两个选择：要么归为一类（承担假阳性），要么拆开（承担假阴性）。ECOD 开了第三个选项：X 层（Possible homology）。

X 层的语义是：“这两个域有结构相似性，有同源的嫌疑，但证据还不够确凿，暂时放一起，等更多证据。” 这是一个显式的待定区——它不假装确定，也不粗暴丢弃。

对下游用户来说，X 层的存在意味着："同源"这个标签有不同的置信等级。H 组是高置信，X 组是低置信。做严格的功能迁移时只信 H 组；做探索性分析时可以纳入 X 组。

4.1.3 T 层：保留"同源却变形"的完整信息

T 层的设计是 ECOD 最容易被忽视、却最精妙的一处。

设想一个 H-组，里面全是一家人。但其中一部分成员因为演化，拓扑变成了 A 形状，另一部分变成了 B 形状。在 SCOP 里，它们会被拆到两个不同的 fold；血缘关系就断了。在 ECOD 里，它们仍在同一个 H-组（血缘保住了），只是被分成两个 T-组（形状差异也记录了）。

结果：既不丢血缘，也不抹形状差异——这是"两层信息都要"的工程解法。创库论文统计的 53/169/36 这组数字（跨 SCOP fold、跨 CATH topology、跨 CATH class 的 H-组），量化了这种设计真正挽救了多少血缘信息。

4.1.4 F 层：与序列方法握手

F 层依赖 Pfam，是 ECOD 主动拥抱序列方法的体现。结构分类的优势是能看远，劣势是贵、慢、覆盖窄；序列分类（Pfam）的优势是快、广、便宜，劣势是看不远。

ECOD 的分工是：X/H/T 用结构看远，F 交给 Pfam 看近。这样 ECOD 既保持了结构方法的远端洞察力，又借 Pfam 补上了序列方法的覆盖广度。NAR 2025 把这次协作描述为"消除重复劳动、双方都改进"。

§4.2 数据生产工程：ECOD 如何做到「每周」

4.2.1 自动化的经济学

一个分类数据库如果全靠人工，永远追不上 PDB 的产出速度。ECOD 的工程核心就是把人工的工作量压到只剩难例。

看那组每周数字：约 89% 的非冗余链自动分类（134 条/周），只有 11.7 条/周需要人工代表分类。也就是说，自动管线承担了超过 90% 的吞吐量，人工只处理剩下的"硬骨头"。

这种设计的经济学意义是：边际成本极低。每多一条新结构，绝大多数情况不需要人介入。这才使得"每周同步"在成本上可持续。

4.2.2 冗余聚类：不重复劳动的智慧

每次 PDB 释放可能包含大量相似甚至几乎相同的结构（同一蛋白的多个晶体、不同物种的直系同源）。ECOD 在分类前先按 95% 冗余度聚类，只对非冗余代表做分类。

这一步至关重要：如果不做聚类，人工和算力都会浪费在重复结构上。95% 这个阈值是一个权衡——太高会把不同结构的差异漏掉，太低会让聚类本身变贵。ECOD 选 95%，意味着序列 95% 以上相似的只算一个"代表"。

4.2.3 灵敏度阶梯：三段式序列管线的设计哲学

ECOD 的序列管线是三段式，灵敏度递增：

链 BLAST（最快、最特异）：整条链就能对上已知库，一次性划分所有域；
域 BLAST（中）：整链对不上，就按单个域去匹配；
域 HHsearch（最慢、最灵敏）：BLAST 都失败，用谱-谱比较捞远端同源。

这个阶梯的逻辑是：先用便宜的方法过滤掉大部分简单情况，只在必要时动用昂贵的方法。绝大多数结构在第一步就能解决；只有少数"难例"才会走完三步。这是典型的"分层过滤"工程模式——在保证灵敏度的同时控制平均成本。

4.2.4 结构管线与人工审编：两道兜底

序列管线全失败后，还有两道：

DaliLite 结构管线：用三维结构相似性（而非序列）来找线索。这是"序列看不到、结构看得到"的兜底；
人工审编：最难的情况交给人工，用 HorA 服务器找远端同源，结合文献细读做判断。

两道兜底把"无法分类"的比例压到极低——ECOD 声称 100% 的 PDB 沉积都能纳入分类（含特殊架构收纳）。

4.2.5 与 SCOP 的节奏对比

理解"每周"的分量，要对比 SCOP。SCOP 是大版本更新模式（SCOP 1.75 与后续版本间隔以年计），这意味着一条新结构的分类可能要等很久。而 ECOD 承诺一周内。

对下游的意义：做结构预测或功能注释时，ECOD 能让你第一时间用上最新解出的结构。这在结构生物学快速产出的今天，是实质性的优势。

§4.3 数字背后的故事：从 31 万到 180 万的十二年

4.3.1 增长的两个引擎

ECOD 域数从 2013 年的 317,021 涨到 2025 年的超 1.8 M，增长约 5.7 倍。这不是均匀增长，而是由两个引擎先后驱动：

引擎一（2014–2020）：PDB 结构持续涌入。 这期间 ECOD 靠每周同步机制，把 PDB 不断新增的实验结构纳入。域数稳步增长，但受限于 PDB 本身的产出速度——每年新增的实验结构数量有限。

引擎二（2021–2025）：AlphaFold 预测结构爆发。 AlphaFold2 在 2021 年 CASP14 后掀起革命，AFDB 产出了数亿条预测结构。ECOD 用 DPAM 管线把其中 48 个全蛋白组、再到整个 Swiss-Prot 纳入分类，这一波直接把域数从不到 90 万推到超 180 万。

理解这个轨迹的意义：ECOD 的规模数字"前后不一"不是混乱，而是它真实参与了两波结构数据爆炸的记录。引用任何一个数字，都是在引用某一个历史截面。

4.3.2 AFDB 扩展的门槛：为什么不是"全都要"

AFDB 有数亿条预测结构，ECOD 只纳入了 48 个蛋白组 + Swiss-Prot（合计约百万蛋白）。为什么不是全部？

原因在三处：

Swiss-Prot 是人工审编的：它是 UniProt 里经过人工审阅的高质量子集，功能注释可靠。相比之下 TrEMBL 是自动注释的海量集合，质量参差。ECOD 选 Swiss-Prot 是为了保证"分类对象"本身的可信度。
计算成本：DPAM 解析每条结构都要跑神经网络 + 比对，数亿条结构的成本不可承受。
冗余控制：48 个蛋白组已覆盖了主要模式生物与全球健康相关病原，边际信息收益递减。

这是一个典型的质量优先于数量的选择——宁可把百万条高质量蛋白分好，也不把数亿条低质量预测囫囵吞下。

4.3.3 "未映射"的发现：ECOD 给序列方法照了镜子

AFDB 扩展最重要的科学发现之一，不是"又分类了多少域"，而是暴露了序列方法的盲区。

那批 52,644 个"未映射 Pfam 的良好分配域"说明：在结构上明明是一家人（能归入同一个 ECOD 参考域），但序列方法（Pfam）却认不出来。 这有两个原因：

45,129 个（85.7%）：是序列分化太远的家族成员——结构还像，序列已经漂移到 Pfam 的灵敏度阈值之外；
7,515 个（14.3%）：是结构分类已经解析、但序列方法尚未形式化的亚组——即 Pfam 还没有为这些结构上清晰的亚组建立专门家族。

这个发现的实践价值：它告诉 Pfam 联盟"哪里该建新家族"。事实也证明确实有效——Pfam 38.2 随后捕获了 8,797 个此前未映射的域，其中 7,990 个归因于本次分析后新创建的 2,090 个家族。结构分类成了序列分类的"探针"。

4.3.4 分类学画像：ECOD 覆盖的生物多样性

AFDB Swiss-Prot 扩展后，ECOD 的分类对象覆盖了 3 个超界（superkingdom）、91 个门（phyla）、10,254 个物种。其中细菌占 62%、真核占 35%，古菌为其余。

一个值得注意的偏斜：细菌蛋白组在新增结构域中占主导（76.9%）。这与 Swiss-Prot 的物种构成有关——细菌在功能研究中占比高，且基因组紧凑、蛋白平均更短、更"规整"，结构预测质量高、更易分类。

另一边，真核蛋白的分类率较低（更多无序区、多域复杂结构），这与前文"48P 论文观察到真核含更多无序和部分分类区域"的结论一致。

§4.4 ECOD 作为 ML 标签体系的实操要点

4.4.1 用 H-组构造同源正例/负例

如果要做同源检测模型，可以这样用 ECOD：

正例：同一 H-组内的域对 → 同源；
负例：不同 H-组的域对 → 非同源（注意这也是近似，但比随机采样可靠）；
难例：X-组内的域对 → “疑似同源”，可用作边界案例或半监督的软标签。

ECOD 编录的 1,030,085 个同源域对是现成的正例池，规模远超人工构造。

4.4.2 用域边界做序列切分

ECOD 的域边界定义可以直接用于把长蛋白切成域片段，这对以下任务有价值：

域级功能预测（把蛋白分解为可解释的单元）；
结构域语言模型预训练（按域而非整链切分语料）；
多域蛋白的结构建模（分别建模再组装）。

注意：域可能是不连续的（占 AFDB 分类的 14.40%），切分时需要处理"残基分段"的情形，不能简单地取连续区间。

4.4.3 版本对齐：一个常被忽视的工程问题

用 ECOD 做长期 ML 项目时，版本对齐是个隐形坑。由于 ECOD 每周更新：

你今天下载的 H-组 ID，明天可能新增了成员；
你训练的模型输出的分组，需要声明是基于哪个版本；
跨时间点比较模型性能时，要确保标签体系版本一致。

建议：在做可复现的 ML 工作时，固化一个版本快照（记下版本号或下载日期），并在论文中声明。这与数据库"活更新"的特性并不矛盾——只要如实记录即可。

4.4.4 与 AlphaFold 预测的组合工作流

一个典型的现代结构生物信息学工作流：

输入：一段未知功能的蛋白序列；
结构预测：用 AlphaFold2/3 预测结构；
域解析：用 DPAM（或 ECOD 的类似思路）把预测结构切分成域；
演化归属：把每个域分配到 ECOD 的 H/T/F 组；
功能推断：通过组内已知成员迁移功能注释；
验证：查 DrugDomain 看是否有已知配体，查 PDB 看是否有实验结构。

这六步中 ECOD 出现在第 4 步——它是把"一堆坐标"变成"有意义的知识"的枢纽环节。

§5 任务与标注：ECOD 在机器学习语境里的角色

5.1 ECOD 不是"任务数据集"，而是"知识骨架"

必须先把定位讲清楚：ECOD 本身不提供一个打包好的、带输入输出对的机器学习任务数据集。 它没有"训练集/测试集"的划分，没有为某个具体任务（如二级结构预测、功能分类、结合位点识别）设计的 baseline 和 leaderboard。它是结构化的分类知识库，提供的是：

每个结构域的边界定义（残基区间）；
每个结构域的五级层级归属（A / X / H / T / F 各一个 ID）；
每个分组的演化关系语义（同源、可能同源、拓扑、家族）。

下游要拿它做 ML，需要自己按域边界抽取序列或结构片段，再用层级归属构造标签。

5.2 ECOD 能支撑哪些下游任务

尽管不是"任务数据集"，ECOD 的层级设计天然支撑几类任务：

（1）功能注释迁移。 若未知域被分入某 F-组，而组内已有功能已知成员（F-组映射 Pfam，功能信息可在族内传播），则可依同源假设推断功能。这是"基于演化"的功能预测路径。

（2）结构分类 / 域归属预测。 给定一个新结构或预测结构，判断它属于哪个 H/T 组——这正是 DPAM 在做的事。DPAM 的神经网络分配器可以视为一个以 ECOD 为标签体系的多分类器。

（3）演化关系挖掘。 X-组与 H-组提供了"哪些域是同源的"的正例集合（同源域对 1,030,085 个），可用于训练远端同源检测模型——这是序列方法最吃力、而 ECOD 最有价值的地方。

（4）同源 vs 类似物判别。 用 H-组作为"真同源"标签，可以帮助模型区分"结构相似因为有共同祖先"（homolog）与"结构相似因为收敛演化"（analog）——这是结构预测评估中一个易被忽视的陷阱。

（5）域-配体相互作用。 ECOD 团队新推出的 DrugDomain 数据库（域-配体相互作用），把 ECOD 域与配体结合数据关联，可直接支撑药物靶点相关的 ML 任务（NAR 2025 首次部署讨论）。

5.3 标注来源：自动 + 人工混合

ECOD 的"标签"（层级归属）由混合流程生成：

自动部分：占绝大多数。链 BLAST / 域 BLAST / 域 HHsearch 三段式序列管线 + DaliLite 结构管线，产出约 89% 非冗余链的自动分类。
人工部分：无法自信分类的难例交人工审编。人工审编者使用 HorA 服务器搜索远端同源，结合比对结果、功能分析、文献细读生成新分配。创库论文报道每周平均 11.7 ± 4.9 条链作为人工代表。

这个比例的意义：人工审编的绝对量很小（每周约十几次），但它决定了体系的演化可信度——正是这些人工判定让 ECOD 能确立那些"自动算法看不到"的远端同源。这也意味着 ECOD 的质量上限受人工审编策略制约。

5.4 人工分类策略（Proteins 2015）

ECOD 团队专门发表过方法学论文 Manual classification strategies in the ECOD database（Cheng et al., Proteins 2015;83(7):1238-1251），系统阐述了难例的人工判定标准。这本身说明团队把"人工分类的可重复性"当作一个严肃问题——如何让不同审编者在难例上给出一致的判断，是任何含人工环节的分类体系的软肋。

5.5 与序列分类（Pfam）的关系：互补而非替代

ECOD 的 F-组现在直接依赖 Pfam，这一转变值得单独说明：

早期 ECOD 有自己的家族库 ECODf（A sequence family database built on ECOD structural domains, Bioinformatics 2018）；
后来团队弃用 ECODf，改用与 Pfam 联盟的直接协作——理由是"Pfam 提供类似覆盖但更准确、更少冗余"（NAR 2025）；
每个 F-组映射单一 Pfam 家族或非重叠 Pfam 家族组合。

这不是 ECOD 被 Pfam 吞并，而是分工：ECOD 负责结构层面的演化分组（X/H/T），Pfam 负责序列层面的家族定义（F）。团队原话大意是"通过消除重复劳动，两个分类都能改进"。

5.6 ECOD 引导了新家族的发现

一个有意思的实证：AFDB Swiss-Prot 论文发现，基于结构的分类可以系统性地先于序列方法识别出结构域组。具体证据：

Swiss-Prot 分类中有 52,644 个"未映射的良好分配域"（good_domain 但无 Pfam 映射）；
其中 85.7%（45,129 个）与同 T-组中 Pfam 成员匹配同一个 ECOD 参考域——即序列方法因灵敏度阈值漏掉的家族成员；
另外 **14.3%（7,515 个）**匹配任何 Pfam 映射域都未使用的 ECOD 参考——即"结构性分类已解析、但序列方法尚未形式化"的亚组；
后来 Pfam 38.2 版本捕获了其中 16.7%（8,797 个）此前未映射的域，其中 91%（7,990 个）归因于本次分析后新创建的 2,090 个家族。

结论：ECOD 的结构分配有效引导了 Pfam 新家族的创建——这是"结构先行、序列随后"的教科书级案例。

§6 获取与许可：怎么拿到 ECOD 数据

6.1 官方入口

主站：http://prodata.swmed.edu/ecod（Grishin 实验室，UT Southwestern）
AFDB 分类入口页：http://prodata.swmed.edu/ecod/index_af2.php
检索方式：通过 PDB ID、关键词、或蛋白序列搜索；也支持结构搜索
镜像接入：PDB/RCSB 的 browse 选项中有 ECOD 浏览器入口

6.2 可获取的文件类型

根据 Current Protocols 2021 协议论文，ECOD 为大规模生信用户提供可分发数据文件（distributable files）：

域边界与分类表：记录每个域的残基区间与 A/X/H/T/F 层级归属；
代表域序列：各组的代表性域序列；
HMMER profile / alignment 库：曾提供 ECODf 家族的聚合 HMMER 谱与比对（ECODf 现已弃用，家族定义转向 Pfam）；
AFDB 分类衍生数据：经 Zenodo 发布。

6.3 许可与获取成本

数据库本体：经官网公开免费获取、无需注册。这是一个低门槛、高可用性的资源——不需要申请、不需要机构隶属、不需要签署协议。
论文文本：PLoS 系列为 CC BY 4.0（© 2014 / © 2026 Cheng/Schaeffer et al.），NAR 论文为 Oxford 开放获取。
AFDB 衍生分类 Zenodo 数据集：
- 48 proteomes 论文数据 → Zenodo 仓库；
- Swiss-Prot 论文数据 → doi:10.5281/zenodo.16856663，包含 DPAM 解析的全部域、被 ECOD 收录的子集、以及复现图表所需数据文件。
待核：数据库文件的具体 license 声明文本未在论文正文单独明列（论文口径针对论文文本而非数据库本体）；检索者应以官网实时声明为准。

6.4 为什么"公开免费"对 ECOD 特别重要

ECOD 的价值高度依赖被下游大量引用：它要成为功能注释、结构预测、同源检测的通用骨架，就必须让每个人都能免费、无门槛地拿到数据。相比之下，SCOP 的数据库虽也公开，但受限于更新节奏；CATH 有较复杂的版本管理。

ECOD 选择"官网直接下载 + 无需注册 + Zenodo 发布衍生数据"的组合，本质上是基础设施策略——降低使用摩擦，最大化被集成到他人流水线里的概率。这与它"每周更新"的定位是一致的：一个高频更新的数据库，如果获取还要走申请流程，更新优势就被抵消了。

6.5 PDB 与 AFDB 两条获取线

使用者要注意 ECOD 的获取分两条线：

PDB 线（实验结构）：主线，2014 年至今持续，每周同步，是 ECOD 的立库根基；
AFDB 线（预测结构）：2021 年后扩展，分 48 proteomes（初步）与 Swiss-Prot（规模化）两个阶段，数据经 Zenodo 单独发布。

两者的分类结果会被整合进统一的 ECOD 层级（AFDB 论文明确说"accessioned domains are also publicly available as part of the ECOD database where they are integrated into the broader ECOD hierarchy"），但在官网上有独立的入口页。

§7 评估与基准：ECOD 如何被衡量

7.1 ECOD 自身不是基准，但提供基准的"分母"

再次强调：ECOD 不是评测数据集。但它的分类质量本身是被评估的对象，而且它作为参考体系为下游任务提供了评估所需的标签。

7.2 AFDB 分类的质量指标

AFDB Swiss-Prot 论文给出一套针对预测结构分类的质量指标，可作为"如何评估结构域分类器"的范本：

DPAM 概率：分配给每个域的置信概率（1 = 确定），平均 0.992；
DSSP 二级结构含量：域内二级结构元件（SSE）数量，用于判定域是否"像真正的域"；
比对覆盖率：域与 ECOD 参考的对齐覆盖比例；
分类类别分布：
- good_domain（高置信 + ≥3 SSE）：占 80.34% 域（占总残基 87.25%）；
- simple_topology（<3 SSE）：占 9.20% 域（仅占残基 2.54%）；
- 连续域 85.60% / 不连续域 14.40%。

读法：按域数看 simple_topology 占 9.2% 不低，但按残基看只占 2.54%——说明这些"简单拓扑"域都很小。评估时用域数还是用残基数，结论会不一样，这是引用这类指标时必须注意的口径问题。

7.3 Pfam 映射的覆盖与缺口

ECOD 的 F 层依赖 Pfam，因此"ECOD 域能映射到 Pfam 的比例"是一个关键评估维度：

good_domain 中 93.6% 可映射 Pfam；
超过 100,000 个域缺乏现有 Pfam 映射；
Swiss-Prot 分类中 890,055 个不同 DPAM 域获得 Pfam 映射（其中 766,132 good_domain），映射到 12,019 个不同 Pfam 序列家族；
仍有 29,720 个域（4.6%）停留在 T-组级（.0 伪组），最大累积见于 Immunoglobulin/Fn3/E-set（1,002 域）与 ARM repeats（843 域）。

这些缺口不是 ECOD 的错误，而是它的发现：它们标示了序列方法的灵敏度边界在哪里。

7.4 序列冗余与分类学广度（48P 与 Swiss-Prot）

为避免"域数量大但都是冗余重复"的质疑，团队按三档序列一致性做了聚类（CD-HIT）：

一致性阈值	簇数	单例占比
40%	158,942	43.47%（但仅占全部域的 6.7%）
70%	380,622	63.21%
99%	758,709	85.79%

最大簇规模：99% 时 147 域 → 40% 时 3,382 域。40% 阈值下约 40% 的簇跨越多个门。这些数字说明 ECOD 覆盖的不只是重复的冗余域，而是有实际的序列多样性与分类学广度（Swiss-Prot 覆盖 3 超界 / 91 门 / 10,254 物种；细菌 62% / 真核 35%）。

7.5 X-组扩张：预测结构如何"填充"分类

AFDB Swiss-Prot 扩展对 ECOD 各层的贡献不均，X-组（可能同源层）扩张最大：

ECOD 组	名称	新增域数
X:2004	P-loop domains	+34,856
X:2003	Rossmann-like domains	+31,705
X:2002	TIM barrels	+22,673

所有 20 个 ECOD 架构都被扩展，最大贡献进入 alpha/beta 三层夹心结构。分类学例外：免疫球蛋白样 β-夹心（X:11）60.7% 真核；重复 α-发夹（X:109）83.8% 真核。

这说明预测结构扩展在"常见、可塑性高的折叠"上收益最大——P-loop、Rossmann、TIM barrel 都是酶学里最普遍、最古老的折叠之一，AlphaFold 的覆盖让它们获得了大量新成员。

§8 生态与影响：ECOD 在结构生物信息学中的位置

8.1 一个实验室的持续产品线

ECOD 是 Grishin 实验室（UT Southwestern + HHMI，Dallas）的长期产品。围绕它形成了一个文献与方法族：

2014 创库论文（PLoS Comput Biol）——建立五级层级与自动管线；
2015 人工分类策略论文（Proteins）——规范难例判定；
2018 家族库论文（Bioinformatics，ECODf）；
2021 检索协议论文（Current Protocols）——面向用户的序列/结构检索与可分发文件；
2025 整合论文（NAR）——把预测结构并入统一分类，弃用 ECODf 改用 Pfam，部署 DrugDomain；
2026 AFDB Swiss-Prot 论文（PLoS Comput Biol）——DPAM 规模化分类超百万域。

这条产品线体现的是基础设施的长期迭代——不是一次性发布一个数据集然后无人维护，而是十二年持续投入、版本持续演进。

8.2 与 PDB 的共生关系

ECOD 与 PDB（Protein Data Bank）形成一种共生：

PDB → ECOD：PDB 每周释放新结构，ECOD 是这些结构的下游消费者与组织者；
ECOD → PDB 用户：RCSB PDB 的 browse 选项集成了 ECOD 浏览器，让 PDB 用户能直接看到某结构的域被分到了哪个演化组。

“每条结构在 PDB 发布后一周内完成分类” 这条承诺，让 ECOD 成为 PDB 生态里"最新的结构分类解释层"。

8.3 与 AlphaFold 生态的融合

2021 年 AlphaFold2 掀起结构预测革命后，ECOD 迅速响应：

先用 DPAM 处理 48 个全蛋白组（536,808 蛋白 / 746,349 域）；
再扩展到 Swiss-Prot（542,378 蛋白 / 1,032,610 域）；
最终宣称 PDB + AFDB 合计超 180 万域。

这次融合让 AlphaFold 的预测结构从"一堆坐标文件"变成"能挂在演化树上的知识节点"——预测结构可以继承实验结构积累的功能注释。论文作者把它视为"将高置信度结构预测锚定在进化框架中"。

8.4 DrugDomain：向药物发现的延伸

NAR 2025 论文首次讨论了 DrugDomain 的部署——一个建立在 ECOD 之上的域-配体相互作用数据库。这是 ECOD 从"分类体系"向"功能性资源"延伸的信号：不仅告诉你域属于哪个演化组，还告诉你它和什么配体结合。对药物靶点发现与虚拟筛选有直接价值。

8.5 与序列分类的协作生态

ECOD 与 Pfam 的关系已成为结构-序列两类分类协作的范例：ECOD 提供结构层面的演化骨架，Pfam 提供序列层面的家族定义，两者通过 F-组对接。NAR 2025 论文明确把这称为"通过消除重复劳动改进两个分类"。

8.6 影响力指标（留痕）

截至 2026-09-19（Europe PMC），NAR 2025 整合论文已有 32 次引用；Bioinformatics 2018 家族库论文有 6 次引用。这些引用量反映 ECOD 作为参考资源被持续使用的程度。

§9 与库内条目的关系：ECOD 的互链网络

9.1 强互链：pfam（rid=1043）

最直接的库内关联是 Pfam（rid=1043）。理由：

ECOD 的 F-组现在直接依赖 Pfam——每个 F-组映射单一或复合 Pfam 家族；
无对应 Pfam 家族的域只能记至 T 级（.0 伪组）；
两个团队有直接协作（NAR 2025 论文作者含 Pfam 联盟的 Alex Bateman、Antonina Andreeva 等）。

读者用 ECOD 查"演化分组"，用 Pfam 查"序列家族"——两者是同一枚硬币的两面。

9.2 强互链：alphafold（rid=573）

AlphaFold（rid=573） 是 ECOD 2025/2026 扩展的数据来源。ECOD 把 AFDB 预测结构分类进演化框架，是 AlphaFold 下游应用的一个典型范式。库内 alphafold 条目（注意库内另有重复 rid=40）与本条目构成"数据源 → 分类器"的上下游关系。

9.3 互链：pdb（rid=43）

PDB（rid=43） 是 ECOD 分类对象的实验结构来源。ECOD 的立库根基就是从 PDB 沉积出发。两者是"原始结构库 → 结构域分类"的关系。

9.4 互链：pdbbind（rid=134）

PDBbind（rid=134） 是蛋白-配体结合亲和力数据库。它与 ECOD 的关联点在于 DrugDomain（域-配体相互作用）。对做药物发现或结合预测的用户，ECOD 的域划分 + PDBbind 的结合数据可以组合使用。

9.5 邻近：蛋白/组学条目

proteingym（rid=813）——蛋白适应度/变异效应预测基准，涉及蛋白序列-功能映射，与 ECOD 的"功能注释迁移"话题邻近；
human-protein-atlas（rid=404）——人类蛋白质表达图谱，属蛋白质组学邻近条目；
polypdb（rid=779）——蛋白结构相关。

9.6 重要消歧：库内无 CATH/SCOP 条目

库内目前没有 CATH 或 SCOP/SCOP2 的条目。 这一点在检索时容易踩坑：

DB 中 cathaction（rid=937）是手术视频动作分割数据集，与蛋白质分类的 CATH 毫无关系（只是名字里恰好有 “cath” 子串）；
pfam（rid=1043）是独立的序列家族库，是 ECOD 的协作伙伴而非别名。

因此本条目不应把 cathaction 当作同域互链，也不应把 pfam 当作重复条目。若未来库内新增 CATH/SCOP 条目，再补互链。

9.7 检索路径建议

想理解"ECOD 与序列分类的关系" → 互链 pfam（1043）；
想理解"ECOD 如何扩展 AlphaFold" → 互链 alphafold（573）；
想理解"ECOD 的结构来源" → 互链 pdb（43）；
想探索"域-配体相互作用" → 互链 pdbbind（134）；
想对比"蛋白序列-功能"话题 → 互链 proteingym（813）。

§10 避坑清单：使用 ECOD 的九个坑

坑 1：规模数字脱离版本时点引用

最常见也最致命的坑。 ECOD 域数从 2013 年的 317,021 涨到 2025 年的超 1.8 M，中间还有 develop285 的 898,379。如果只写"ECOD 有 X 个域"而不标时点，几乎必然误导读者。
正确姿势：一律写"截至某版本/论文，ECOD 有 X 域"。

坑 2：把 ECOD 当成"带标签的 ML 数据集"

ECOD 没有 train/test 划分，没有为任务设计的 baseline。它是分类参考体系。若直接丢给机器学习框架当数据集用，会因缺少输入-输出对而无法训练。
正确姿势：自己按域边界抽取序列/结构片段，用层级归属构造标签。

坑 3：把 F-组当 ECOD 自产

ECOD 的 F-组现直接依赖 Pfam。若引用 F-组做序列家族分析，实际用的是 Pfam 的家族定义，需同时引用 Pfam。ECOD 自产的 ECODf 家族库已弃用。

坑 4：忽略"无 fold 层"这一设计差异

ECOD 没有 SCOP 式的 fold 层。如果拿 SCOP fold ID 与 ECOD T-group ID 做直接映射，或在论文里说"ECOD fold 层"，都是错的。ECOD 的对应层是 X-group（可能同源）。

坑 5：混用域数口径与残基数口径

AFDB 论文里 simple_topology 按域数占 9.2%，按残基数只占 2.54%。评估分类质量时两个口径结论不同，必须说清用的是哪个。

坑 6：把 AFDB 分类等同于实验结构分类

AFDB 部分的分类对象是 AlphaFold 预测结构，依赖预测质量。pLDDT 低的区域（尤其真核无序区）分类置信度低；Swiss-Prot 约 2.8% 蛋白完全未能分类。不要把预测结构的分类结果与 PDB 实验结构的分类结果等同看待。

坑 7：默认远端同源判定是"客观真理"

X-组/H-组的远端同源判定含人工审编成分，边界存在主观性。不同审编者在难例上可能不一致——团队专门发过人工分类策略论文来规范这件事。引用具体同源关系时，最好回到原始证据。

坑 8：把 `cathaction` 当同域条目互链

库内 cathaction（rid=937）是手术视频分割数据集，与蛋白质分类的 CATH 无关。检索时不要因名字含 “cath” 而误链。

坑 9：用未标注时点的"ECOD 家族数"做统计

“9,000 序列家族”（2014 摘要约数）与"F-组 8,947"（v22b 精确值）是同一时点的两个口径。用家族数做任何定量比较前，先确认版本与时点。

§10.1 案例解剖：ECOD 的分类逻辑如何工作

10.1.1 案例一：β-螺旋与 RIFT 桶——同源但拓扑不同

这是 ECOD 展示其"同源优先"价值最经典的例子。

背景：某些 β-螺旋蛋白与 RIFT 桶蛋白在几何形状上差异明显——β-螺旋是缠绕的螺旋状排列，RIFT 桶是桶状闭合结构。在纯拓扑分类里，它们会因形状不同被分到不同的 fold。

ECOD 的判定：ECOD 认为它们同源（有共同祖先的结构证据），因此把它们放在同一个 H-组（血缘统一），但分成不同的 T-组（拓扑差异记录）。

意义：如果只看 SCOP 式的 fold 分类，会得到"它们是两类蛋白"的结论；ECOD 给出的是"它们是一家人，只是后来长得不一样了"。后者才是演化真相。创库论文专门用 Rift-related metafold 作为 Figure 2 的示意，说明这个设计意图。

10.1.2 案例二：globin——教科书级的层级导航

ECOD 官方文档给出的一个层序遍历示例：

A: alpha arrays（架构）
  └── X: Globin-like（可能同源）
        └── H: Globin-like（同源）
              └── T: Globin（拓扑）
                    └── F: Globin（家族）

这个例子完美展示了五级层级如何从最粗泛的形状，逐级收窄到最具体的家族。用户可以从"A: alpha arrays"这个极宽的入口进入，一路走到"F: Globin"这个具体的家族。

对用户的价值：即使不知道目标蛋白叫什么，也可以从架构入口探索；反之，如果知道了家族名（如 globin、GFP），可以直接搜索跳到对应节点。

10.1.3 案例三：P-loop / Rossmann / TIM barrel——AFDB 扩展的重灾区

这三个折叠是酶学里最普遍、最古老的折叠之一。ECOD 在 AFDB Swiss-Prot 扩展中，它们获得的新增域数最多：

ECOD X-组	名称	新增域数
X:2004	P-loop domains	+34,856
X:2003	Rossmann-like	+31,705
X:2002	TIM barrels	+22,673

为什么是它们？ 因为这些折叠：① 极其普遍（几乎所有基因组都有）；② 功能多样（同一种折叠能承载不同催化功能）；③ 在细菌中高频出现。AlphaFold 覆盖了整个 Swiss-Prot，这些"万金油折叠"自然获得最多的新成员。

分类学例外：也有折叠呈现相反的模式——免疫球蛋白样 β-夹心（X:11）60.7% 真核；重复 α-发夹（X:109）83.8% 真核。这些是真核特有或真核富集的折叠，因此新增成员主要来自真核。

10.1.4 案例四：Notch 的 42 个域——多域蛋白的极端

AFDB Swiss-Prot 分类中发现的最大域数是 42 个，出现在脊椎动物的 Notch 蛋白。

为什么值得记？ 因为 Notch 是一个典型的多域信号蛋白——它由大量重复的结构域（如 EGF 样重复、ankyrin 重复等）串联而成。ECOD 能把这样一个"域串联密集"的蛋白拆成 42 个独立记录，正说明其域解析能力对复杂多域蛋白也有效。

反向意义：这也提醒使用者，一个蛋白在 ECOD 里可能对应几十个域记录——查询时要按域而非按蛋白组织结果。

§10.2 时间线：ECOD 的十二年与结构生物学的三次浪潮

把 ECOD 的发展史放到结构生物学的大背景下，可以看到清晰的三波对应：

时期	结构生物学事件	ECOD 的响应
2014 前后	PDB 稳定增长，SCOP/CATH 更新滞后	创库，提出每周同步 + 同源优先（填补空白）
2018–2021	冷冻电镜（cryo-EM）爆发，结构产出加速	家族库（2018）+ 检索协议（2021），强化规模处理
2021–2025	AlphaFold2 革命，预测结构海量涌现	DPAM 管线 + AFDB 整合，域数推到 180 万
2025–至今	预测结构成为常态，结构-功能耦合成焦点	DrugDomain 部署，向功能性资源延伸

这条时间线的启示：ECOD 的生命力在于每一波浪潮都做了响应。PDB 时代它解决了"更新太慢"；预测结构时代它解决了"如何把百万预测锚定到演化框架"。一个数据库能活十二年并持续被引用，靠的正是这种跟着生态演进的能力。

§10.3 与 CATH/SCOP 的深度对照（检索者必读）

由于库内没有 CATH/SCOP 条目，但用户很可能带着"ECOD 和 CATH/SCOP 什么区别"的问题来，这一节集中回答。

10.3.1 三者的一句话定位

SCOP / SCOPe / SCOP2：人工精审的、偏功能与演化的结构分类。质量高，但更新慢。层级：Class → Fold → Superfamily → Family（SCOP2 用更灵活的网状结构）。
CATH：大部分自动、偏几何的结构分类。四个字母即四层：Class → Architecture → Topology → Homologous superfamily。
ECOD：自动+人工混合、演化同源优先、每周更新的结构分类。层级：A → X → H → T → F。

10.3.2 关键差异矩阵

问题	SCOP	CATH	ECOD
首要依据	功能+演化（人工判）	几何/拓扑	演化同源
是否有 fold/topology 层	有（fold）	有（topology）	有 T，但无 fold 层
是否有"可能同源"层	无	无	有（X）
更新频率	很慢（大版本）	慢（周期性）	每周
自动化程度	低（几乎全人工）	高	中（自动+人工混合）
覆盖规模	最小	中	最大
特色主张	人工权威	几何清晰	最多演化链接 + 最新

10.3.3 为什么三者不能互相替代

SCOP 的人工精审提供了最高质量的边界判断，适合需要"金标准"的小规模研究；
CATH 的几何清晰性适合需要明确拓扑定义的分析；
ECOD 的更新速度与远端同源覆盖适合需要"最新、最全同源关系"的大规模分析。

一个常见的实践是三库交叉验证：创库论文统计的三库共享域对占 49.5%，说明有一半以上重叠，但也有大量各自独有——ECOD 独有的 36.6% 正是它的增量价值。

10.3.4 检索时的映射注意

如果要把 ECOD 的分组与其他体系映射：

ECOD 的 H-组 ≈ SCOP superfamily / CATH homologous superfamily（但 ECOD 的 H 可能跨多个 SCOP fold）；
ECOD 的 T-组 ≈ SCOP fold / CATH topology；
ECOD 的 A-组 ≈ SCOP class 与 fold 之间 / CATH class+architecture；
ECOD 的 F-组 ≈ Pfam 家族（不是 SCOP family，虽然语义相近）。

警告：这些是语义近似，不是精确映射。ECOD 有 53 个 H-组跨 ≥2 个 SCOP fold、169 个跨 ≥2 个 CATH topology——这些情形下，"ECOD 的 H-组 = 单一 SCOP superfamily"的假设就不成立。

§10.4 对三类读者的行动清单

10.4.1 对结构生物信息学研究者

把 ECOD 官网加入书签，熟悉 PDB ID / 序列 / 关键词三种检索；
对感兴趣的蛋白，层序遍历 A→X→H→T→F，理解其演化位置；
做同源分析时，把 ECOD 的 H-组作为主要依据，X-组作为探索性线索；
引用分组时务必标注版本。

10.4.2 对 ML 工程师

明确 ECOD 是标签体系而非数据集——设计自己的输入-输出对；
用 H-组构造同源正例池；
用域边界做序列/结构切分，注意不连续域；
固化版本快照以保证可复现。

10.4.3 对药物发现研究者

关注 DrugDomain（域-配体相互作用）；
用 ECOD 的域归属找到同源靶点，做功能推断；
结合 PDBbind（rid=134）做结合亲和力分析。

§11 总结与选型建议

11.1 三句话总结

ECOD 是"按血缘而非按形状"组织的蛋白质结构域分类数据库——五级层级 A/X/H/T/F 中，同源（H）是核心，几何（A）只是浏览入口，还专门设有 X 层处理"疑似同源"。
它最不可替代的两个特性是"每周跟随 PDB 更新"与"编录远端同源"——前者让它始终是最新结构分类解释层，后者让它记录了 36.6% 其他体系（SCOP/CATH）都没有的同源链接。
2021 年后它通过 DPAM 管线吞下了 AlphaFold Database 的预测结构，把 PDB + AFDB 合计超 180 万域锚定在统一的演化框架里，成为结构预测时代的知识骨架。

11.2 适合谁

结构生物信息学研究者：需要理解蛋白演化关系、做同源分析、构建比对；
功能注释流水线开发者：需要用"结构层面的同源分组"补足序列方法（Pfam）看不到的远端关系；
AlphaFold 下游应用开发者：需要把海量预测结构挂到演化树上，继承实验结构的知识；
药物靶点发现者：关注 DrugDomain（域-配体相互作用）；
结构预测评估者：需要区分 homolog 与 analog，避免"长得像但没关系"的陷阱；
任何需要"同源分组"标签的 ML 实践者：可用 H-组构造同源正例集。

11.3 不适合谁

想要"即插即用带标签 ML 数据集"的人：ECOD 是分类参考体系，没有 train/test 划分，需要自己按域边界抽取特征；
只关心单一物种/单一蛋白的人：ECOD 的价值在全局演化视角，单点查询用具体的结构工具可能更直接；
需要"材料科学级"确定标签的人：远端同源判定含人工成分，边界存在主观性；
无法处理版本时点标注的人：如果引用时不标版本，几乎必然出错。

11.4 30 秒决策卡

你要做什么？
├── 查某个蛋白/域的演化分组
│   └── 官网 prodata.swmed.edu/ecod，用 PDB ID / 序列搜索（免费）
├── 做大规模生信 / ML 流水线
│   └── 下载官网可分发数据文件 + 注意版本时点（§4 表）
├── 处理 AlphaFold 预测结构
│   └── 看 AFDB 分类入口 index_af2.php + Zenodo 数据
├── 查序列家族
│   └── 转 Pfam（ECOD F-组直接依赖它）
├── 查域-配体相互作用
│   └── DrugDomain（NAR 2025 首次部署）
└── 只要"蛋白分类"的百科理解
    └── 本文 §2 + §3

FAQ（高频问答 28 问）

A. 基础认知

FAQ1：ECOD 的中文名怎么翻？
官方全称 Evolutionary Classification of Protein Domains，常用译法「蛋白质结构域演化分类（数据库）」。

FAQ2：ECOD 和 Pfam、CATH、SCOP 哪个先出现？
SCOP 最早（1990 年代），CATH 随后，Pfam 是序列库，ECOD 2014 年创库。

FAQ3：ECOD 名字里的 “Evolutionary” 具体体现在哪？
体现在三个设计选择：① 分组首要依据是 homology 而非 topology；② 设有 X 层专门处理"疑似同源"；③ 无 fold 层（认为 fold 主观，会把演化信号和形状信号混淆）。

FAQ4：ECOD 有五级还是六级？
五级：A（架构）/ X（可能同源）/ H（同源）/ T（拓扑）/ F（家族）。注意没有 fold 层。

FAQ5：ECOD 的架构（A）有多少个？
20 个。A 层主要为用户浏览便利而设，不直接对应演化分组。

FAQ6：ECOD 的 ID 长什么样？
数值点分格式，如 101.1.1。X/H/T/F 各层 ID 跨版本稳定。

FAQ7：为什么 ECOD 没有 fold 层？
因为团队认为 fold 是主观的几何概念，用它当分类依据会混淆"同源"与"形似"。ECOD 用 X-group（可能同源） 承担类似功能。

FAQ8：ECOD 是数据库还是数据集？
数据库 / 分类参考体系。它不提供带输入输出对的 ML 任务数据集。

B. 数据与规模

FAQ9：ECOD 有多少个域？
取决于时点：317,021（v22b, 2013）→ 898,379（develop285）→ 超 1.8 M（NAR 2025，PDB+AFDB）。引用必须标时点。

FAQ10：ECOD 覆盖多少蛋白？
NAR 2025 宣称超 1,000,000 蛋白（PDB + AFDB 合计）。

FAQ11：ECOD 的 F-组有多少？
v22b 时点 8,947 个（7,156 映射 Pfam + 1,622 未映射）；创库论文摘要另提"约 9,000 序列家族"（约数）。

FAQ12：ECOD 的 H-组有多少？
摘要说"接近 2,000 演化组"；正文数据推算约 1,971 个 H-组。

FAQ13：ECOD 与 SCOP/CATH 比，规模谁大？
创库论文时点：ECOD 93,663 PDB / 239,303 链 > CATH v3.5 51,334 PDB > SCOP 1.75 38,221 PDB。ECOD 覆盖面最大。

FAQ14：有多少同源链接只有 ECOD 有？
36.6% 的同源域对仅见于 ECOD（SCOP/CATH 都没有）。ECOD 同源域对总数 1,030,085，SCOP 711,894，CATH 680,726。

C. 获取与许可

FAQ15：ECOD 怎么下载？
官网 http://prodata.swmed.edu/ecod，免费、无需注册，提供可分发数据文件。

FAQ16：ECOD 的 license 是什么？
论文 CC BY 4.0（PLoS）；数据库本体经官网公开免费获取。具体文件 license 以官网实时声明为准。

FAQ17：ECOD 有 Zenodo 数据吗？
有。AFDB 分类衍生数据经 Zenodo 发布，Swiss-Prot 论文数据为 doi:10.5281/zenodo.16856663。

FAQ18：ECOD 怎么检索？
通过 PDB ID、关键词、或蛋白序列搜索；也支持结构搜索。

FAQ19：ECOD 和 PDB 什么关系？
PDB 是 ECOD 的分类对象来源（实验结构）；ECOD 每周同步 PDB 发布，RCSB PDB 的 browse 也集成了 ECOD 入口。

FAQ20：怎么拿到 AlphaFold 部分的分类？
AFDB 分类入口页 index_af2.php + Zenodo 发布的数据。

D. 方法与质量

FAQ21：ECOD 怎么自动分类新结构？
六步管线：去非可分类区 → 序列管线（链 BLAST / 域 BLAST / 域 HHsearch）→ PDP 边界优化 → HMMER/Pfam + HHsearch 家族微调 → DaliLite 结构管线 → 人工审编。

FAQ22：ECOD 多久更新一次？
每周跟随 PDB 发布，承诺每条新结构发布后一周内完成分类。

FAQ23：DPAM 是什么？
Domain Parser for AlphaFold Models，面向 AlphaFold 预测结构的域解析器：用残基间性质划分候选域，神经网络结合序列/结构比对分配给 ECOD 参考。

FAQ24：ECOD 的 AlphaFold 分类质量如何？
DPAM 平均概率 0.992；84.1% 域 DPAM>0.9；good_domain 占 80.34%（占残基 87.25%）；Swiss-Prot 约 2.8% 蛋白未能分类。

FAQ25：ECOD 的 F-组是谁定义的？
Pfam。ECOD 弃用了自产的 ECODf 家族库，改依赖 Pfam 家族定义。

FAQ26：ECOD 发现了多少"未映射 Pfam"的域？
超过 100,000 个域无 Pfam 映射；其中 52,644 个是 good_domain。这些缺口后来引导 Pfam 创建新家族。

E. 生产与库内

FAQ27：库内有哪些可以互链的条目？
pfam(1043)、alphafold(573)、pdb(43)、pdbbind(134)、proteingym(813)、human-protein-atlas(404)、polypdb(779)。库内无 CATH/SCOP 条目（cathaction=937 是无关的手术视频数据集）。

FAQ28：ECOD 是哪个机构做的？
Grishin 实验室（UT Southwestern Medical Center 德克萨斯大学西南医学中心 + HHMI 霍华德·休斯医学研究所，Dallas, Texas）。创始 PI Nick V. Grishin，现任联络人 R. Dustin Schaeffer。

附录 A：版本链与文献谱系

年份	事件	文献
2014	创库，建立五级层级与自动管线	PLoS Comput Biol 10(12):e1003926
2015	人工分类策略规范化	Proteins 83(7):1238-1251
2018	序列家族库 ECODf	Bioinformatics 34(17)
2021	检索协议 + 可分发文件	Current Protocols（PMC8580282）
2021+	DPAM 处理 48 whole proteomes	PLoS Comput Biol e1011586
2025	整合预测结构，弃用 ECODf，部署 DrugDomain	Nucleic Acids Res 53(D1)
2026	AFDB Swiss-Prot 规模化，v293，新增 260 F-组	PLoS Comput Biol 22(3):e1013431

版本号链：v22b（2013-07-31）→ develop285 → v293（2026）→ 内部号随每周释放递增。

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	9	半个世纪积累的文献家族（2014/2015/2018/2021/2025/2026）+ PDB/RCSB 浏览集成 + 官网直连；检索入口清晰
A 可获取性	9	官网公开免费、无需注册、提供可分发文件；AFDB 衍生数据 Zenodo 直连——几乎无摩擦，是同类资源里最好的
I 可互操作	8	文本分类表 + 序列 + HMMER profile；与 Pfam/PDB/AFDB 标准衔接；AFDB 数据 Zenodo 标准化发布
M 元数据质量	8	多篇论文表格完备（Table 1 统计、来源五渠道）；但规模数字多版本口径易误用（§4 表）、F-组依赖外部 Pfam 略降
S 可持续性	7	十二年持续更新、HHMI + NIH/NSF/Welch 资助、每周同步机制稳固；但依赖单一实验室（Grishin lab）与外部 Pfam 联盟
综合评级	8.2/10（优秀）	作为长期基础设施，可获取性与更新频率是同类最佳；主要风险在元数据版的引用歧义与单实验室依赖

附录 C：逐项证据链自证

关键数字	来源	位置
五级层级 A/X/H/T/F	Cheng 2014 摘要+正文	PMC4256011
~100,000 结构 / 9,000 家族 / ~2,000 演化组	Cheng 2014 摘要	PMC4256011
v22b 317,021 域 / F 8,947 / X 1,799	Cheng 2014 Table 1	PMC4256011
20 个 architecture	Cheng 2014 正文	PMC4256011
域来源五渠道数字	Cheng 2014 Table 1	PMC4256011
同源域对 1,030,085 / 36.6% 仅 ECOD	Cheng 2014 正文	PMC4256011
每周 134.1±40.4 链自动分类	Cheng 2014 正文	PMC4256011
88.3% topology / 1,032,610 域	Schaeffer 2026 AFDB Swiss-Prot	e1013431
746,349 域 / develop285 898,379 域	48 proteomes 论文	e1011586
>1.8M 域 / >1M 蛋白	Schaeffer 2025 NAR	PMID 39565196
DPAM / 判级四类	Schaeffer 2026 方法节	e1013431
CC BY 4.0 / 数据可用性	Cheng 2014 版权+数据声明	PMC4256011
Zenodo doi:10.5281/zenodo.16856663	Schaeffer 2026 数据声明	e1013431
机构 UT Southwestern + HHMI	Cheng 2014 作者单位	PMC4256011
可分发文件	Current Protocols 2021	PMC8580282

附录 D：数据获取决策树

需求是什么？
├── 查单个蛋白/域的演化分组
│   └── 官网 prodata.swmed.edu/ecod（PDB ID / 关键词 / 序列检索）
├── 大规模生信 / ML 流水线
│   ├── 1) 下载官网可分发数据文件（域边界+分类表+序列+profile）
│   ├── 2) 记录版本时点（§4 表，务必标时点）
│   └── 3) 按域边界自抽特征构造标签
├── 处理 AlphaFold 预测结构
│   └── AFDB 入口 index_af2.php + Zenodo（doi:10.5281/zenodo.16856663）
├── 查序列家族
│   └── 转 Pfam（ECOD F-组直接依赖它）
├── 查域-配体相互作用
│   └── DrugDomain（NAR 2025 首次部署）
└── 只要百科理解
    └── 本文 §0-§4 + §10 避坑清单

事实清单（硬事实 40 条）

ECOD 全称 Evolutionary Classification of Protein Domains，2014 年创库，中文可译「蛋白质结构域演化分类数据库」。
创库论文：Cheng et al., PLoS Comput Biol 2014;10(12):e1003926，doi:10.1371/journal.pcbi.1003926，PMC4256011，PMID 25474468。
机构：UT Southwestern Medical Center 德克萨斯大学西南医学中心 + HHMI；创始 PI Nick V. Grishin；现任联络人 R. Dustin Schaeffer。
五级层级：A 架构 / X 可能同源 / H 同源 / T 拓扑 / F 家族。
ECOD 无 SCOP 式 fold 层——团队认为 fold 是主观几何概念。
A 层 20 个架构，主要为浏览便利，不直接对应演化分组。
X 层（可能同源）是 ECOD 独有层，处理结构相似但同源未确证的域。
H 层（同源）是核心，可含比 SCOP superfamily / CATH homologous superfamily 更远的联系。
T 层（拓扑）专门容纳"同源但不同 fold"的情形。
F 层（家族）现直接依赖 Pfam，每个 F-组映射单一或复合 Pfam 家族。
无对应 Pfam 家族的域仅记至 T 级，获 .0 伪 F-id。
X/H/T/F 各层有跨版本稳定的数值 ID（如 101.1.1）。
ECOD 以结构域（非整链）为记录单位，处理域插入造成的不连续域。
v22b（2013-07-31）域总数 317,021；F-组 8,947（7,156 映射 Pfam）；X-组 1,799；H-组约 1,971。
域来源五渠道（v22b）：ASTRAL40 重分类 11,462 / SCOP 映射 98,702 / 新域人工审编 4,373 / 自动同源检测 153,381 / MUSCLE 非代表序列 48,817。
创库论文摘要：约 100,000 结构分入 9,000 序列家族、近 2,000 演化组。
develop285 参考版含 898,379 域 / 599,852 链 / 179,294 PDB 沉积。
48 proteomes（DPAM2）分类 746,349 域 / 536,808 蛋白 / 226,424,000 残基。
NAR 2025 整合宣称：超 1.8 M 域 / 超 1,000,000 蛋白（PDB + AFDB）。
AFDB Swiss-Prot 分类 1,032,610 域 / 542,378 蛋白，覆盖 3,493 topology（88.3%）。
自动六步管线：去非可分类区 → 链/域 BLAST + 域 HHsearch → PDP 边界优化 → HMMER/Pfam + HHsearch 家族微调 → DaliLite 结构管线 → 人工审编。
序列管线三段式：链 BLAST（E<2e-3，未覆盖<10 残基）/ 域 BLAST（E<2e-3，覆盖>80%）/ 域 HHsearch（HHblits 谱）。
每周同步 PDB：约 89% 非冗余链自动分类（平均 134.1±40.4 条/周）；11.7±4.9 链人工代表；5.1±3.2 链无域。
承诺：每条结构在 PDB 发布后一周内完成分类（ECOD 独有）。
DPAM（Domain Parser for AlphaFold Models）用残基间性质划分候选域、神经网络分配。
DPAM 判级四类：good_domain / partial_domain / low_confidence / simple_topology。
AFDB 分类 DPAM 平均概率 0.992；84.1% 域 DPAM>0.9；good_domain 占 80.34%（占残基 87.25%）。
AFDB Swiss-Prot pLDDT 中位数 91.35（对比 48P 78.01）；平均每蛋白 1.96 域；最大 42 域（Notch）。
Swiss-Prot 未分类蛋白 15,382（约 2.8%）；分类学覆盖 3 超界 / 91 门 / 10,254 物种。
同源域对总数：ECOD 1,030,085 / SCOP 711,894 / CATH 680,726；36.6% 仅见于 ECOD。
规模对比（创库时点）：ECOD 93,663 PDB / 239,303 链；CATH v3.5 51,334 PDB；SCOP 1.75 38,221 PDB。
53 个 ECOD H-组跨 ≥2 个 SCOP fold；169 个跨 ≥2 个 CATH topology；36 个跨 >1 个 CATH class。
AFDB Swiss-Prot 新增 260 个 F-组（233 简单 + 27 复合），其中 110 个含 Swiss-Prot 域。
X-组扩张 Top 3：P-loop（X:2004）+34,856 / Rossmann-like（X:2003）+31,705 / TIM barrels（X:2002）+22,673。
100,000 域无 Pfam 映射；good_domain 中 93.6% 可映射 Pfam；Pfam 38.2 捕获 8,797 个（归因 2,090 新家族）。
连续域 85.60% / 不连续域 14.40%（占残基 79.70% / 20.30%）。
序列聚类：40% 一致性 158,942 簇；70% 380,622 簇；99% 758,709 簇。
获取：官网 prodata.swmed.edu/ecod 公开免费、无需注册；AFDB 分类经 Zenodo（doi:10.5281/zenodo.16856663）。
论文 license CC BY 4.0（PLoS）/ Oxford 开放获取（NAR）；数据库本体 license 以官网实时声明为准。
DrugDomain：基于 ECOD 的域-配体相互作用数据库，NAR 2025 首次部署。

术语表（28 条）

术语	释义
结构域（domain）	蛋白中能独立折叠、独立演化、往往独立行使功能的区域；ECOD 的记录单位
Architecture（A）	ECOD 最顶层，按二级结构组成与几何形状分组的 20 个架构
Possible homology（X）	ECOD 独有层，结构相似但同源未确证的域
Homology（H）	ECOD 核心层，有明确共同祖先证据的域
Topology（T）	按拓扑连接细分 H-组的层，容纳"同源但不同 fold"
Family（F）	显著序列相似的家族层，现直接依赖 Pfam
fold	蛋白质三维折叠模式；ECOD 刻意避免的几何概念
homology（同源）	来自共同祖先的关系
homolog / analog	同源物 / 类似物（收敛演化造成的形似但无血缘）
远端同源（remote homology）	关系疏远、序列方法难检测的同源
域插入（domain insertion）	一个域被另一个域从中间打断，产生不连续域
不连续域	残基在序列上分成多段的域
PDP	Protein Domain Parser，ECOD 用于边界优化的结构域解析器
DPAM	Domain Parser for AlphaFold Models，面向预测结构的域解析器
SSE	Secondary Structure Element，二级结构元件（螺旋/折叠等）
DaliLite	结构相似性比对工具
HHsearch / HHblits	谱-谱远同源检测工具
HMMER	隐马尔可夫模型序列比对工具，ECOD 用于 Pfam 映射
MUSCLE	多序列比对工具
CD-HIT	序列聚类工具
pLDDT	AlphaFold 预测的每残基置信度
PAE	Predicted Aligned Error，AlphaFold 预测的对齐误差
ASTRAL40	SCOP 的非冗余子集（40% 序列一致性）
ECODf	ECOD 早期自产家族库，现已弃用
DrugDomain	基于 ECOD 的域-配体相互作用数据库
Pfam	蛋白质家族与结构域数据库，ECOD F-组的家族定义来源
SCOPe / SCOP2	SCOP 的更新/新版本
CATH	Class-Architecture-Topology-Homologous superfamily 结构分类

写作说明：本条目依据 ECOD 官网（prodata.swmed.edu/ecod）与六篇核心文献（PLoS Comput Biol 2014/2026、NAR 2025、Bioinformatics 2018、Proteins 2015、Current Protocols 2021、PLoS Comput Biol 48P）撰写，所有硬数字均标注来源时点。ECOD 为持续更新的活数据库，本文规模数字以已发表论文口径为准，实时精确数字请以官网为准。

许可提示：ECOD 数据库本体经官网公开免费获取（无需注册），论文文本为 CC BY 4.0（PLoS）/ Oxford 开放获取（NAR）。