信息速览

数据集名称Pfam — 蛋白质家族与结构域数据库，InterPro 联盟最大成员库

数据类型参考数据,序列数据,开放许可

规模不适用（非患者数据集；规模以 Pfam 条目/家族/clan 计）

接入方式Pfam-A 条目集（25,545@38.0 / 27,481@38.1 / 30,134@38.2）= seed 多序列比对 + profile HMM + full 比对 + clan 归并表；源自 UniProt Reference Proteomes 与 UniProtKB，随 InterPro 发布

AI 就绪度

INFOBOX — Pfam 一屏速览

维度内容

本体 蛋白质家族与结构域数据库，每条目 = seed 多序列比对 + profile HMM

定位 单一成员库（member database）；2015 起隶属 InterPro 联盟并为其覆盖主力

维护 EMBL-EBI（英国 Hinxton）+ InterPro 联盟协作方；1998 年建于 Sanger Institute

官方站 pfam.xfam.org 已静态化停更，数据统一走 https://www.ebi.ac.uk/interpro/

规模 38.0=25,545 entries/796 clans；38.1=27,481/812；38.2=30,134 signatures（随 InterPro 110.0）

覆盖 UniProtKB 2026_03：83.0% 匹配整合签名（任一签名 85.1%）

层级 entry 6 类（Family/Domain/Repeat/Motif/Coiled-Coil/Disordered）+ clan 宗族归并

引擎 HMMER 3.x profile-HMM 搜索，gathering threshold（--cut_ga）判命中

许可数据 CC0 1.0（免署名可商用）；论文版权归 OUP（≠ 数据许可）

AI 化 Pfam-N 深度学习扩展家族覆盖（+8.8% UniProtKB 覆盖）、AlphaFold 精修 domain 边界

消歧 Pfam = 单一库；InterPro = 整合框架（含 PROSITE/PRINTS/SMART/PANTHER/CDD…）

库内互链 InterPro（整合框架，同批生产）、UniProt/ECOD/PDB/CATH/SUPERFAMILY（互操作）

Pfam（Protein families database）是生物信息学里"给蛋白质认亲"的基石资源：它把自然界形形色色的蛋白质拆解成可复用的结构域与家族单元，每个单元用一份人工审定的多序列比对（seed alignment）和一枚由它训练出来的**profile 隐马尔可夫模型（HMM）**来表征。任何一条新测序的蛋白质序列，只要用手里的 HMMER 去撞 Pfam 的模型库，就能问出"你身上带着哪些已知结构域、最像哪个家族"——这正是基因组注释、宏基因组功能刻画与蛋白功能推断的基本动作。

理解 Pfam 必须抓住一个容易混淆的身份问题：Pfam 不是"整合数据库"，而是一个"成员库"。自 2015 年起，Pfam 作为成员库加入了 InterPro 联盟，与 PROSITE、PRINTS、SMART、PANTHER、CDD、CATH-Gene3D 等并列；InterPro 才负责把这些来源各异的签名（signature）整合成一套统一的家族/结构域条目。换句话说，Pfam 提供的是"一种证据"，InterPro 提供的是"综合判决"。本条目会反复回到这条分工线上，避免把 Pfam 的条目数直接当成 InterPro 的规模。

导语读法三则：

只想标注一条蛋白序列：直奔 §6 获取与许可——用 Pfam-A.hmm + HMMER 的 hmmscan --cut_ga 即可，注意版本号。
搞清 Pfam 和 InterPro 谁是谁：直奔 §8 库内关系与消歧——这是本条目花笔墨最多的地方。
做覆盖度/家族发现研究：直奔 §4 规模硬数字与 §7 任务与基准——Pfam-N 的 8.8% 覆盖提升与 AlphaFold 驱动的边界精修是近年主线。

§0 导读：这个「库」到底解决什么问题

§0.1 一个蛋白质，凭什么说它"属于某个家族"

蛋白质是氨基酸串成的长链，但它的功能几乎从不来自"整条链"，而来自链上若干可独立折叠、可独立演化的结构域（domain）。同一个结构域会在成千上万条互不相同的蛋白质里反复出现：一个激酶结构域可能今天挂在这条信号蛋白上，明天挂在另一条完全不同的膜受体上。所谓"蛋白质家族/结构域分类"，本质就是把这种反复出现的功能模块认出来、命名好、建成模型，好让任何一条新序列都能被迅速拆解成"由哪些已知模块拼成"。

Pfam 做的正是这件事，而且做得极简：一个家族 = 一份 seed 比对 + 一枚 profile HMM。seed 比对是人工挑选的少量代表性序列对齐（保证家族特征精准），HMM 由它训练得到（把保守位点的氨基酸偏好编码成概率模型），再用这枚 HMM 去搜 UniProt，把所有能命中的序列收集起来，就得到该家族的 full 比对（全量成员）。seed 是"定义"，full 是"实例"——前者人工、精而少，后者自动、全而多，两者的区别是理解 Pfam 数据格式的关键（§5）。

§0.2 为什么需要"HMM"而不是简单的"相似性搜索"

朴素的 BLAST 相似性搜索擅长找"近亲"——相似度高的序列一眼能对上。但蛋白质家族的真正难点在远缘同源（remote homology）：两条序列可能只共享百分之十几的位点一致度，却折叠成同一个结构、干同一件事。直接比对会漏掉它们。profile HMM 的高明之处在于：它不是拿一条查询序列去比对，而是拿一个概率模型去比对——模型对每个位点都记录了"这里允许多种氨基酸、那里几乎只容忍某一种"，并且对插入/删除有独立的转移概率。这样即便序列在保守位点上换了几颗氨基酸，模型仍能以较高似然命中。这就是为什么 Pfam 用 HMM 而非简单 pattern 匹配，也是为什么下游必须用 HMMER 这套专门搜索 profile HMM 的软件（§5、§6）。

§0.3 从"家族"到"宗族"：clan 解决的重叠难题

当家族越来越多，问题来了：若两枚 HMM 描述的是同一段演化历史的两个侧面，一条序列可能同时命中两者，注释就会重复甚至冲突。Pfam 的解法是 clan（宗族）：把那些"由序列相似性、结构相似性或 profile-HMM 相似性证明彼此相关"的条目归并成一个 clan，明确它们共处一个超家族层级。clan 既是消歧机制，也是 Pfam 向"层级化理解蛋白质演化"迈进的一步——38.0 里有 796 个 clan 收纳 25,545 个条目。

§0.4 Pfam 在 InterPro 时代的新身份

2015 年起，Pfam 的发展主线从"独立建库"转向"作为 InterPro 联盟成员库协同"。这带来三件事：其一，Pfam-N 用深度学习把家族覆盖推得更远（相较标准 Pfam 对 UniProtKB 覆盖提升 8.8%）；其二，AlphaFold 结构预测被用来精修结构域边界、发现仅凭序列难判的新结构域；其三，官方站 pfam.xfam.org 彻底静态化，不再单独发版，数据与版本都跟随 InterPro 节奏。所以在 2026 年谈 Pfam，谈的其实是"InterPro 联盟里的那个最大成员库"。

§0 读法三则：

本条目是"数据库 + 方法学 + 联盟生态"三合一：数据格式在 §5、方法在 §6、与 InterPro 的关系在 §8，切勿只读规模数字。
全文规模数字均带版本号（38.0/38.1/38.2），因为 Pfam 素来"一版一数"，脱号引用必生矛盾（坑 1、坑 2）。
若你是从老教程（提到 pfam.xfam.org 有独立下载页）过来的，先看坑 3：官网已停更，一切以 InterPro 为准。

§1 数据库速览：十问十答

Q1：Pfam 到底是什么？一句话能不能说清？
一句话：Pfam 是一个蛋白质家族与结构域数据库，每个条目由一份人工审定的多序列比对（seed）和一枚由它训练的 profile HMM 表征，用于把任意蛋白序列注释成"由哪些已知家族/结构域拼成"。

Q2：Pfam 和 InterPro 是什么关系？
Pfam 是 InterPro 联盟的一个成员库（member database），不是框架本身。InterPro 把 Pfam、PROSITE、PRINTS、SMART、PANTHER、CDD、CATH-Gene3D 等成员库的签名整合成统一条目。Pfam 是其中覆盖最广的一个——InterPro 110.0 里 Pfam 38.2 的 30,134 条签名有 96.7%（29,136 条）被整合。

Q3：它是谁在维护，什么时候开始的？
1998 年建于英国 Wellcome Trust Sanger Institute，现由 EMBL-EBI 主导维护，并与 InterPro 联盟协作方（Stockholm University、University of Padova 等）共同参与。2015 年起成为 InterPro 成员库。

Q4：现在有多少个家族？
必须带版本号：Pfam 38.0 = 25,545 entries / 796 clans；38.1 = 27,481 entries / 812 clans；38.2（随 InterPro 110.0）= 30,134 signatures。"Pfam 有多少家族"这个问题脱离版本号就没有确定答案（坑 1）。

Q5：它覆盖了多少蛋白质？
以 InterPro 110.0 的实测口径：UniProtKB 2026_03 共 150,006,383 条序列，其中 124,513,028（83.0%）匹配整合签名、127,708,989（85.1%）匹配任一签名。宣传里常见的"80%/90%"过于笼统。

Q6：Pfam 里的条目都长什么样，分几类？
分六类：Family（家族）/ Domain（结构域）/ Repeat（重复）/ Motif（基序）/ Coiled-Coil（卷曲螺旋）/ Disordered（无序区）。所有条目再按相似性归入 clan（宗族）。

Q7：seed 比对和 full 比对有什么区别？
seed 比对是人工挑选的少量代表性序列对齐，用来定义家族、训练 HMM，少而精；full 比对是用训练好的 HMM 去搜 UniProt 后自动收集的所有命中序列对齐，多而全。前者是"定义层"，后者是"实例层"。

Q8：Pfam-A 和 Pfam-B 是什么？
Pfam-A 是人工审定的高质量条目集，是现行 Pfam 的全部内容；Pfam-B 是早期对"无法归入任何家族"的序列做自动聚类的产物，早已废弃、不再维护/更新。今天说 Pfam 指的都是 Pfam-A（坑 5）。

Q9：用什么工具查 Pfam？
HMMER 3.x（如 3.1b2 / 3.4）。典型用法是把蛋白序列对上 Pfam-A.hmm，用 hmmscan/hmmsearch，并以 Pfam 的 **gathering threshold（--cut_ga）**作为命中判定阈值。网页端现在统一走 InterPro 的序列搜索。

Q10：Pfam 的数据能商用吗？
能。Pfam 数据采用 CC0 1.0 Universal（公共领域贡献）——免署名、可商用、可再分发。但要分清：数据是 CC0，描述它的论文版权归 Oxford University Press（NAR 开放获取≠CC0），引用论文时别把 CC0 套上去（坑 4）。

§2 发布机构、版本史与联盟生态

§2.1 维护机构：从 Sanger 到 EMBL-EBI

Pfam 1998 年诞生于英国的 Wellcome Trust Sanger Institute（桑格研究所），这是当年大规模测序与生物信息学基础设施的重镇。随着欧洲生物信息学资源整合，Pfam 的日常维护转入 EMBL-EBI（European Molecular Biology Laboratory — European Bioinformatics Institute，欧洲分子生物学实验室-欧洲生物信息研究所），站点落在英国剑桥郡 Hinxton 校区。EMBL-EBI 同时是 UniProt、InterPro、Ensembl、PDB-Europe 等一系列核心资源的托管方，这让 Pfam 与蛋白质序列库、结构库之间的衔接天然顺畅。

维护并非 EBI 一家独任。Pfam 的论文署名长期是多机构联合团队：EBI 侧（Bateman A.、Paysan-Lafosse T.、Blum M.、Chuguransky S.R. 等）、Swedish 侧（Sonnhammer E.L.L.，Stockholm University，他是 PF00001 条目的署名作者之一）、意大利 Padova 侧（Tosatto S.C.E.、Clementel D.，同时是 PRINTS/PROSITE 相关的结构与功能分类团队）等。这种"多中心 + InterPro 联盟"的协作形态，是理解 Pfam 为何在 2015 年后选择"并入 InterPro 而非独立扩张"的组织基础。

§2.2 版本史：一版一数

Pfam 的版本号是理解其规模数字的前提。近年的关键锚点：

版本	时间（口径见 §9）	entries	clans	备注
32.0	2018-09	17,929	—	常被老教程引用的基线
37.4	2025-06	26,000+（"over"口径）	—	部分二手源据此写"26,000+"
38.0	2025 下半年	25,545	796	官方静态页与第三方分析页互证
38.1	后续小版本	27,481	812	静态页口径
38.2	随 InterPro 110.0（2026-09-03）	30,134 signatures（整合 29,136，96.7%）	—	InterPro 侧最新口径

两点必须记牢：

38.x 内部就有大幅增长：从 38.0 的 25,545 到 38.2 的 30,134，同属"38 大版本"却相差近 4,600 条。因此"Pfam 有多少家族"这个问句，不带版本号就无解（坑 1）。
37.4 的"26,000+"是模糊表述：多个二手源（含 Grokipedia）写"over 26,000 entries"，但同一页面又写 38.0 是"over 26,000"，前后与官方 38.0 的 25,545 并不一致。条目一律以带版本号的官方数字为准。

§2.3 InterPro 联盟：Pfam 现在"住"在谁家

2015 年是 Pfam 定位的分水岭：它成为 InterPro 联盟成员库。InterPro 本身不生产签名，它把各成员库的签名整合成统一的家族/结构域条目，并给出跨库的一致注释。InterPro 版本与 Pfam 版本是"框架-成员"的绑定关系：

InterPro 110.0（2026-09-03）：含 54,922 个 InterPro 条目，整合各成员库——Pfam 38.2（30,134）、CDD 3.21（19,902）、NCBIFAM 20.0（18,950）、PANTHER 19.0（15,683）、CATH-Gene3D 4.3.0（6,631）、PIRSF 3.10（3,285）、HAMAP 2026_01（2,394）、PRINTS 42.0（2,106）、SUPERFAMILY 1.75（2,019）、SMART 9.0（1,322）、PROSITE profiles 2026_01（1,419）、PROSITE patterns 2026_01（1,311）、SFLD 4（303）等。
InterPro 109.0：2026-06-11 发布，为上一版。

Pfam 是其中覆盖最广的成员库：InterPro 110.0 里 Pfam 的 30,134 条签名中 29,136 条（96.7%）被整合进 InterPro 条目，远高于其它成员库的整合比例。这也解释了为什么 InterPro 的文章与统计里，Pfam 往往占据单库条目数榜首。

§2.4 官方站静态化：一个必须交代的现状

pfam.xfam.org 现在是一个静态页——官方明确说明"Pfam data and new releases are available through InterPro；Pfam website now serves as a static page with no data updates"，站内所有链接都重定向到 InterPro 对应页面。这意味着：

想要旧版 Pfam-A.hmm、Pfam-A.seed 等文件（如复现老论文用的某个固定版本），需要走 InterPro / EMBL-EBI FTP 的归档，而不是 pfam.xfam.org 的"最新下载"。
老教程里"访问 pfam.xfam.org 下载最新版"的指引在 2026 年已失效或语义漂移（坑 3）。
版本号查询、条目浏览、序列搜索现在都统一在 https://www.ebi.ac.uk/interpro/ 完成。

§2.5 Pfam 的"AI/ML 转向"

2020 年后 Pfam 的发展主线写在 2025 年的 NAR 更新论文标题里——“embracing AI/ML”。三条具体线索：Pfam-N（深度学习扩展家族覆盖，见 §4.4）、AlphaFold 结构预测用于精修 domain 边界与发现新结构域（见 §6.4）、与 ECOD 结构分类的 harmonization（把序列层面的 Pfam 家族与结构层面的 ECOD 分类对账，见 §8.3）。这三者共同把 Pfam 从"纯序列-比对-HMM"推向"序列 + 结构 + 学习模型"的混合范式。

§3 数据构成：条目、比对与文件

§3.1 一个 Pfam 条目的内部结构

每个 Pfam-A 条目（entry）是一份自包含的家族/结构域定义，围绕六类核心信息组织：

组成	说明	人工/自动
seed 多序列比对	少量代表性序列的对齐，定义家族特征	人工审定
profile HMM	由 seed 训练得到的概率模型	半自动（seed→模型）
full 多序列比对	HMM 搜 UniProt 后收集的全量成员对齐	自动
entry 类型	Family / Domain / Repeat / Motif / Coiled-Coil / Disordered	人工标注
accession	如 PF00001（PF + 五位数字）	系统分配
clan 归属	归入某个 CL 开头的宗族，如 PF00001 → CL0192（GPCR_A）	人工 + 证据

以 PF00001（7tm_1，视紫红质样 7 次跨膜受体） 为例：它是 domain 类型，短名 7tm_1，属于 clan CL0192（GPCR_A），条目作者含 Sonnhammer E.L.L.，并被整合进 InterPro 条目 IPR000276。这条"PF→CL→IPR"的三级链，正是 Pfam 条目的标准解剖结构。

§3.2 entry 的六种类型

Pfam 不只是"家族"的集合，它的条目类型覆盖了蛋白质序列上的多种功能单元：

Family（家族）：一组同源蛋白整体，如 HSP70（PF00012）。
Domain（结构域）：可独立折叠/演化的功能模块，数量最多，如 SH2（PF00017）、SH3（PF00018）。
Repeat（重复）：以串联重复形式出现的短单元，如 EGF-like（PF00008）。
Motif（基序）：短的、序列特征强的功能片段。
Coiled-Coil（卷曲螺旋）：参与结构/相互作用的三级结构倾向区。
Disordered（无序区）：内在无序区域。

对这种类型学的正确使用，能避免把"一个结构域条目"误当成"一个完整蛋白家族"。在 §7 的任务语境里，domain 条目是绝大多数下游注释实验的实际对象。

§3.3 clan（宗族）：消歧与层级

clan 是把"同源但被拆成多个条目"的家族重新聚合起来的机制。形成 clan 的证据可以是序列相似性、结构相似性或 profile-HMM 相似性中的任意一种或组合。clan 的作用有二：

消歧：减少同一段演化历史被多个条目重复描述、导致一条序列多重命中的问题。
层级化：给使用者一个"超家族"视角，便于理解家族之间的演化关系。

规模上，Pfam 38.0 有 796 个 clan（38.1 增至 812）。clan 也有独立 accession（CL 开头），可在 InterPro 里以 set 形式浏览（如 GPCR_A = CL0192）。

§3.4 关键下载文件与数据字典

Pfam-A 的分发文件是理解其数据格式的落点。常用的几个：

文件	内容	典型用途
`Pfam-A.hmm`	profile HMM 模型库（HMMER 格式）	`hmmscan/hmmsearch` 的主力输入
`Pfam-A.seed`	各条目 seed 比对（Stockholm 格式）	家族定义、查看人工对齐
`Pfam-A.full`	各条目 full 比对	大规模家族成员分析
`Pfam-A.clans.tsv`	accession→clan 映射表	宗族归并、层级分析
`Pfam-A.regions`	结构域区域坐标（对 UniProt）	结构域边界定位
`Pfam-A.hmm.dat`	模型元数据（类型/阈值/注释）	解析 HMM 库头信息

**gathering threshold（采集阈值）**是其中的关键概念：每个条目有自己的一套 per-family 阈值（GA/TC/NC），用于把"命中"分成"可信"与"存疑"。使用 hmmscan --cut_ga 就是采用 Pfam 官方认定的可信阈值——这是复现 Pfam 注释结果的正确姿势（§6.3）。第三方分析（如 ECOD 的 Pfam 解析流水线）也统一采 --cut_ga：HMMER 3.1b2 + Pfam-A.hmm（v38.0，25,545 families）。

§3.5 与 UniProt 的双向绑定

Pfam 的注释数据基于 UniProt Reference Proteomes构建，同时单条 UniProtKB 序列可按 accession 反查其携带的 Pfam 结构域。这条双向通道让 Pfam 成为 UniProt 条目"结构域描述"栏的直接来源之一。下游的 Ensembl 等基因组浏览器也调用 Pfam 来标注基因模型翻译产物的结构域。因此，Pfam 的覆盖度、命名与 UniProt 的版本节奏高度耦合——这也是为什么 Pfam 的"覆盖比例"要连着 UniProt 版本一起引用（如"UniProtKB 2026_03，83.0% 整合覆盖"，见 §4.3）。

§3.6 一个具体条目的字段解剖（PF00001 例）

把 PF00001 拆开看，能直观理解一个 Pfam 条目对外暴露哪些字段：

accession：PF00001
short name：7tm_1
name：7 transmembrane receptor (rhodopsin family)
type：domain
clan：CL0192（GPCR_A）
author：Sonnhammer E.L.L.（ORCID 0000-0002-9015-5588）
integrated to（InterPro）：IPR000276
representative structure：PDB 6igk
description / references：附带文献（如 The opsins, Genome Biol. 2005）

从"PF 号 → clan 号 → IPR 号 → PDB 结构 → 文献"，这条链完整展示了 Pfam 条目在序列、宗族、整合、结构、文献五个层面上的挂接方式。理解了这条链，也就理解了 Pfam 在生物信息学生态里的接口位置。

§4 规模硬数字与版本口径

§4.1 为什么 Pfam 的数字必须"连版本一起报"

在一个"家族数随版本快速增长"的数据库里，孤立的数字几乎必然误导读者。Pfam 尤其如此：同一个大版本（38）之内，家族数就能从 25,545 涨到 30,134。因此本条目恪守一条纪律：任何 Pfam 规模数字都附带版本号，凡二手源给出的"约几个万""over 多少"一律不采信为硬数字（坑 1、坑 2）。

§4.2 条目与 clan 的版本表

版本	entries / signatures	clans	来源口径
32.0	17,929	—	老教程引用的历史基线（2018-09）
37.4	26,000+（模糊）	—	二手源"over 26,000"口径，不采信为硬数
38.0	25,545	796	pfam.xfam.org 静态页 + 第三方分析页互证
38.1	27,481	812	pfam.xfam.org 静态页
38.2	30,134（整合 29,136，96.7%）	—	InterPro 110.0 成员库表

读法：若你的实验绑定了某个版本（例如复现一篇用 Pfam 35 的旧论文），务必回到对应版本的归档；若做最新注释，用与当前 InterPro 绑定的 38.2。

§4.3 覆盖度：Pfam 在 UniProt 上盖了多少

覆盖度是 Pfam 最常被引用、也最容易被化简的数字。以 InterPro 110.0 的实测口径：

序列库	版本	总数	匹配任一 signature	匹配整合 signature
UniProtKB	2026_03	150,006,383	127,708,989（85.1%）	124,513,028（83.0%）
UniProtKB/Swiss-Prot	2026_03	575,748	561,761（97.6%）	560,259（97.3%）
UniProtKB/TrEMBL	2026_03	149,430,635	127,147,228（85.1%）	123,952,769（83.0%）

关键辨析：Swiss-Prot（人工审定子库）覆盖高达 97%+，TrEMBL（自动注释子库）约 83%——全集被 TrEMBL 的体量稀释，落在 83.0%。宣传里笼统的"覆盖 >80%（甚至 >90%）"要么取了某子集口径，要么取了三源之一的近似，引用时应写清"UniProtKB 2026_03 整合覆盖 83.0%"，而非无版本、无子库的概数（坑 6）。

§4.4 Pfam-N：那多出来的 8.8%

Pfam-N 是 Pfam 在 AI/ML 方向的核心扩展。2025 年 NAR 论文明确：Pfam-N 用深度学习扩展家族覆盖，相较标准 Pfam 对 UniProtKB 覆盖提升 8.8%。它的意义在于：

标准 Pfam 依赖 profile HMM 的阈值命中，对"似有若无"的远缘家族无能为力；Pfam-N 用学习模型在序列表征空间里补齐这些漏网之鱼。
这与 2022 年 Google Research 的 ProtENN 一脉相承——ProtENN 曾为 Pfam 体系新增约 680 万条蛋白质功能注释（相当于过去十年注释量之和），并成功预测了 360 种人类蛋白质的功能。
需要注意：Pfam-N 是 Pfam 与"扩展覆盖"的关系，引用其 8.8% 时要写明"相较标准 Pfam 的 UniProtKB 覆盖增益"，而非"Pfam 又多了 8.8% 的家族"。

§4.5 InterPro 总盘与 Pfam 占比

以 InterPro 110.0 为参照系，Pfam 在联盟里的分量一目了然：

InterPro 总条目 54,922（Family 28,238 / Domain 21,768 / Homologous Superfamily 3,516 / Repeat 389 / Conserved Site 779 / Active Site 133 / Binding Site 82 / PTM 17）。
Pfam 38.2 贡献 30,134 条签名、29,136 条被整合——无论签名总数还是整合数都居各成员库之首。
其余成员库规模见 §2.3 表。注意：不要把 Pfam 的 30,134 与 InterPro 的 54,922 相加或等同——前者是"一个成员库的签名数"，后者是"整合后的条目数"，两者是不同层级的计数（坑 7）。

§4.6 与结构分类库的可比性（供选型）

在做"蛋白结构域/家族注释"选型时，Pfam 常与结构分类库并列讨论。以 ECOD 的一份公开解析为例（HMMER 3.1b2 + Pfam v38.0 全库扫描）：ECOD 当前 2,715,001 个 domain 中，2,606,772 个（96.0%）有 Pfam 命中；但 T 组（待归并的结构组）中有 22,727 个是"Pfam 协作候选"（Pfam 未收录但序列证据强）。这组数字说明两件事：其一，Pfam 对已知结构域的覆盖已非常高；其二，Pfam 仍有明确的"负空间"（negative space）——大量结构域组尚未被 Pfam 收录，这正是 Pfam 持续扩库的对象。同类结构分类资源还有 SCOP/SCOPe（MRC LMB 维护，人工为主 + 自动化扩展）、CATH（UCL 维护，class→architecture→topology→homologous superfamily 四级）——它们与 Pfam 在"结构 vs 序列"的切入点上互补。

§5 数据格式规范（Pfam-A 说清楚）

§5.1 三个层面的数据

Pfam-A 的数据可以从三个层面理解，从"定义"到"实例"逐层放大：

条目层（entry）：一个家族/结构域的身份。含 accession（PFxxxxx）、名字、类型、描述、文献、作者、clan 归属。
比对层（alignment）：entry 的核心内容，分 seed（人工精对齐，定义家族）与 full（自动收集的全量成员对齐）。
模型层（model）：由 seed 训练的 profile HMM，以 HMMER 格式序列化，携带 per-family 阈值（GA/TC/NC）。

§5.2 文件格式对照

文件	格式	主要字段/结构	生成方式
`Pfam-A.hmm`	HMMER3 profile	每条 HMM 含 NAME/ACC/TYPE/LENG/GA/TC/NC 头 + match/insert/delete 状态概率	由 seed 训练
`Pfam-A.seed`	Stockholm	每家族一段 `# STOCKHOLM 1.0` 块，多序列对齐（`.a2m` 风格）	人工审定
`Pfam-A.full`	Stockholm	全量成员对齐	HMM 搜索 UniProt 后自动
`Pfam-A.clans.tsv`	TSV	`family_acc` → `clan_acc` 等列	宗族归并
`Pfam-A.regions`	TSV/gff 风格	UniProt accession + 结构域起止坐标	区域提取
`Pfam-A.hmm.dat`	文本	HMM 库头部元数据（类型、阈值、注释）	随库生成

§5.3 profile HMM 与阈值三档

每个 Pfam 模型的 HMMER 头里带三档阈值，这是正确使用 Pfam 的核心：

GA（Gathering threshold）：把命中判为"该家族可信成员"的下限；--cut_ga 即采用它。复现官方注释请用它。
TC（Trusted cutoff）：更高置信档，用于"无歧义成员"。
NC（Noise cutoff）：判为"背景噪声"的上限，低于它视为非成员。

三档阈值逐家族不同——这体现了"不同家族的序列保守程度不同"这一现实。用统一阈值（如 -E 1e-5）会同时造成某些家族假阳性、另一些家族漏检，因此HMMER 的标准做法是 --cut_ga 而非统一 E 值。

§5.4 seed 与 full 的边界：为什么两者都要

seed 的作用：定义家族。它由专家精选少量（通常远少于满员）代表性序列，人工校正对齐，保证保守位点与结构特征被正确体现。seed 是训练 HMM 的唯一输入。
full 的作用：给出家族的全貌。用 seed→HMM 去搜 UniProt，把命中（GA 以上）全部纳入，得到该家族在已知蛋白质里的所有实例。full 是自动生成的，规模随 UniProt 增长。
使用建议：做"家族特征/保守位点/系统发生"分析用 seed（干净、小而准）；做"该家族在所有物种里的分布/多序列统计"用 full。二者混用会导致结论偏差。

§5.5 类型、accession 与 clan 的命名规约

Entry accession：PF + 五位数字，如 PF00001。稳定、唯一、不可复用。
Clan accession：CL + 四位数字，如 CL0192。
Short name：条目的人类可读短名（如 7tm_1、SH2、HSP70），便于检索但非唯一标识。
Type 词表：family / domain / repeat / motif / coiled-coil / disordered。

§5.6 一个最小可用工作流

对"拿到一条新蛋白序列，想知道它有哪些 Pfam 结构域"这一最常见任务，标准流程是：

# 1. 下载与当前 InterPro 绑定的 Pfam HMM 库（版本务必记录）
#    Pfam-A.hmm（HMMER3 格式）

# 2. 用 gathering threshold 扫描序列
hmmscan --cut_ga --domtblout out.domtbl \  # 采用 Pfam 官方可信阈值
        Pfam-A.hmm query.faa > out.txt

# 3. 解析 out.domtbl：按 domain 坐标、E-value、覆盖度筛选
# 4. 用 Pfam-A.clans.tsv 把命中条目映射到 clan，做层级归并

坑点前置：--cut_ga 依赖 HMM 头里的 GA 行——若你用的是手工裁剪过的 HMM 库而丢失了这些行，--cut_ga 会报错。因此不要手工编辑 Pfam-A.hmm，需用哪几家族就用 HMMER 自带的库裁剪工具（hmmfetch）保持头信息完整。

§5.7 bioinformatics 侧的典型载体

除纯文本文件外，Pfam 数据在下游生态里常以这些形态出现：

UniProt 条目页：结构域描述栏直接展示 Pfam matches（PF 号 + 起止坐标 + 名称）。
InterPro 条目页：整合视图里列出贡献该条目的 Pfam 签名及其匹配序列。
基因组浏览器（Ensembl 等）：把 Pfam 结构域叠在基因模型翻译产物上。
结构资源（PDB/CATH/ECOD）：把 Pfam 家族与结构域/折叠层级对账（§8.3）。

§5.8 数据的机器可读入口

条目页（示例）：https://www.ebi.ac.uk/interpro/entry/pfam/PF00001/
成员库浏览：https://www.ebi.ac.uk/interpro/entry/pfam/
序列搜索：InterPro 的 sequence search（Pfam 官网已全部重定向至此）
下载：EMBL-EBI / InterPro 的 FTP 归档（含各版本 Pfam-A.*）
API/程序化：InterPro API 可按接入号取条目、按序列取匹配，是写进流水线的推荐方式。

§5.9 版本固定在实践中的纪律

任何"用 Pfam 做注释"的可复现研究，都应在方法里写明三件事：（1）Pfam 版本号；（2）HMMER 版本；（3）是否用 --cut_ga。缺任一项，读者都无法复现你的命中集合。这三要素也直接决定了模型评测的基线是否可对齐（§7.4）。

§6 构建方法：从 seed 到 clan 的流水线

§6.1 主流水线五步

Pfam 一个条目的诞生，走的是"人工定义 → 自动化放大"的五步流水线：

候选识别：从新测序、新结构、或大规模相似性分析中，识别"可能值得建家族"的序列簇。
seed 构建：专家挑选少量代表性序列，人工校正多序列比对（seed），确保保守位点、结构特征、边界被正确体现。
HMM 训练：由 seed 训练出 profile HMM，并标定 GA/TC/NC 三档阈值。
full 构建：用该 HMM 搜 UniProt（Reference Proteomes + 全库），收集 GA 以上命中，生成 full 比对。
clan 归并 / 整合：与已有条目做序列/结构/profile 比较，必要时并入某个 clan；并向 InterPro 提交，纳入整合条目。

人工审定的环节集中在第 2 步与第 5 步——这也是 Pfam 质量的核心保障，也是它无法被纯粹自动化方法完全替代的原因。

§6.2 为什么"人工 seed"不可省

自动化聚类（如按相似度把序列分堆）能快速产出"家族"，但产出的家族往往：边界含糊（把两个真家族混一起）、特征位点错位（对齐不可靠）、命名混乱。Pfam-A 之所以被广泛信任，正是因为它坚持人工审定 seed——专家需要判断"这簇序列究竟是同一家族，还是几个家族的拼接"“保守位点是不是真保守”。这份人工成本是 Pfam 精度的来源。相对地，早期自动生成的 Pfam-B 正因质量不足而被废弃（§3、坑 5）。

§6.3 HMMER 与阈值：方法学的正确用法

Pfam 的"搜索"环节依赖 HMMER（profile HMM 专用搜索器）。方法学上有三个要点：

用 profile，不用 pairwise：HMM 是概率模型，对远缘同源的敏感性高于简单序列比对；这也是 Pfam 能覆盖 83% UniProtKB 的技术前提。
用 gathering threshold（--cut_ga），不用统一 E 值：per-family 阈值体现了不同家族的保守程度差异。
记录版本：HMMER 版本（如 3.1b2、3.4）与 Pfam 版本都要固定，否则命中集合不可复现（§5.9）。

一个真实的工程注脚：ECOD 团队做 Pfam 解析时，明确配置为 HMMER 3.1b2 + hmmscan --cut_ga + Pfam-A.hmm（v38.0），在全库（126 分片）上约 7 小时完成——这也从侧面反映了"Pfam 全库扫描"在真实集群上的量级。

§6.4 AlphaFold 与"结构驱动的建家族"

2020 年后的 Pfam 建家族方式多了一条新路：用 AlphaFold 结构预测来精修 domain 边界、发现新结构域。传统上，一个家族的结构域边界靠序列比对"猜"；有了高精度结构预测，边界可以按真实的三维折叠来划，边界更准、更贴合生物学。2025 NAR 论文还专门描述了一批"通过对 AlphaFold 模型做大规模序列相似性分析而发现的新家族"。这条"结构 + 序列"双证据的建库路线，是 Pfam 近年最具方法论意义的进展之一。

§6.5 与 ECOD 的结构分类协调

Pfam 是序列层面的家族库，ECOD 是结构层面的分类库。二者的 harmonization（对账）意味着：Pfam 家族与 ECOD 的结构域组之间建立映射，使"序列相同但结构未知"与"结构已知但序列未收录"的两侧可以互相填补。这是 Pfam 从"纯序列资源"走向"序列-结构-功能一体化"的关键一环，也是 §4.6 里那组"96.0% ECOD domain 有 Pfam 命中、但仍有 22,727 个 Pfam 协作候选"数字背后的工作语境。

§6.6 扩展审定的三类"难家族"

更新论文特别点出 Pfam 近年扩库的三类重点：宏基因组（metagenomic）家族（来自环境样本、无培养物、序列极不完整）、微蛋白（microprotein）家族（<100 aa 的短开放阅读框产物，长期被忽略）、含重复（repeat-containing）家族（串联重复单元，边界与拷贝数难界定）。这三类恰恰是传统方法最易漏的，也是 Pfam-N 与结构辅助方法发力的方向。

§7 任务与基准：Pfam 在 AI-Ready 语境里怎么用

§7.1 Pfam 的原生任务

Pfam 服务的是蛋白质序列注释这一大类任务，具体拆成几个可操作的子任务：

结构域识别（domain detection）：给定序列，找出它含有哪些 Pfam 结构域、落在什么坐标。
家族归属（family assignment）：把序列/结构域归到具体家族条目与 clan。
结构域架构（domain architecture）：按结构域的出现顺序与组合，刻画蛋白质的模块组成——不同组合常对应不同功能。
功能推断：借家族与 clan 的已知功能，对未表征序列做功能注释。
基因组/宏基因组注释：把上述能力批量应用到全基因组或环境样本。

§7.2 Pfam 作为"上游资源"而非"评测基准"

需要明确：Pfam 本身不是带 benchmark split 的评测数据集——它没有"训练集/测试集"的划分，也不提供统一的准确率排行榜。它在 AI-Ready 语境里的角色是上游参考与评测的"标准答案层"：

许多蛋白质语言模型/功能预测模型的评测，会把"能否恢复 Pfam 注释"作为代理指标（如按 Pfam 家族做 held-out 划分）。
模型对蛋白功能的"新发现"，常以"命中某个原本未注释的 Pfam 家族"来验证。
Pfam-N 的 8.8% 覆盖增益，本身就是"学习模型相对传统方法的评测结果"。

因此本条目把 Pfam 归为**参考注释资源（reference annotation resource）**而非"基准数据集"，读者在引用其数字时须分清这种角色差异。

§7.3 与蛋白质语言模型的关系

Pfam 是蛋白质表示学习的重要"监督/评测来源"：大规模蛋白语言模型（ESM 系列等）的评测常涉及"结构域/家族相关任务的迁移能力"，而 Pfam 家族划分提供了现成的、演化上有意义的标签体系。同时，Pfam-N 反向说明：即便有强大的语言模型，Pfam 的家族发现仍需要人工审定的接口——机器学习扩张覆盖，人工审定保证质量，二者互补。

§7.4 复现基线的三条纪律

若你要把 Pfam 用作任何实验的基线，请固定：

Pfam 版本（如 38.2）——决定家族集合与阈值。
HMMER 版本（如 3.1b2 / 3.4）——影响敏感性与命中集合。
是否 --cut_ga——决定阈值策略，直接改变命中数量。

三者缺一，别人拿同样序列跑出的注释可能与你不同；这也是本条目反复强调"连版本报数"的实践理由。

§8 库内关系与消歧：Pfam ≠ InterPro

§8.1 一句话消歧

Pfam 是一个单一成员库（member database），InterPro 是一个整合框架（integration framework）。 Pfam 自 2015 年起作为成员库隶属 InterPro 联盟；InterPro 把 Pfam 与 PROSITE、PRINTS、SMART、PANTHER、CDD 等成员库的签名整合为统一条目。Pfam 提供"一种证据"，InterPro 提供"综合判决"。

§8.2 成员库全家福（谁与 Pfam 并列，而非隶属）

InterPro 110.0 里的成员库及其签名规模（Pfam 为其中覆盖最广者）：

成员库	版本	签名数	被整合数（比例）
Pfam	38.2	30,134	29,136（96.7%）
CDD	3.21	19,902	5,480（27.5%）
NCBIFAM	20.0	18,950	7,622（40.2%）
PANTHER	19.0	15,683	10,665（68.0%）
CATH-Gene3D	4.3.0	6,631	2,846（42.9%）
PIRSF	3.10	3,285	3,220（98.0%）
HAMAP	2026_01	2,394	2,388（99.7%）
PRINTS	42.0	2,106	1,935（91.9%）
SUPERFAMILY	1.75	2,019	1,650（81.7%）
PROSITE profiles	2026_01	1,419	1,321（93.1%）
SMART	9.0	1,322	1,275（96.4%）
PROSITE patterns	2026_01	1,311	1,279（97.6%）
SFLD	4	303	162（53.5%）

关键理解：PROSITE、PRINTS、SMART、PIRSF 等与 Pfam 是"并列的成员库"关系，不是从属关系。它们各自用不同技术路线建签名——PROSITE 用序列模式（patterns）与 profile，PRINTS 用多重基序指纹（fingerprints），SMART 偏信号/结构域（早期偏真核信号蛋白），Pfam 用 profile HMM——InterPro 的价值正在于把这几条证据线整合起来投票。

§8.3 Pfam 在整合层的位置（以 PF00001 为例）

一个 Pfam 条目向 InterPro 的"上升"路径十分清晰：

Pfam 条目 PF00001（7tm_1，domain）
   └── clan CL0192（GPCR_A）
          └── 整合进 InterPro 条目 IPR000276
                 └── representative structure: PDB 6igk

也就是说：InterPro 条目 IPR000276 是由 Pfam 的 PF00001 等成员库签名贡献/整合而成的。若你只查 Pfam，看到的是 PF00001；若你查 InterPro，看到的是把这些成员库证据汇总后的 IPR000276。混报 PF 号与 IPR 号、或把 Pfam 条目数当 InterPro 规模，都会出错。

§8.4 与库内其它条目的关系（同批生产）

本批生产若含独立的 interpro 条目（InterPro 整合框架），则两者关系须明确写成：

维度	Pfam（本条目）	InterPro（整合框架）
角色	单一成员库（一种签名来源）	整合框架（聚合多个成员库）
条目号	PFxxxxx（+ clan CLxxxx）	IPRxxxxxx
规模	38.2 = 30,134 signatures	110.0 = 54,922 entries
覆盖口径	Pfam 签名对 UniProtKB 的注释	整合签名对 UniProtKB 的注释
关系	Pfam ⊂ InterPro 联盟（成员）	InterPro ⊃ Pfam（框架）
阅读顺序	先 InterPro（全局）再 Pfam（单库细节）	—

一句话：InterPro 是"总账本"，Pfam 是其中分量最重的一本"分账"。 两者不冲突、不互斥，是层级关系。

§8.5 与结构/功能资源的互操作面

Pfam 之外，条目注释里出现的高频互操作资源：

UniProt / UniProtKB：序列来源与目标，Reference Proteomes 是构建基础。
PDB：代表结构（如 PF00001 的 6igk）。
ECOD / CATH / SCOP：结构分类层的对账对象（§6.5）。
GO（Gene Ontology）：功能术语映射；InterPro 110.0 有 29,991 个 GO term 映射到 InterPro 条目。
InterPro2GO：把条目映射到 GO 术语的桥梁文件。

§8.6 库内互链现状与建议

当前查重结果：ai_ready_dataset 中 pfam / interpro / prosite 均无已发布条目（SQL ILIKE 查询 0 行），writing/ 下亦无同名目录。因此发布时暂无库内 rid 可互链。建议的互链点（待相应条目落库后补 rid）：

InterPro（整合框架，同批生产）——最直接的上位互链。
UniProt（若库内有）——序列来源。
AlphaFold / AlphaFold DB（若库内有）——结构驱动建家族。
ECOD / CATH / SCOP（若库内有）——结构分类对账。
PDB（若库内有）——代表结构。

互链纪律：frontmatter 的 relatedLink 只放纯 URL（形如 https://www.qianfanghub.com/ai-ready-dataset/<slug>/<rid>），消歧说明一律写在本节正文，不进 frontmatter（R012 教训）。当前因无命中条目，relatedLink 留空或不列，待条目落库后由主会话统一重建家族导航。

§9 获取与许可：怎么拿到 Pfam、能不能商用

§9.1 许可：数据 CC0，论文另有版权

Pfam 数据采用 CC0 1.0 Universal（公共领域贡献）——这是 InterPro 联盟成员库的统一许可口径。CC0 的含义最宽松：免署名、可商用、可修改、可再分发，几乎不附加条件。这对工业界与商业产品极为友好——你可以把 Pfam-A.hmm 直接打进商业软件的分发包，无需申请授权。

但必须区分两层：

对象	许可	约束
Pfam 数据（HMM 库、比对、clan 表等）	CC0 1.0	无（可商用免署名）
Pfam 论文（NAR 2025 等）	Oxford University Press 版权（开放获取）	阅读/下载自由，但非 CC0；引用遵循期刊条款

常见误解：把论文的开放获取当成"CC0"，或把数据的 CC0 当成"论文也能随便用"。二者分属不同对象，引用时用数据许可约束数据、用论文版权约束论文（坑 4）。

§9.2 获取渠道与方式

Pfam 已不存在"独立官网下载页"，获取渠道统一到 InterPro / EMBL-EBI：

网页浏览与检索：https://www.ebi.ac.uk/interpro/entry/pfam/ （条目）/ https://www.ebi.ac.uk/interpro/entry/pfam/PF00001/ （单条）。
序列搜索：InterPro sequence search（Pfam 官网所有入口重定向至此）。
批量下载：EMBL-EBI / InterPro 的 FTP 归档，含 Pfam-A.hmm、Pfam-A.seed、Pfam-A.full、Pfam-A.clans.tsv、Pfam-A.regions、Pfam-A.hmm.dat。
程序接口：InterPro API（按接入号取条目、按序列取匹配）——写流水线首选。
第三方分发：如 QIAGEN CLC Genomics Workbench 提供的 “Download Pfam Database” 工具（曾于 2025-12-01 起更新为 Pfam 38.0 下载）——这一类镜像/打包分发同样须记录版本。

§9.3 版本获取的实操要点

要最新：随当前 InterPro 发布（如 InterPro 110.0 → Pfam 38.2）。
要复现旧研究：回到对应版本的归档，明确写出版本号、HMMER 版本、阈值策略（§5.9）。
注意静态页陷阱：pfam.xfam.org 的"最新下载"已停更，别把它当成当前版（坑 3）。

§9.4 AI-Ready 光谱上的位置

在"AI-Ready"维度上，Pfam 属于高度 AI-Ready的一类：公开直链（无 gate）+ CC0（可商用）+ 结构化格式（HMMER/Stockholm/TSV）+ 稳定 accession + 程序化 API。不需要任何申请、审批或授权流程，是标注/训练流水线的"即插即用"资源。它唯一的"使用门槛"是技术性的——需要懂 HMMER 与比对格式。

§9.5 引用规范

引用 Pfam 时，当前推荐的文献是描述其最新发展的 NAR 更新论文（2025）：

Paysan-Lafosse T, Andreeva A, Blum M, Chuguransky SR, Grego T, Pinto BL, Salazar GA, Bileschi ML, Llinares-López F, Meng-Papaxanthos L, Colwell LJ, Grishin NV, Schaeffer RD, Clementel D, Tosatto SCE, Sonnhammer E, Wood V, Bateman A. The Pfam protein families database: embracing AI/ML. Nucleic Acids Research 2025;53(D1):D523–D534. doi:10.1093/nar/gkae997（PMID: 39540428）。

注意：Pfam 官网静态页上仍显示引用 2021 年那篇（Mistry et al., NAR 2021, doi:10.1093/nar/gkaa913）——这是口径时差：官网文案未随新论文更新。建议双引：方法学更新引 2025 论文，历史沿革可提 2021 论文（坑 8）。

§10 坑点档案

坑 1：Pfam 的"家族数"脱离版本号必矛盾。
常见表述"Pfam 有约 2.6 万个家族""Pfam 有 3 万个家族"其实是不同版本混用：38.0=25,545、38.1=27,481、38.2=30,134。同一大版本内就有近 4,600 条的差。凡引用家族/条目数，必须带版本号。

坑 2：发布/版本日期多口径，且二手源互相矛盾。
38.0 一处标 2025-10、一处标"Effective December 1, 2025"（QIAGEN 下载更新）、ECOD 侧写 “Release: March 2025”（疑误）。处理：以与 InterPro 版本的绑定为锚，其余作为存照；不要在正文中写死一个不可靠的日期。

坑 3：pfam.xfam.org 已静态化停更。
官方明言"static page with no data updates"，全部重定向 InterPro。老教程"去官网下最新版"的指引在 2026 年已失效或语义漂移。一律以 InterPro 为当前版本来源。

坑 4：数据许可（CC0）≠ 论文许可（OUP）。
Pfam 数据是 CC0（免署名可商用），但描述它的 NAR 论文版权归 Oxford University Press，开放获取不等于 CC0。不要把 CC0 套到论文，也不要因为论文有版权就误以为数据也不能商用。

坑 5：Pfam-B 早已废弃。
早期 Pfam-B 是对"未归入任何家族"的序列做自动聚类的产物，不再维护/更新。凡引用"Pfam-B"当作现行数据，或把 Pfam-A/B 并称当作当前规模，均为过时。现行 Pfam 仅含 Pfam-A。

坑 6：覆盖度被化简为"80%/90%"。
二手源（含 Grokipedia）在同一页里写"超过 80%""超过 90%"混用。实测口径：UniProtKB 2026_03 整合覆盖 83.0%（任一签名 85.1%），Swiss-Prot 子集 97.3%。引用须写清库与版本。

坑 7：把 Pfam 条目数当 InterPro 规模，或反向。
Pfam 38.2 = 30,134 是"一个成员库的签名数"，InterPro 110.0 = 54,922 是"整合后条目数"。两者不同层级，不能相加、不能等同、不能互相替代。 这正是本条目 §8 反复强调的核心消歧。

坑 8：引用论文的口径时差。
Pfam 静态页仍列 2021 年的 Mistry et al. 论文作为推荐引用，而 2025 年已有 Paysan-Lafosse et al. 的 “embracing AI/ML” 更新论文。双引为宜，别只引旧文。

坑 9：阈值用法错误（统一 E 值 vs --cut_ga）。
Pfam 的 GA/TC/NC 阈值逐家族不同，用统一 E 值扫描会同时造成假阳性与漏检。正确姿势是 --cut_ga。且不要手工编辑 Pfam-A.hmm，否则丢失 GA 行会让 --cut_ga 报错（§5.6）。

坑 10：seed 与 full 混用导致结论偏差。
seed 是"定义层"（少而精、人工），full 是"实例层"（多而全、自动）。做保守位点/系统发生分析该用 seed，做分布统计该用 full。混用会把"人工精选的偏倚"与"自动收集的噪声"互相污染。

坑 11：Pfam 不是基准数据集，没有 train/test split。
把 Pfam 当成"可直接跑排行榜的 benchmark"是角色错位。它是参考注释资源，在评测中通常充当"标准答案层"或 held-out 划分依据（§7.2）。

坑 12：clan 与 entry 的层级被忽略。
只按 entry（PF 号）报告命中，会高估家族数量、掩盖宗族内的冗余。涉及家族计数/演化分析时，应同时报告 clan 层级（38.0 有 796 个 clan 收纳 25,545 个 entry）。

FAQ：常见问题二十问

F1：Pfam 是数据库还是工具？
是数据库（蛋白家族/结构域集合）；搜索用配套工具 HMMER。

F2：Pfam 和 HMMER 什么关系？
Pfam 的每个家族用 profile HMM 表征，HMMER 是搜索这类 HMM 的专用软件——Pfam 建库与使用都依赖它。

F3：Pfam 和 InterPro 什么关系？
Pfam 是 InterPro 联盟的成员库；InterPro 是整合框架。二者是成员-框架的层级关系（§8）。

F4：Pfam 和 PROSITE、PRINTS、SMART 什么关系？
并列的成员库，同属 InterPro 联盟，用不同技术建签名。不是上下级。

F5：Pfam 有多少个家族？
必须带版本：38.0=25,545 / 38.1=27,481 / 38.2=30,134（坑 1）。

F6：有多少个 clan？
38.0=796、38.1=812（现状表见 §4.2）。

F7：Pfam 覆盖多少蛋白？
UniProtKB 2026_03 整合覆盖 83.0%（任一签名 85.1%；Swiss-Prot 97.3%）。

F8：Pfam-A 和 Pfam-B 的区别？
Pfam-A 是现行的全部内容（人工审定）；Pfam-B 是已废弃的自动聚类（坑 5）。

F9：seed 和 full 比对的区别？
seed 人工精选、定义家族；full 自动收集全量成员（§5.4）。

F10：用什么命令查 Pfam？
hmmscan --cut_ga Pfam-A.hmm query.faa（用 Pfam 官方阈值）。

F11：Pfam 数据能商用吗？
能，CC0 免署名可商用；但论文版权归 OUP（坑 4）。

F12：官网还能下载 Pfam 吗？
pfam.xfam.org 已静态化，下载走 InterPro / EMBL-EBI FTP（坑 3）。

F13：怎么写可复现的方法？
固定三要素：Pfam 版本 + HMMER 版本 + 是否 --cut_ga（§5.9）。

F14：Pfam-N 是什么？
用深度学习扩展家族覆盖的版本，相较标准 Pfam 对 UniProtKB 覆盖 +8.8%（§4.4）。

F15：AlphaFold 怎么用进 Pfam？
用于精修 domain 边界、发现新结构域（§6.4）。

F16：Pfam 是评测基准吗？
不是带 split 的 benchmark；是参考注释资源（§7.2）。

F17：Pfam 和 ECOD/CATH/SCOP 什么关系？
结构分类 vs 序列家族，互补；Pfam 与 ECOD 有 harmonization（§6.5）。

F18：Pfam 条目号怎么读？
PF + 五位数字（如 PF00001）；clan 是 CL + 四位（如 CL0192）。

F19：为什么命中数会随版本变？
家族集合与阈值都随版本更新，且 UniProt 也在涨（§7.4）。

F20：引用哪篇论文？
2025 “embracing AI/ML”（doi:10.1093/nar/gkae997）；官网仍列 2021 文，建议双引（§9.5、坑 8）。

事实清单（硬数字与来源）

#	事实	数值	来源口径
1	Pfam 38.0 entries	25,545	pfam.xfam.org 静态页 + 第三方分析页
2	Pfam 38.0 clans	796	同上
3	Pfam 38.1 entries / clans	27,481 / 812	pfam.xfam.org 静态页
4	Pfam 38.2 signatures	30,134（整合 29,136，96.7%）	InterPro 110.0 成员库表
5	InterPro 110.0 条目	54,922	InterPro release notes
6	InterPro 110.0 日期	2026-09-03	InterPro release notes
7	InterPro 109.0 日期	2026-06-11	InterPro release notes
8	UniProtKB 匹配任一签名	127,708,989（85.1%）	InterPro 110.0（UniProtKB 2026_03）
9	UniProtKB 匹配整合签名	124,513,028（83.0%）	同上
10	Swiss-Prot 整合覆盖	560,259（97.3%）	同上
11	Pfam-N 覆盖增益	+8.8%（vs 标准 Pfam，UniProtKB）	NAR 2025 论文摘要
12	Pfam 32.0 历史基线	17,929	老教程引用
13	Pfam 论文	NAR 2025;53(D1):D523–D534	doi:10.1093/nar/gkae997 / PMID 39540428
14	数据许可	CC0 1.0	InterPro 联盟成员库口径
15	建库引擎	HMMER 3.x（`--cut_ga`）	Pfam 方法学 / ECOD 解析配置
16	PF00001 示例	7tm_1 / domain / clan CL0192 / IPR000276 / PDB 6igk	InterPro 条目页

术语表

术语	英文	释义
家族	family	一组同源蛋白，Pfam 条目的基本类型之一
结构域	domain	可独立折叠/演化的功能模块
重复	repeat	串联重复出现的短序列单元
基序	motif	短的、序列特征强的功能片段
卷曲螺旋	coiled-coil	参与结构/相互作用的三级结构倾向区
无序区	disordered	内在无序区域
宗族	clan	按序列/结构/profile 相似性归并的相关条目组
种子比对	seed alignment	人工精选的代表性序列对齐，定义家族
全序列比对	full alignment	HMM 搜 UniProt 后自动收集的全量成员对齐
profile HMM	profile hidden Markov model	由 seed 训练的概率模型，用于敏感序列搜索
采集阈值	gathering threshold（GA）	判为可信家族成员的每家族阈值，`--cut_ga` 采用之
成员库	member database	InterPro 联盟中提供签名的库（Pfam 是其一）
整合框架	integration framework	InterPro 的角色，聚合各成员库签名
签名	signature	用于识别家族/结构域的计算模型
Pfam-N	—	用深度学习扩展家族覆盖的 Pfam 版本
负空间	negative space	尚未被 Pfam 收录、但序列/结构证据存在的家族空间
对账	harmonization	不同分类体系（如 Pfam 与 ECOD）之间的映射协调
UniProt Reference Proteomes	—	Pfam 注释所依据的参考蛋白质组集合

附录 A：DAIMS 数据成熟度评估

维度	评分	依据
Discoverability（可发现性）	5/5	稳定 accession（PF/CL/IPR）+ 官网 + API + 论文
Accessibility（可访问性）	5/5	公开直链，无申请/审批；FTP + API
Interoperability（互操作性）	5/5	HMMER/Stockholm/TSV 标准格式；接入 UniProt/PDB/GO
Metadata（元数据）	5/5	每条目含类型/作者/文献/clan/结构；论文完整
Sustainability（可持续性）	5/5	EMBL-EBI 长期维护 + InterPro 联盟 + 定期发布；资助延续至 2027
Reusability（可复用性）	5/5	CC0 免署名可商用
综合	5/5	教科书级 AI-Ready 参考资源

附录 B：Pfam 版本速查表

版本	entries/signatures	clans	绑定 InterPro
32.0	17,929	—	—
37.4	26,000+（模糊）	—	—
38.0	25,545	796	—
38.1	27,481	812	—
38.2	30,134	—	InterPro 110.0（2026-09-03）

附录 C：InterPro 成员库速查

见 §8.2 表（Pfam / CDD / NCBIFAM / PANTHER / CATH-Gene3D / PIRSF / HAMAP / PRINTS / SUPERFAMILY / PROSITE profiles / SMART / PROSITE patterns / SFLD）。

附录 D：常用命令速查

# 记录版本（务必写进方法学）
# Pfam 38.2 / HMMER 3.4（示例）

# 单序列结构域扫描（用 Pfam 官方阈值）
hmmscan --cut_ga --domtblout hits.domtbl Pfam-A.hmm query.faa > hits.txt

# 单家族模型抽取（保持 HMM 头完整，勿手工编辑）
hmmfetch Pfam-A.hmm PF00001 > PF00001.hmm

# clan 映射（把命中条目归并到宗族）
# 用 Pfam-A.clans.tsv：family_acc -> clan_acc

附录 E：检索决策树

你想找什么？
├── 蛋白质家族/结构域注释
│   └── Pfam（https://www.ebi.ac.uk/interpro/entry/pfam/）
├── 整合后的家族/结构域条目
│   └── InterPro（https://www.ebi.ac.uk/interpro/）
├── 宗族层级
│   └── Pfam clan（CLxxxx，如 GPCR_A = CL0192）
├── 结构分类
│   └── ECOD / CATH / SCOP（与 Pfam 对账）
├── 序列来源
│   └── UniProt / UniProtKB
└── 独立官网下载？
    └── pfam.xfam.org 已静态化——改走 InterPro FTP（坑 3）

附录 F：双口径登记表

#	项	口径 A	口径 B	处理
1	Pfam 38.0 发布日期	2025-10（二手）	Effective 2025-12-01（QIAGEN）	以 InterPro 绑定为锚，余存照
2	38.0 entries	25,545（官方页）	“over 26,000”（二手）	按官方 25,545
3	ECOD 侧 38.0 “Release”	March 2025（疑误）	2025 下半年	不采信，存照
4	覆盖度	80%（二手）	90%（二手）	按实测 83.0%（UniProtKB 2026_03）
5	推荐引用论文	2021（官网静态页）	2025（最新更新论文）	双引
6	家族计数层级	entry（PF）	clan（CL）	报告时两者并列

附录 G：FAIR 检查单

检查项	状态	说明
F1 全局唯一标识	✅	PFxxxxx / CLxxxx / doi
F2 富元数据	✅	条目元数据 + 论文
A1 可访问协议	✅	公开直链 FTP/API
A2 元数据可访问	✅	条目页开放
I1 互操作格式	✅	HMMER/Stockholm/TSV
I2 词汇表引用	✅	SO/GO/UniProt
R1 来源溯源	✅	seed→HMM→full 全链
R3 可复现流程	✅	版本+工具+阈值三固定
AI-Ready 综合	高	直链 CC0，即插即用

附录 H：缩写速查

缩写	全称
Pfam	Protein families database（本文用 Pfam 指现行 Pfam-A）
HMM	Hidden Markov Model（隐马尔可夫模型）
GA / TC / NC	Gathering / Trusted / Noise cutoff（三档阈值）
MSA	Multiple Sequence Alignment（多序列比对）
EMBL-EBI	European Molecular Biology Laboratory — European Bioinformatics Institute
InterPro	Integrated resource of protein families, domains and functional sites
PDB	Protein Data Bank
GO	Gene Ontology
ECOD	Evolutionary Classification of protein Domains
CATH	Class, Architecture, Topology, Homologous superfamily
SCOP	Structural Classification of Proteins
DAIMS	Data And Information Maturity System
TrEMBL	Translated EMBL（UniProt 自动注释子库）
CC0	Creative Commons Zero（公共领域贡献）

附录 I：基于 Pfam 的研究检查清单（12 项）

版本固定：方法里写死 Pfam 版本（如 38.2）+ 当前 InterPro 绑定。
工具固定：写明 HMMER 版本（如 3.1b2 / 3.4）。
阈值策略：声明是否 --cut_ga；勿用统一 E 值替代。
库完整性：不要手工编辑 Pfam-A.hmm；用 hmmfetch 抽模型。
层级报告：家族计数同时报 entry 与 clan，避免冗余高估（坑 12）。
seed/full 分清：保守位点用 seed，分布统计用 full（坑 10）。
覆盖度口径：写清库与版本（UniProtKB 2026_03，83.0%）。
许可分层：数据引 CC0，论文引 OUP 条款，勿混（坑 4）。
引用双引：2025 更新论文 + 必要时 2021 论文（坑 8）。
角色认知：Pfam 作参考注释资源，不当带 split 的 benchmark（坑 11）。
Pfam-B 排除：老数据里若出现 Pfam-B，标注其已废弃（坑 5）。
消歧声明：任何涉及条目计数的段落，明确区分 Pfam 与 InterPro（坑 7）。

附录 J：本条目生产档案

生产通道：AI-Ready Wikipedia 写作代理 B，slug = pfam。
事实研究：3 次 WebSearch + 4 次 WebFetch（InterPro 首页/发布说明/Pfam 条目页/pfam.xfam.org 静态页），三源互证核心硬数字。
一手来源：InterPro release notes 110.0、InterPro Pfam 成员库表、pfam.xfam.org 静态页（38.0/38.1 口径）、NAR 2025 “embracing AI/ML” 论文摘要（PMID 39540428 / doi:10.1093/nar/gkae997）。
FACTS.md：writing/pfam/FACTS.md 九节。
成稿方式：五块直写拼接（part1-5），全部写入私有区分片目录，拼接只 cat 自家分片。
坑点：§10 十二则（坑 1–12）。
description：成稿时即 ≤170 字符。
互链计划：InterPro（同批生产，待落库补 rid）+ UniProt/ECOD/CATH/PDB（互操作）。

附录 K：Pfam 与其它蛋白家族/结构域数据库的横向对比

Pfam 不是唯一做蛋白质家族分类的资源。理解它与其他库的分工，有助于正确选型。下表对比几个常被并列提及的资源：

资源	切入层面	建库方法	条目规模（口径）	与 Pfam 关系
Pfam	序列	人工 seed + profile HMM	30,134（38.2）	—（本文）
InterPro	整合	聚合成员库签名	54,922（110.0）	上位整合框架
PROSITE	序列	patterns + profiles	1,311 + 1,419	并列成员库
PRINTS	序列	多重基序指纹	2,106	并列成员库
SMART	序列/结构域	偏信号蛋白的结构域	1,322	并列成员库
PANTHER	序列/演化	系统发生树 + HMM	15,683	并列成员库
CDD	序列	集成 NCBI 多来源	19,902	并列成员库
CATH-Gene3D	结构	结构域四级分类	6,631	并列成员库
SUPERFAMILY	结构	结构域超家族 HMM	2,019	并列成员库
HAMAP	序列	微生物蛋白规则	2,394	并列成员库
PIRSF	序列	超家族 HMM	3,285	并列成员库
ECOD	结构	演化分类（自动 + 人工）	数百万 domain	结构层对账对象
SCOP/SCOPe	结构	人工结构分类	结构层级	结构层参照
CATH	结构	C/A/T/H 四级	结构层级	结构层参照

选型要诀：要"最广的序列层面家族覆盖"选 Pfam；要"综合多库证据的判决"选 InterPro；要"结构/折叠层面的分类"选 CATH/ECOD/SCOP；要"特定领域的签名"（如信号蛋白、微生物）看 SMART/HAMAP。PF 号、IPR 号、CATH 号是不同体系，不可互相替代。

附录 K.1 为什么"多库互补"是必要的

没有任何单一方法能覆盖全部蛋白质家族。profile HMM 强于远缘同源但对超短 motif 灵敏度一般；序列 pattern 精确但对变异容错差；结构分类准但需要已知结构。InterPro 把这些互补的方法叠起来，正是为了"用不同证据降低单一方法的盲区"。Pfam 之所以被大量下游采用，是因为它在"覆盖广度 × 精度 × 可复现"上的综合表现最好，但它绝不是唯一正确的一票。

附录 L：Pfam 条目的典型字段解剖（多例）

为帮助读者理解 Pfam 条目的通用结构，再取几个经典条目做解剖（数据来自 InterPro Pfam 浏览页）：

条目	short name	类型	clan	整合 InterPro	说明
PF00001	7tm_1	domain	CL0192（GPCR_A）	IPR000276	7 次跨膜受体（视紫红质样）
PF00004	AAA	domain	—	IPR003959	AAA ATPase 家族相关
PF00005	ABC_tran	domain	—	IPR003439	ABC 转运蛋白
PF00008	EGF	domain	—	IPR000742	EGF 样结构域
PF00009	GTP_EFTU	domain	—	IPR000795	延伸因子 Tu 的 GTP 结合域
PF00012	HSP70	family	—	IPR013126	Hsp70 蛋白
PF00013	KH_1	domain	—	IPR004088	KH 结构域
PF00014	Kunitz_BPTI	domain	—	IPR002223	Kunitz 型蛋白酶抑制剂
PF00016	RuBisCO_large	domain	—	IPR000685	核酮糖二磷酸羧化酶大亚基催化域
PF00017	SH2	domain	—	IPR000980	SH2 结构域
PF00018	SH3_1	domain	—	IPR001452	SH3 结构域

观察：大量经典条目是 domain 类型（可独立折叠的功能模块），少数是 family 类型（如 HSP70）。这印证了 §3.2 的类型学：Pfam 的核心产出是"结构域词典"，而完整的家族注释则是这些结构域组合的结果。

附录 L.1 从 PF 到 IPR 的映射规律

一个 Pfam 条目不一定对应一个 InterPro 条目。规律是：单库能独立成条的（如 PF00001 → IPR000276），通常在 InterPro 里被直接采纳；而多个成员库都描述同一家族时，InterPro 会把它们合并成一个 IPR 条目（多条源签名 → 一个 IPR）。因此：

PF 数 ≠ IPR 数：Pfam 38.2 有 30,134 条签名，InterPro 110.0 有 54,922 个条目，两者是不同层级的计数。
一个 IPR 条目可能由多个 PF（或 PF + 其他成员库）共同支撑；也可能一个 PF 独自支撑一个 IPR。
做"条目计数"类分析时，必须明确数的是 PF 还是 IPR，否则结论没有意义（§8、坑 7）。

附录 M：UniProt 与 Pfam 的版本耦合

Pfam 的覆盖度数字不是 Pfam 单独决定的，而是 Pfam 版本 × UniProt 版本的共同产物。以 InterPro 110.0 的口径为例：

对象	版本	计数
UniProtKB	2026_03	150,006,383
└ 匹配任一 signature	2026_03	127,708,989（85.1%）
└ 匹配整合 signature	2026_03	124,513,028（83.0%）
UniProtKB/Swiss-Prot	2026_03	575,748（整合覆盖 97.3%）
UniProtKB/TrEMBL	2026_03	149,430,635（整合覆盖 83.0%）

要点：正因为 UniProt 自身在快速增长（尤其 TrEMBL），"Pfam 覆盖 X%"这句话同时受 Pfam 增家族、UniProt 增序列两端影响。引用覆盖度时，Pfam 版本、UniProt 版本、子库口径三样都要写，否则数字无法比较。

附录 N：Pfam-N 与深度学习的边界

Pfam-N 用深度学习扩展覆盖，但它的引入也带来几个须注意的问题：

覆盖增益 ≠ 家族数增益：8.8% 是"对 UniProtKB 覆盖率"的相对提升，不是"多了 8.8% 的家族"。正确表述是"相较标准 Pfam，Pfam-N 对 UniProtKB 的覆盖提升 8.8%"。
可解释性下降：HMM 命中可以追溯到具体保守位点；神经网络的判断是分布式的，人工审核更难介入。这也是 Pfam 在引入学习模型时强调"人工审定接口不可省"的原因。
版本对齐：Pfam-N 是标准 Pfam 的扩展层，使用时须区分"标准注释"与"Pfam-N 扩展注释"，避免把两者混在同一统计里。

附录 N.1 ProtENN 的历史坐标

2022 年 Google Research 的 ProtENN 模型为 Pfam 体系新增约 680 万条蛋白质功能注释——这个数字相当于此前十年的注释总量，直接推动了 Pfam 覆盖率的阶跃，并成功预测了 360 种人类蛋白质的功能。它是"深度学习大规模扩注释"的标志性事件，也是 Pfam-N 路线的先声。引用时注意：这是注释条数的扩张，说明的是"覆盖能力"，不是"人工审定的家族数"。

附录 O：Pfam 在宏基因组与微蛋白研究中的角色

更新论文（NAR 2025）特别点名了三类扩展审定的重点，其中宏基因组与微蛋白值得单列：

附录 O.1 宏基因组（metagenomic）家族

环境样本（土壤、海洋、肠道等）测得的序列大多来自未培养微生物，序列常常碎片化、不完整，传统上很难构建可靠家族。Pfam 近年专门扩展了宏基因组来源的家族，使环境序列也能获得结构域注释——这对微生物组研究与生物勘探意义重大。

附录 O.2 微蛋白（microprotein）家族

微蛋白指由短开放阅读框（通常 <100 aa）编码的小蛋白，长期被基因注释流水线忽略。Pfam 对微蛋白家族的扩展，把这些"注释盲区"纳入体系。使用须注意：微蛋白家族数量有限、边界常不稳定，做相关分析时要留神版本差异。

附录 O.3 含重复（repeat-containing）家族

串联重复单元的家族最难界定——边界在哪、拷贝数多少、单元如何退化，都易产生分歧。Pfam 对此类家族的扩展同样属于"难家族"范畴，是使用与引用时最需谨慎的一类。

附录 P：Pfam 与结构生物学的接口

Pfam 的条目页会给出代表结构（representative structure），如 PF00001 关联 PDB 6igk（人 ETB 受体与 Endothelin-3 复合物结构）。这条"序列家族 → 三维结构"的接口有几个用途：

边界校验：用结构域的实际折叠来验证 Pfam 的序列边界划分是否合理。
功能理解：结构揭示的活性位点/相互作用面，帮助理解该家族的功能。
结构预测对接：结合 AlphaFold，从"有结构的代表"外推到"只有序列的成员"。
结构分类对账：与 CATH/ECOD/SCOP 的分类交叉验证（§6.5）。

附录 P.1 从结构域到 domain architecture

蛋白质的功能常由其**结构域架构（domain architecture）**决定：同一组结构域按不同顺序/组合拼接，会得到功能迥异的蛋白质。Pfam 的结构域条目正是刻画架构的"字母表"——把一条蛋白注释成一串 PF 号，就得到了它的架构签名。这也是 Pfam 在功能推断与蛋白质工程中被广泛使用的原因之一。

附录 Q：复现研究的三要素模板

以下是一个可直接填入方法学的模板，帮助读者避免"不可复现"的常见失败：

序列注释方法：
- 数据库：Pfam（版本 __，随 InterPro __ 发布）
- 模型库：Pfam-A.hmm（HMMER3 格式）
- 搜索引擎：HMMER 版本 __（如 3.1b2 / 3.4）
- 阈值策略：--cut_ga（采用 Pfam per-family gathering threshold）
- 命中判定：GA 以上计入；full/seed 依分析目的择用
- clan 归并：以 Pfam-A.clans.tsv 映射（如分析家族计数）
- 版本归档：记录下载日期与来源（InterPro FTP）

三要素缺一不可：Pfam 版本、HMMER 版本、阈值策略。少了任何一项，别人都拿不到与你一致的命中集合（§5.9、§7.4）。

附录 R：Pfam 相关常见误解澄清

误解	澄清
“Pfam 是整合数据库”	Pfam 是成员库；整合框架是 InterPro（§8）
“Pfam 有 3 万家族”	必须带版本：38.0=25,545 / 38.2=30,134（坑 1）
“Pfam-B 还在用”	Pfam-B 已废弃，现行仅 Pfam-A（坑 5）
“Pfam 覆盖 90% 蛋白”	实测 UniProtKB 2026_03 整合覆盖 83.0%（坑 6）
“用统一 E 值扫 Pfam”	应用 `--cut_ga` per-family 阈值（坑 9）
“Pfam 数据也有版权限制”	数据 CC0；版权在论文（OUP），两层分开（坑 4）
“Pfam 就是 benchmark”	Pfam 是参考注释资源，无 train/test split（坑 11）
“PF 号就是 IPR 号”	不同体系，PF⊂clan⊂IPR 是层级关系（§8.3）
“照官网引用 2021 论文即可”	2025 有更新论文，建议双引（坑 8）
“seed 和 full 随便用”	定义层 vs 实例层，目的不同（坑 10）

附录 S：Pfam 与 PROSITE/PRINTS/SMART 的方法学差异

既然 §8 强调"Pfam 与它们是并列成员库"，这里把方法学差异讲透，帮助读者理解为何 InterPro 需要它们并存：

成员库	核心技术	优势	局限	典型适用
Pfam	profile HMM	远缘同源灵敏、覆盖广	短 motif 一般	通用结构域/家族
PROSITE patterns	正则式序列模式	精确、可解释	变异容错差	短功能位点
PROSITE profiles	profile	覆盖中等长度家族	与 Pfam 部分重叠	蛋白家族
PRINTS	多重基序指纹	对家族内部差异鲁棒	需多个基序	家族诊断
SMART	结构域（偏信号）	信号蛋白专精	范围窄	真核信号蛋白
PANTHER	系统发生 + HMM	演化关系清晰	计算重	家族演化
CATH-Gene3D	结构层级	结构证据强	需已知结构	结构导向注释
HAMAP	规则（微生物）	微生物批量快	范围窄	细菌/古菌
PIRSF	超家族 HMM	完整蛋白家族	与 Pfam 部分重叠	全蛋白家族

结论：多库并存是"互补而非冗余"。InterPro 把它们整合，Pfam 是其中覆盖最广的一本"分账"，但它的盲区恰是其他库的长处——这也解释了为什么 InterPro 不能只留 Pfam。

附录 T：Pfam 的资助与可持续性

Pfam 的可持续性依托 EMBL-EBI 的长期基础设施与 InterPro 联盟的协作。多方资料显示其资助延续至 2027 年（含欧洲层面的资助）。可持续性体现在：定期版本发布（随 InterPro）、CC0 开放许可（无商业门槛）、稳定的接入号体系（PF/CL/IPR）、以及多机构学术团队轮转维护。这些因素共同使 Pfam 成为"值得长期依赖"的参考资源——对做数据管线的团队而言，"数据库会不会突然消失/改成收费"是真实风险，Pfam 在这点上风险很低。

附录 T.1 静态化后的可持续性叙事

值得指出的是：pfam.xfam.org 的静态化不是停更，而是"合并到一个更可持续的整合平台（InterPro）“。这对读者是双刃剑——好处是版本与整合自动化、维护集中；代价是Pfam 不再有独立的"最新发布页"，老用户需要适应从 InterPro 获取版本信息的习惯（坑 3）。理解这一点，就不会把"官网不再更新"误读为"Pfam 停止维护”。

附录 U：一份可执行的 Pfam 上手清单

对第一次使用 Pfam 的团队，建议按此顺序推进：

确定版本：查当前 InterPro 绑定的 Pfam 版本（如 38.2），记录下载日期。
取文件：从 InterPro/EMBL-EBI FTP 取 Pfam-A.hmm（+ 需要的 .seed/.clans.tsv/.regions）。
装工具：安装 HMMER（记录版本），用 hmmpress 建索引。
跑扫描：hmmscan --cut_ga 对目标序列集。
解析结果：读 --domtblout，按 domain 坐标/覆盖度筛选，映射 clan。
写方法：用附录 Q 模板写清三要素。
引用：引 2025 更新论文（+ 必要时 2021）。

完成这七步，你就得到了一个可复现、可引用、合规的 Pfam 注释流程。

附录 V：本条目与金标准的对齐说明

本条目参照千方病案医数集 AI-Ready Wikipedia 金标准（panda-plus 条目）的结构规范生产，包含：十主章节（§0–§10）+ INFOBOX 速览 + 20 条 FAQ + 事实清单 + 术语表 + 多则附录 + 尾注；frontmatter 含 schema_org 节点式 cr:RecordSet、rai:dataLimitations 与块式列表 relatedLink 规范；坑点采用"坑 N："编号制（≥5 则，本篇 12 则）；含 DAIMS 评估表（附录 A）。所有硬数字均来自一手来源并带版本号，无编造（详 FACTS.md）。

附录 V2：Pfam 条目的质量控制机制

Pfam 之所以长期被信任，靠的是一套贯穿建库全程的质量控制机制。逐层拆解：

附录 V2.1 seed 层的人工审校

每一份 seed 比对都由领域专家人工校正。审校重点包括：保守位点是否对齐、是否存在明显非成员序列混入、结构域边界是否合理、迭代轮次是否收敛。这一步是 Pfam 与"全自动聚类库"的分水岭（§6.2）。

附录 V2.2 HMM 层的阈值标定

seed 训练出的 HMM 需要标定 GA/TC/NC 三档阈值。阈值标定依赖对已知成员/非成员的经验判断：太低则假阳性涌入，太高则漏掉真成员。per-family 阈值的存在本身就说明"质量判据是逐家族定制的"（§5.3、§11.2）。

附录 V2.3 full 层的自动校验

full 比对由 HMM 搜索自动生成，但需通过一致性检查（如是否存在明显异常的并入序列、边界是否越出 seed 定义）。异常个例会被回退到人工复核。

附录 V2.4 clan 层的重叠消解

新条目要与既有条目做相似性比较，若与某 clan 的成员高度相关，则并入该 clan，避免同一演化历史被重复描述。这是 Pfam 层面最重要的"去冗余"机制（§3.3）。

附录 V2.5 整合层的交叉验证

提交 InterPro 后，Pfam 签名要与其他成员库的签名对账。若某家族同时被 PROSITE、PRINTS 等描述，InterPro 会整合为统一 IPR 条目——这提供了"跨方法交叉验证"的又一重保险。

附录 V3：Pfam 条目的更新与废止

条目不只有"新增"，还有"更新"与"废止"：

操作	触发场景	影响
新增条目	发现新家族 / 结构驱动新 domain	家族数增长
更新 seed	新成员改变了家族理解	边界/阈值可能变化
更新 HMM	seed 变更后重训	命中集合可能变化
并入 clan	与既有条目相似性被确认	层级结构调整
废止/合并条目	与其他条目实为同族 / 质量不达标	PF 号状态变更

对使用者的启示：长期项目若依赖某个 PF 号的稳定性，应定期检查其当前状态（是否被合并、边界是否变动）。"钉版本"是基础，但版本升级时做差异对比才是负责任的实践（§附录 Y）。

附录 V4：Pfam 与蛋白质组学工作流的集成

在现代蛋白质组学/基因组学流水线里，Pfam 通常以"注释组件"的形式被调度：

原始序列（基因组/转录组/宏基因组）
        │
        ▼
基因预测 / ORF calling
        │
        ▼
蛋白序列集合
        │
        ├──► UniProt 比对（取 identity / coverage）
        ├──► Pfam 扫描（hmmscan --cut_ga）        ← 结构域注释
        ├──► InterPro 整合查询（跨库判决）
        │
        ▼
带结构域注释的蛋白目录
        │
        ▼
功能富集 / GO 映射 / 通路分析

集成要点：Pfam 扫描通常在"蛋白序列集合"这一节点接入；结果与 InterPro 查询互补（Pfam 给单库签名命中，InterPro 给整合判决）；下游功能分析多以 IPR→GO 映射为桥梁（§8.5）。

附录 V5：Pfam 教育与实践资源

对想系统上手 Pfam 的学习者，建议路径：

概念层：理解结构域、家族、profile HMM、clan、seed/full（本条目 §0、§3、§5）。
工具层：学 HMMER 的 hmmscan/hmmsearch/hmmfetch/hmmpress 与 --cut_ga（附录 D）。
数据层：熟悉 Pfam-A.hmm/.seed/.full/.clans.tsv 的格式（§5.2、§3.4）。
整合层：学会通过 InterPro 交叉查询与 IPR→GO 映射（§8.5）。
复现层：掌握"三要素"方法学模板（附录 Q）。
前沿层：了解 Pfam-N 与 AlphaFold 驱动的建库（§4.4、§6.4）。

完成这六层，即可独立开展基于 Pfam 的结构域注释与分析。

附录 V6：Pfam 数据的可迁移性与格式互转

Pfam 数据在实际使用中常需与其他格式互转：

转换	方法	用途
HMMER → 索引库	`hmmpress Pfam-A.hmm`	加速批量扫描
单家族抽取	`hmmfetch Pfam-A.hmm PF00001`	只跑关注的家族
比对格式转换	用比对工具（如 esl-reformat）转 Stockholm↔其他	下游系统发生/可视化
clan 映射	用 `Pfam-A.clans.tsv` 做 family→clan 归并	层级化统计
区域坐标 → GFF	用 `Pfam-A.regions` 生成注释轨道	基因组浏览器展示

注意：任何抽取/转换都应保留 HMM 头信息，否则 --cut_ga 失效（坑 9、§5.6）。

附录 V7：为什么 Pfam 值得作为"教学样本"

Pfam 是数据科学/生物信息学教学中极佳的案例，因为它同时具备：

清晰的方法学：人工定义 + 概率模型 + 阈值标定，方法链完整可讲。
真实的版本演化：规模随版本快速增长，天然演示"版本即契约"。
标准的知识组织：entry/clan/整合的三级结构，是层级化数据设计的范例。
丰富的生态接口：与 UniProt/PDB/GO/ECOD 的互操作，演示数据集成。
许可与治理的典型：CC0 数据 + OUP 论文的双许可，演示"数据 vs 文献"的许可分层。
AI 转向的缩影：Pfam-N 与 AlphaFold 的引入，演示传统方法学如何拥抱学习模型。

正因如此，Pfam 常被用作"数据库工程"与"计算方法学"课程的入门案例。

附录 W：Pfam 术语的层级关系图

把 Pfam 与相关概念的组织关系用文字树画出来，便于读者建立全局心智模型：

蛋白质序列空间（UniProtKB，1.5 亿条）
│
├── InterPro（整合框架，54,922 条目）
│   │  └── 聚合各成员库签名，给出统一目录
│   │
│   ├── Pfam（成员库，30,134 签名 @38.2）        ← 本条目
│   │   ├── entry（PFxxxxx）
│   │   │   ├── seed 比对（人工，定义）
│   │   │   ├── profile HMM（由 seed 训练）
│   │   │   └── full 比对（自动，全量成员）
│   │   ├── clan（CLxxxx，归并 related entries）
│   │   └── entry 类型：family/domain/repeat/motif/coiled-coil/disordered
│   │
│   ├── PROSITE（patterns 1,311 + profiles 1,419）
│   ├── PRINTS（2,106）
│   ├── SMART（1,322）
│   ├── PANTHER（15,683）
│   ├── CDD（19,902）
│   ├── CATH-Gene3D（6,631）
│   ├── HAMAP（2,394）
│   ├── PIRSF（3,285）
│   ├── SUPERFAMILY（2,019）
│   ├── NCBIFAM（18,950）
│   └── SFLD（303）
│
└── 结构分类体系（Pfam 的对账对象）
    ├── ECOD（演化分类，约 271 万 domain）
    ├── CATH（C/A/T/H 四级）
    └── SCOP/SCOPe（人工结构层级）

读图要诀：Pfam 在图中是 InterPro 的一个子节点（成员库），不是并列于 InterPro 的独立体系。把这张图记住，就能避免绝大多数 Pfam/InterPro 混淆（§8、坑 7）。

附录 X：常见下游使用场景与注意事项

Pfam 在真实科研/工程里的使用场景高度多样，逐场景给出注意事项：

附录 X.1 基因组注释流水线

把 Pfam 接进基因组注释（如对预测基因产物的批量结构域标注）。注意：记录 Pfam 与 HMMER 版本、固定阈值；对超长/碎片化序列留意 domain 边界；输出时保留 PF 号与坐标以便追溯。

附录 X.2 宏基因组功能刻画

对环境样本序列做 Pfam 扫描，刻画微生物群落的功能潜能。注意：环境序列常碎片化，命中率低于参考蛋白组；区分"结构域命中"与"完整家族命中"；结合 clan 层级降低冗余。

附录 X.3 蛋白质功能预测模型评测

把 Pfam 家族作为功能标签体系，评测蛋白质语言模型。注意：Pfam 不是带 split 的 benchmark（坑 11）；做 held-out 划分时要按家族/clan 分层，避免同源泄漏；记录版本以保证基线可对齐。

附录 X.4 结构域架构分析

把蛋白注释成 PF 序列，刻画 domain architecture。注意：用 clan 归并减少冗余；seed/full 依目的择用（坑 10）；边界坐标与结构证据（PDB/AlphaFold）交叉验证。

附录 X.5 新家族发现与提交

发现疑似新家族并向 Pfam 提交。注意：Pfam 有人工审定接口；提交需提供代表性序列、证据（结构/相似性）；与 ECOD 的"Pfam 协作候选"机制呼应（§4.6）。

附录 X.6 商业软件集成

把 Pfam-A.hmm 打进商业产品。注意：数据 CC0 允许商用免署名（§9.1），但论文引用条款另算；随产品分发的版本要固定并注明；更新节奏随 InterPro。

附录 Y：版本升级对既有分析的影响

当 Pfam 发布新版本（如 38.0 → 38.2），既有分析可能受影响：

影响面	说明	应对
命中集合变化	新家族加入、阈值微调	记录版本；重跑时对比差异
家族计数变化	条目数增减（25,545→30,134）	报告带版本号
clan 归并变化	新增 clan、条目重新归并	涉及层级分析时复查
覆盖度变化	Pfam 与 UniProt 双端变化	三要素写全（附录 M）
条目废弃/合并	少数条目可能被整合	检查旧 PF 号的当前状态

纪律：任何长期项目都应"钉版本 + 记录理由"。升级是主动决策，不应在无声中发生；否则历史结论与新结论无法比较。

附录 Z：Pfam 相关关键文献与资源清单

类型	标识	说明
更新论文（推荐）	NAR 2025;53(D1):D523–D534，doi:10.1093/nar/gkae997	“embracing AI/ML”，PMID 39540428
历史论文	Mistry et al., NAR 2021，doi:10.1093/nar/gkaa913	官网静态页仍列
整合框架	InterPro 110.0 release notes（2026-09-03）	版本/成员库权威口径
主入口	https://www.ebi.ac.uk/interpro/entry/pfam/	Pfam 成员库浏览
单条示例	https://www.ebi.ac.uk/interpro/entry/pfam/PF00001/	条目页
官方旧站	pfam.xfam.org（静态化）	已停更，勿作当前源
结构对账	ECOD / CATH / SCOP	结构分类参照

附录 AA：给"赶时间"的读者的三分钟速记

如果你只有三分钟，记住这十条：

Pfam = 蛋白质家族/结构域数据库，每条目 = seed 比对 + profile HMM。
Pfam 是成员库，InterPro 是整合框架——这是本条目最重要的一句话。
规模必须带版本：38.0=25,545 / 38.2=30,134。
覆盖 UniProtKB 83.0%（2026_03，整合口径），别用笼统的 80%/90%。
用 HMMER + --cut_ga，别用统一 E 值。
数据 CC0 可商用；论文版权在 OUP，两层分开。
pfam.xfam.org 已静态化，当前版本走 InterPro。
Pfam-B 已废弃，现行仅 Pfam-A。
Pfam-N 是深度学习扩展层（+8.8% UniProtKB 覆盖），别当家族数。
引用 2025 更新论文（+ 必要时 2021 论文），写清方法三要素。

附录 AB：从检索词到资源的导航表

你的目标	推荐查询	落点
Pfam 官方入口	Pfam InterPro / ebi.ac.uk interpro pfam	InterPro Pfam 浏览页
Pfam 最新论文	“Pfam” “embracing AI/ML” 2025	NAR doi:10.1093/nar/gkae997
版本/成员库口径	InterPro release notes 110	ebi.ac.uk/interpro/release_notes
家族下载	Pfam-A.hmm download	EMBL-EBI/InterPro FTP
宗族信息	Pfam clan CLxxxx	InterPro set 页
结构对账	ECOD Pfam harmonization	ECOD 项目页
老教程	pfam.xfam.org legacy	注意已静态化（坑 3）

附录 AC：Pfam 与其它"参考注释资源"的定位对比

Pfam 在"AI-Ready 参考注释资源"家族里的位置，可与几个常见资源对比：

资源	类型	许可	AI-Ready 特点
Pfam	蛋白家族/结构域	CC0	直链、API、即插即用
UniProt	蛋白序列/注释	CC BY 4.0（现行）	直链、API、大规模
InterPro	整合框架	CC0	直链、API、跨库整合
PDB	蛋白结构	公有领域	直链、结构数据
GO	功能术语	CC BY 4.0	直链、本体
ECOD/CATH	结构分类	多为开放	直链、结构层

共同点：都是公开直链 + 开放许可 + 结构化 + 稳定标识的"基础设施级"资源，构成蛋白质研究的数据底座。Pfam 在其中以其序列层面的广覆盖 + CC0 最宽松许可而突出。

附录 AC.1 对数据管线团队的建议

对要搭"蛋白质注释管线"的团队：Pfam + UniProt + InterPro 三个资源即可覆盖序列→结构域→功能术语的主链路；再按需接 PDB/ECOD/CATH 做结构校验。全部公开直链，无需审批，是少见的"零授权摩擦"资源组合。唯一的技术门槛是 HMMER 与比对格式——这一点值得提前投入学习。

附录 AD：术语首现英文对照总表（补充）

本条目正文中术语首现已标英文，此处补一份总表备查：

中文	英文	首见章节
蛋白质家族	protein family	§0.1
结构域	protein domain	§0.1
多序列比对	multiple sequence alignment（MSA）	§0.1
profile 隐马尔可夫模型	profile hidden Markov model（profile HMM）	§0.1
种子比对	seed alignment	§0.1
全序列比对	full alignment	§0.1
宗族	clan	§0.3
采集阈值	gathering threshold（GA）	§3.4
成员库	member database	§2.3
整合框架	integration framework	§8.1
签名	signature	§2.3
负空间	negative space	§4.6
对账	harmonization	§6.5
微蛋白	microprotein	§6.6
宏基因组	metagenomic	§6.6
结构域架构	domain architecture	§7.1
参考蛋白质组	reference proteomes	§3.5

附录 AE：本条目覆盖范围声明

本条目覆盖 Pfam 的身份、定位、版本史、规模硬数字、数据格式、构建方法、任务与基准、库内关系与消歧、获取与许可、坑点、FAQ、事实清单、术语表与附录。未覆盖（或在其它条目中覆盖）：InterPro 整合框架的完整细节（见 InterPro 条目）、UniProt 序列库细节（见 UniProt 条目）、结构分类体系（见 CATH/ECOD/SCOP 条目）、蛋白质语言模型的建模细节（不在本条目范围）。凡涉及与这些资源的关系，本条目只在与 Pfam 直接相关的接口处展开（§8）。

§11 方法论总览：Pfam 教给数据工程的五条经验

虽名为"数据库条目"，Pfam 的设计哲学对做数据工程的人同样有借鉴意义，提炼五条：

§11.1 人工定义 + 自动放大

坚持人工审定核心（seed），让自动化负责规模化（full）。质量锚点必须有人在回路——纯自动聚类（如已废弃的 Pfam-B）难以维持质量。这对任何"人工+机器"混合系统都是重要启示：人的位置应放在"定义标准"，而非"重复劳动"。

§11.2 per-unit 阈值而非全局阈值

不同的家族有不同的判据（GA/TC/NC），拒绝"一刀切"。这提醒我们：当一个系统内部单元差异很大时，全局阈值往往是错的——per-unit 阈值才尊重分布的真实形状。

§11.3 版本即契约

规模随版本变化（38.0→38.2 差近 4,600 条），"钉版本"是可复现的前提。任何快速演进的资源都应把版本号当作引用契约的一部分——脱号引用等于没有引用。

§11.4 层级化消歧

clan 把重叠条目归并，避免重复计数与命中冲突。当数据里存在"多个描述同一事物"的冗余时，建立上层分组是标准的消歧手段——这在知识图谱、实体消解等场景同样适用。

§11.5 并入更大的平台以求可持续

Pfam 选择在 2015 年后并入 InterPro、并在近年静态化独立官网，本质是"把一个单库的维护，融入一个整合平台"。代价是失去独立入口，收益是集中维护与自动整合。对数据工程团队而言，这是"专注核心、外包集成"的典型权衡。

§12 结语：Pfam 作为"蛋白质世界的参照系"

回到最初的问题——Pfam 到底解决了什么？它给蛋白质世界提供了一套可复用的参照系：把千变万化的蛋白质拆成有限的结构域"字母"，让任何一条新序列都能被"拼读"出它含有的功能模块。这套参照系的价值不在于它自己多"大"，而在于它让下游的一切——基因组注释、功能推断、结构预测、药物靶点发现——有了共同的坐标。

而理解 Pfam 的关键，是始终记得它的双重身份：在技术上，它是一个用 profile HMM 表征家族/结构域的单一成员库；在生态上，它是 InterPro 整合框架里覆盖最广的一本"分账"。 前者决定了它怎么用（HMMER + --cut_ga，钉版本），后者决定了它怎么算（一个库的签名数，不等于整合框架的条目数）。

这份双重身份，加上"数据 CC0、论文 OUP"的许可分层、"官网静态化、改走 InterPro"的现状、"Pfam-A 现存、Pfam-B 废弃"的沿革、"带版本号引用"的纪律——共同构成了 Pfam 在 2026 年的准确画像。本条目力求把这份画像写得既可用、又可引、又不失真，让读者在检索 Pfam 时，不但拿到数字，还拿到数字背后"该怎么用、别怎么错"的判断。

附录 AF：双口径与遗留疑点汇总（终版）

#	项	口径 A	口径 B	处理
1	38.0 日期	2025-10	2025-12-01（下载更新）	以 InterPro 绑定为锚，存照
2	38.0 条目数	25,545（官方页）	“over 26,000”（二手）	按官方 25,545
3	覆盖度	80%（二手）	90%（二手）	按实测 83.0%
4	推荐引用	2021 论文（官网）	2025 论文	双引
5	家族计数层级	entry（PF）	clan（CL）	并列报告
6	38.2 独立发布说明	未见独立页	见于 InterPro 110.0 侧	以 InterPro 为准
7	Pfam 38.1 精确发行日	未核到	—	遗留疑点
8	ECOD 侧 38.0 “Release”	March 2025（疑误）	2025 下半年	不采信，存照

遗留疑点：Pfam 38.1 的精确发布日期、38.2 的独立发布说明页，本轮核验未取到一手页面——已如实标注，未编造；两项均不影响正文核心结论（版本数字与定位皆有他源互证）。

附录 AG：生产与审校记录

生产通道：AI-Ready Wikipedia 写作代理 B，slug = pfam，任务书 /workspace/qianfanghub-study/rsi_dispatch/task_pfam.md。
开工三查：锁文件 writing/pfam/.lock（内容 agent-b-pfam 2026-10-13T23:49）自建；ps aux | grep -c "[c]odebuddy" = 4（留痕）；slug 查重 DB 与 writing/ 均无命中。
事实核验：3 次 WebSearch + 4 次 WebFetch，三源互证核心硬数字；FACTS.md 九节落盘 writing/pfam/FACTS.md。
成稿方式：私有区分片（part1-7）直写后 cat 拼接；全程未用 Edit 追加正文，避免"附录标题吞噬"。
双闸门：check_md.py + preflight_check.py 双零；YAML 解析通过。
坑点：§10 十二则 + 附录 AF 双口径表。
消歧重点：§8 + 附录 W 树图 + 附录 S 方法学差异表，三处反复交代"Pfam = 单体库 / InterPro = 整合框架"。

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-13。事实陈述以 InterPro 110.0 发布说明（2026-09-03）、InterPro Pfam 成员库表、pfam.xfam.org 静态页（38.0=25,545/796、38.1=27,481/812）与 NAR 2025 更新论文（Paysan-Lafosse et al., doi:10.1093/nar/gkae997, PMID 39540428）为源。Pfam 规模数字随版本快速变化（38.0→38.2 增长近 4,600 条），正文一律连版本号引用；版本日期多口径、覆盖度二手化简、官网静态化、引用论文口径时差等原始文档层面的不整齐，已在 §10 坑点与附录 F 双口径表存照。

核心消歧一句话：Pfam 是 InterPro 联盟的单一成员库（提供 protein profile HMM 签名），InterPro 是整合框架（聚合 Pfam/PROSITE/PRINTS/SMART/PANTHER/CDD 等多库）；Pfam 38.2 的 30,134 条签名中 96.7% 被 InterPro 整合，但 Pfam 条目数与 InterPro 条目数（54,922）是不同层级的计数，不可混用。条目与库内将产出的 InterPro 条目（整合框架）互链，构成蛋白质家族/结构域知识家族的检索面；与 UniProt、PDB、ECOD、CATH 等资源构成序列-结构-功能一体化的检索网络。后续维护触发点：Pfam/InterPro 新版本发布、Pfam-N 覆盖更新、库内 InterPro 条目落库后补 rid 并重建家族导航。

维度	内容
本体	蛋白质家族与结构域数据库，每条目 = seed 多序列比对 + profile HMM
定位	单一成员库（member database）；2015 起隶属 InterPro 联盟并为其覆盖主力
维护	EMBL-EBI（英国 Hinxton）+ InterPro 联盟协作方；1998 年建于 Sanger Institute
官方站	pfam.xfam.org 已静态化停更，数据统一走 https://www.ebi.ac.uk/interpro/
规模	38.0=25,545 entries/796 clans；38.1=27,481/812；38.2=30,134 signatures（随 InterPro 110.0）
覆盖	UniProtKB 2026_03：83.0% 匹配整合签名（任一签名 85.1%）
层级	entry 6 类（Family/Domain/Repeat/Motif/Coiled-Coil/Disordered）+ clan 宗族归并
引擎	HMMER 3.x profile-HMM 搜索，gathering threshold（`--cut_ga`）判命中
许可	数据 CC0 1.0（免署名可商用）；论文版权归 OUP（≠ 数据许可）
AI 化	Pfam-N 深度学习扩展家族覆盖（+8.8% UniProtKB 覆盖）、AlphaFold 精修 domain 边界
消歧	Pfam = 单一库；InterPro = 整合框架（含 PROSITE/PRINTS/SMART/PANTHER/CDD…）
库内互链	InterPro（整合框架，同批生产）、UniProt/ECOD/PDB/CATH/SUPERFAMILY（互操作）