蛋白质的表达方式主要有以下几种：
1. 氨基酸序列表示法
- 单字母代码：使用20种标准氨基酸的单字母缩写（如A、C、D、E等），是最常用的表示方法
- 三字母代码：使用三个字母表示每种氨基酸（如Ala、Cys、Asp等），更具可读性
- 全名称：使用完整的氨基酸名称，通常在详细文档中使用
2. 计算生物学中的表示法
- One-hot编码：将每个氨基酸转换为长度为20的二进制向量
- 数值编码：将氨基酸映射到特定数值（如物理化学性质）
- 词嵌入：使用预训练模型生成的向量表示
- BPE编码：我们之前创建的Byte Pair Encoding词库，用于蛋白质序列的分词
3. 结构表示法
- 一级结构：氨基酸的线性序列
- 二级结构：α螺旋、β折叠等结构元素
- 三级结构：完整的三维空间构象
- 四级结构：多亚基复合物的组装方式
4. 特殊标记表示
在我们创建的deepseekr1词库中，使用了以下特殊标记：
<P>：蛋白质序列开始标记<|startoftext|>：文本开始标记<|endoftext|>：文本结束标记
这些表达方式在不同的应用场景中各有优势，我们之前创建的词库主要用于机器学习模型的蛋白质序列处理。
蛋白质序列在不同的表示和处理层面有不同的考虑：
1. 核心序列组成
- 纯氨基酸序列 ：在大多数计算生物学和机器学习应用中，蛋白质序列通常指的是纯氨基酸序列，即由20种标准氨基酸（A、C、D、E、F、G、H、I、K、L、M、N、P、Q、R、S、T、V、W、Y）组成的线性链
- 这是我们词库处理的基础：我们创建的蛋白质BPE词库主要基于这种纯氨基酸序列表示
2. 蛋白质的翻译后修饰
- 糖基化：糖蛋白确实存在，是蛋白质链上连接了糖链的修饰形式
- 其他常见修饰 ：
- 磷酸化（Ser、Thr、Tyr残基）
- 甲基化（Lys、Arg残基）
- 乙酰化（N端或Lys残基）
- 泛素化（Lys残基）
- 二硫键（Cys残基之间）
3. 序列表示中的处理方式
- 标准表示 ：在大多数数据库（如UniProt）中，蛋白质序列通常以纯氨基酸序列形式存储，翻译后修饰会在注释中说明，而不是直接体现在序列中
- 特殊表示系统 ：有些专业数据库会使用扩展的氨基酸代码来表示修饰，例如：
- 使用"U"表示硒代半胱氨酸
- 使用"O"表示吡咯赖氨酸
- 使用特殊符号表示修饰位点
4. 在我们的词库中的处理
- 我们的BPE词库：主要处理标准的20种氨基酸序列
- 适用范围：对于大多数机器学习任务，纯氨基酸序列已经足够捕捉蛋白质的基本特征
- 扩展可能性 ：如果需要处理修饰后的蛋白质，可以：
- 使用特殊标记来表示修饰位点
- 扩展词库以包含修饰相关的token
- 在模型训练中单独处理修饰信息
5. 实际应用中的考虑
- 数据来源：从PDBbind等数据库获取的蛋白质序列通常是纯氨基酸序列
- 计算效率：使用纯氨基酸序列可以保持数据的一致性和计算效率
- 模型性能：许多预训练蛋白质模型（如ESM-2、ProtBERT）都是在纯氨基酸序列上训练的，表现良好
因此，我们之前创建的蛋白质词库是基于纯氨基酸序列设计的，这是蛋白质序列处理的标准做法，适用于大多数机器学习和计算生物学任务。