10亿+蛋白质、3000万核苷酸，全球最大生物向量库

摘要

同源搜索在计算生物学中具有核心作用，可用于识别生物序列间的进化关系与功能相似性。然而，包括BLAST、Foldseek和MMseqs2在内的现有同源搜索方法，难以高效、精准地处理超大规模生物数据库。本研究提出高效检索增强搜索工具ERAST，可在迄今规模最大的向量数据库中处理约10亿条生物序列。ERAST融合大语言模型与向量数据库技术，实现高效且精准的同源生物序列搜索，通过整合检索前、检索中与检索后优化阶段提升搜索质量，同时支持核苷酸与蛋白质序列。凭借先进索引技术、细粒度分段与元数据整合，ERAST精度更优，速度约为Foldseek的50倍、TM-align的5万倍，可在毫秒级完成数10亿生物序列的精准搜索。

hebinghb@gmail.com

huajunsir@zju.edu.cn

qiang.zhang.cs@zju.edu.cn

jianhua.yao@gmail.com

#同源检测 #生物序列 #向量数据库 #蛋白质语言模型 #长序列建模 #检索增强 #高通量搜索

结果

10亿级生物序列向量数据库构建

图1  ERAST总体框架

a，向量数据库包含4大组件：编码模型、EHSM、存储模块与索引模块。采用2种编码模型将序列转换为嵌入向量；为提升同源蛋白检索质量，研发EHSM打分模型（含编码器与分类头），预测查询蛋白与候选序列的同源关系，输出数值标签作为重排序逻辑值。存储模块将向量数据库分段，以Arrow格式存储元数据；索引模块结合倒排文件乘积量化（IVFPQ）与层次可导航小世界（HNSW）算法