AF3 squeeze_features函数解读

AlphaFold3 data_transforms 模块的 squeeze_features 函数的作用去除 蛋白质特征张量中不必要的单维度（singleton dimensions）和重复维度 ，以使其适配 AlphaFold3 预期的输入格式。

源代码：

def squeeze_features(protein):
    """Remove singleton and repeated dimensions in protein features."""
    protein["aatype"] = torch.argmax(protein["aatype"], dim=-1)
    for k in [
        "domain_name",
        "msa",
        "num_alignments",
        "seq_length",
        "sequence",
        "superfamily",
        "deletion_matrix",
        "resolution",
        "between_segment_residues",
        "residue_index",
        "template_all_atom_mask",
    ]:
        if k in protein:
            final_dim = protein[k].shape[-1]
            if isinstance(final_dim, int) and final_dim == 1:
                if torch.is_tensor(protein[k]):
                    protein[k] = torch.squeeze(protein[k], dim=-1)
                else:
                    protein[k] = np.squeeze(protein[k], axis=-1)

    for k in ["seq_length", "num_alignments"]:
        if k in protein:
            protein[k] = protein[k][0]

    return protein

源码解读：

• 该函数接收 protein（一个 包含蛋白质特征的字典）作为输入。
• 主要任务：
  1. 将 one-hot aatype 转换为索引表示。
  2. 移除 shape 为 (N, ..., 1) 的单维度。
  3. 提取 seq_length 和 num_alignments 的实际数值。

Step 1: 处理 aatype

protein["aatype"] = torch.argmax(protein["aatype"], dim=-1)

• 输入 aatype（氨基酸类型）通常是 one-hot 编码
• 通过 torch.argmax(..., dim=-1) 获取 索引
• 目的 ：简化 aatype 的数据表示，使其直接存储氨基酸索引，而不是 one-hot 矩阵。

Step 2: 移除单维度

for k in [
    "domain_name",
    "msa",
    "num_alignments",
    "seq_length",
    "sequence",
    "superfamily",
    "deletion_matrix",
    "resolution",
    "between_segment_residues",
    "residue_index",
    "template_all_atom_mask",
]:
    if k in protein:
        final_dim = protein[k].shape[-1]  # 获取最后一维的大小
        if isinstance(final_dim, int) and final_dim == 1:
            if torch.is_tensor(protein[k]):
                protein[k] = torch.squeeze(protein[k], dim=-1)  # 去掉单维度
            else:
                protein[k] = np.squeeze(protein[k], axis=-1)

• 遍历多个 protein 特征字段，检查它们是否存在。
• 如果最后一维 final_dim 为 1 ，说明这个维度是无意义的单维度 ，需要去除：
  • 如果是 PyTorch 张量 （torch.Tensor），使用 torch.squeeze(dim=-1)。
  • 如果是 NumPy 数组 ，使用 np.squeeze(axis=-1)。

Step 3: 处理 seq_length 和 num_alignments

for k in ["seq_length", "num_alignments"]:
    if k in protein:
        protein[k] = protein[k][0]

seq_length 和 num_alignments 可能是 列表或张量 ，但它们的数值其实是一个单独的整数，因此需要转换成 标量值。

结论

1️⃣ 转换 aatype : 从 one-hot 编码 转换成 索引表示 。

2️⃣ 移除无用的单维度 : 让 msa, resolution, deletion_matrix 等数据符合 AlphaFold3 预期格式。

3️⃣ 转换 seq_length 和 num_alignments 为标量: 确保它们不会以张量形式存在，而是整数。

💡 最终作用：保证输入数据的维度符合 AlphaFold3 训练时的输入要求，提高数据处理效率。