一、什么是 CD-HIT？

CD-HIT（Cluster Database at High Identity with Tolerance）是一种广泛使用的生物信息学工具，主要用于快速聚类生物序列数据，如蛋白质或核酸序列，以减少数据冗余和简化数据分析 。其基本原理涉及比较序列之间的相似性，将高度相似的序列分组到同一个聚类中，从而减少数据集的复杂性。

核心思想

CD-HIT 通过贪心算法 + 局部敏感哈希（LSH）快速将相似序列聚类：

• 代表序列（representative）：每个簇选一条序列作为代表
• 成员序列（member）：与代表序列相似度 ≥ 阈值的序列归入同一簇

网页版：CD-HIT: Cluster Database at High Identity with Tolerance

Github源码：GitHub - weizhongli/cdhit · GitHub

为什么 PPI 预测需要 CD-HIT？

在蛋白质-蛋白质相互作用（PPI）预测中，如果训练集和测试集存在高度相似的蛋白，模型可以靠"记住"序列而非学习互作模式，导致评估结果虚高。

使用 CD-HIT 按序列相似度聚类后再划分数据集，可以保证测试集蛋白与训练集序列相似度低于阈值，评估更严格、更可信。

二、安装 CD-HIT

方式1：conda 安装（推荐）

conda install -c bioconda cd-hit

验证是否安装成功：

cd-hit --help

方式2：apt 安装（Ubuntu，需 sudo）

sudo apt install cd-hit

方式3：源码编译（无 sudo、无 conda）

# 1. 下载
wget https://github.com/weizhongli/cdhit/releases/download/V4.8.1/cd-hit-v4.8.1-2019-0228.tar.gz

# 2. 解压编译
tar -xzf cd-hit-v4.8.1-2019-0228.tar.gz
cd cd-hit-v4.8.1-2019-0228
make

# 3. 加入 PATH
echo 'export PATH=$PATH:/your/path/cd-hit-v4.8.1-2019-0228' >> ~/.bashrc
source ~/.bashrc

三、CD-HIT 基本使用

3.1 核心命令

cd-hit -i input.fasta -o output.fasta -c 0.9 -n 5 -T 8 -M 16000

3.2 常用参数详解

参数	含义	说明
-i	输入 fasta 文件	必填
-o	输出 fasta 文件前缀	必填，会生成 .fasta 和 .fasta.clstr 两个文件
-c	序列同一性阈值	0.9 = 90%，蛋白质常用 0.3~0.9
-n	word size	与 -c 联动，见下表
-T	线程数	-T 0 表示用所有 CPU
-M	内存限制（MB）	-M 16000 = 16GB
-d	描述行长度	默认 20，设为 0 保留完整 header
-G	全局序列比对	默认 local，设为 1 用 global

3.3 -c 与 -n 的对应关系

序列同一性阈值	word size (-n)
≥ 0.7	5
≥ 0.6	4
≥ 0.5	3
< 0.5	2

---

四、输出文件解析

CD-HIT 运行后生成两个文件：

output.fasta       ← 每个簇的代表序列
output.fasta.clstr ← 聚类明细（重点！）

4.1 .clstr 文件格式

>Cluster 0
0       234aa, >P12345... *
1       230aa, >Q67890... at 95.2%
2       229aa, >A11111... at 92.8%

>Cluster 1
0       512aa, >B22222... *
1       510aa, >C33333... at 88.4%

每行含义：

• >Cluster N：第 N 个簇
• 0 234aa, >P12345... *：该簇的代表序列（* 标记），长度 234aa
• 1 230aa, >Q67890... at 95.2%：成员序列，与代表序列相似度 95.2%

4.2 Python 解析 .clstr 文件

def parse_clstr(clstr_path):
    """
    解析 CD-HIT .clstr 文件
    返回: {protein_id: cluster_id}
    """
    protein2cluster = {}
    cluster_id = None
    
    with open(clstr_path) as f:
        for line in f:
            line = line.strip()
            if line.startswith('>Cluster'):
                cluster_id = int(line.split()[1])
            elif line:
                # 格式: 0  234aa, >P12345... *
                # 或:  1  230aa, >Q67890... at 95.2%
                pid = line.split('>')[1].split('...')[0]
                protein2cluster[pid] = cluster_id
    
    return protein2cluster

# 使用示例
p2c = parse_clstr('output.fasta.clstr')
print(f"总蛋白数: {len(p2c)}")
print(f"簇数: {len(set(p2c.values()))}")

---

五、PPI 预测中的实战应用

问题背景

PPI 预测的训练样本是蛋白对 (A, B)。如果直接随机划分，测试集里可能出现与训练集蛋白序列相似度 > 90% 的蛋白，导致数据泄露。

解决方案：按 CD-HIT 簇划分数据集

核心思路： 先对所有蛋白做 CD-HIT 聚类，再按簇划分 train/val/test，保证同簇蛋白只出现在同一个集合里。

import pandas as pd
from sklearn.model_selection import GroupShuffleSplit

# 1. 解析聚类结果
p2c = parse_clstr('CORUM_cdhit40.fasta.clstr')

# 2. 加载 PPI 数据
df = pd.read_excel('CORUM_1.xlsx')  # 列: UNIPROTID_A, UNIPROTID_B, Label

# 3. 为每对 PPI 分配组 ID（取两个蛋白所在簇的较小值）
def get_pair_group(row):
    ca = p2c.get(row['UNIPROTID_A'], -1)
    cb = p2c.get(row['UNIPROTID_B'], -1)
    if ca == -1 or cb == -1:
        return -1
    return min(ca, cb)

df['group'] = df.apply(get_pair_group, axis=1)
df = df[df['group'] != -1].reset_index(drop=True)

# 4. 按组划分（同簇蛋白不会跨集合）
gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, temp_idx = next(gss.split(df, groups=df['group']))

df_train = df.iloc[train_idx]
df_temp = df.iloc[temp_idx]

gss2 = GroupShuffleSplit(n_splits=1, test_size=0.5, random_state=42)
val_idx, test_idx = next(gss2.split(df_temp, groups=df_temp['group']))

df_val = df_temp.iloc[val_idx]
df_test = df_temp.iloc[test_idx]

# 5. 验证：训练集蛋白不应出现在测试集
train_prots = set(df_train['UNIPROTID_A']) | set(df_train['UNIPROTID_B'])
test_prots = set(df_test['UNIPROTID_A']) | set(df_test['UNIPROTID_B'])
overlap = train_prots & test_prots
print(f"Train/Test 蛋白重叠数: {len(overlap)}")  # 期望接近 0

# 6. 保存
df_train.drop(columns=['group']).to_excel('train_cdhit.xlsx', index=False)
df_val.drop(columns=['group']).to_excel('val_cdhit.xlsx', index=False)
df_test.drop(columns=['group']).to_excel('test_cdhit.xlsx', index=False)

完整 CD-HIT 运行命令

cd-hit \
  -i /path/to/CORUM.fasta \
  -o /path/to/CORUM_cdhit40.fasta \
  -c 0.4 \
  -n 2 \
  -T 8 \
  -M 16000

为什么用 -c 0.4？ PPI 预测中常用 40% 作为严格阈值，保证测试集与训练集的序列差异足够大。若只需去除高度冗余，可用 -c 0.9。

---

六、总结

场景	推荐 -c 阈值
去除高度冗余（构建非冗余库）	0.9 ~ 1.0
一般去相似（发表论文要求）	0.5 ~ 0.7
PPI 严格评估（防止数据泄露）	0.3 ~ 0.4

CD-HIT 是生物信息学中最常用的序列去冗余工具，掌握它对 PPI 预测、蛋白分类、基因家族分析等任务都很有帮助。

---

参考资料：

• 官方 GitHub：https://github.com/weizhongli/cdhit
• 论文：Li, W. & Godzik, A. (2006). Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequences. Bioinformatics, 22(13), 1658-1659.