蛋白质序列的长度差异极大，短肽只有几十个残基，而大型蛋白可能超过两千个氨基酸。当我们用推理模型对序列做功能注释、二级结构预测或结合位点分析时，常常遇到一个棘手的问题：序列长度加上提示词之后超出了模型的最大上下文长度。此时有些框架会直接抛出异常，有些则会悄悄截断序列尾部，两种情况都会让推理结果变得不可靠。本文介绍的重叠滑动窗口与分段推理两种策略，可以在不更换模型的前提下，把长序列推理这个问题拆解成模型能够处理的子问题。
为什么长序列会超出推理长度限制
大语言模型的上下文长度通常以token数量计算，而不是字符数。蛋白质序列使用单字母氨基酸编码时，一个残基大约对应一个token，但提示词模板、任务描述、输出格式要求会额外占用几百甚至上千个token。假设模型上下文为2048，任务提示占用400，那么实际能容纳的序列只有1600多个残基，再加上模型需要为输出结果预留生成空间，可用长度还要再打折扣。
更麻烦的是，很多蛋白质功能依赖于远距离残基之间的相互作用。即使序列能被完整输入，模型对超长距离依赖的建模能力也会随距离衰减。因此分段处理不仅是为了绕过长度限制，某种程度上还能让模型更专注于局部上下文，提升对局部结构特征的捕捉精度。
截断是绝对要避免的做法。一段序列的C端如果恰好包含信号肽切割位点或跨膜区域，直接截掉意味着模型永远看不到这些关键信息，输出的功能注释会系统性偏向N端特征，这类错误在批量处理时尤其隐蔽。
重叠滑动窗口的设计与实现
滑动窗口的核心思想是把长序列切成若干个有重叠的片段，每个片段独立送入模型推理，最后把结果拼接回去。重叠部分的作用是补偿边界效应：模型在片段开头和结尾处缺少上下文，预测置信度通常偏低，通过让相邻窗口共享一段残基，可以把低置信度的边界区域用相邻窗口中间区域的结果覆盖。
窗口大小和重叠率的选取需要权衡。窗口越大，单次推理的上下文越完整，但窗口数量减少、每次推理耗时增加；重叠率一般取窗口长度的10%到25%。如果任务关注的是残基级别的逐位预测（如二级结构），重叠取大一些更稳妥；如果是片段级别的分类任务，较小重叠即可。
def sliding_window(sequence, window_size, overlap):
"""将蛋白质序列切分为带重叠的窗口列表"""
if len(sequence) <= window_size:
return [(0, sequence)]
step = window_size - overlap
windows = []
start = 0
while start + window_size <= len(sequence):
windows.append((start, sequence[start:start + window_size]))
start += step
# 处理尾部不足一个窗口的残余序列
if start < len(sequence):
last_start = len(sequence) - window_size
windows.append((last_start, sequence[last_start:]))
return windows
seq = "MKTV" * 600 # 模拟一条2400残基的长序列
result = sliding_window(seq, window_size=512, overlap=64)
print(f"共切分出 {len(result)} 个窗口")上面的实现中，last_start的处理很关键。如果直接从start位置切到序列末尾，最后一个窗口会比其他窗口短，模型对短窗口的输出可能与其他窗口不一致。回退到与上一个窗口对齐的位置，保证所有窗口等长，是实践中更稳妥的做法。
分段推理与结果融合策略
分段推理与滑动窗口的区别在于，分段更强调段与段之间的语义独立性，适合整段序列对应一个标签的任务，比如判断某个结构域的功能类别。分段时通常按结构域边界或固定长度切分，每个分段独立推理，结果再通过投票或加权平均融合。
对于残基级别的逐位预测任务，融合阶段需要处理重叠区域的冲突。最常用的策略是置信度加权：在重叠区域内，比较两个窗口对该位置预测的置信度分数，取较高者。如果模型不输出置信度，也可以简单地采用“中间优先”原则，即每个窗口只采用其中间80%区域的预测，边界20%交给相邻窗口覆盖。
def merge_predictions(windows, preds, overlap, keep_ratio=0.8):
"""按中间优先原则合并逐位预测结果"""
merged = {}
for (start, seq), pred in zip(windows, preds):
w = len(seq)
lo = int(w * (1 - keep_ratio) / 2)
hi = w - lo
for i in range(lo, hi):
pos = start + i
if pos not in merged:
merged[pos] = pred[i]
# 按原始位置排序还原完整序列
return [merged[k] for k in sorted(merged)]
# windows来自sliding_window，preds是每个窗口的逐位预测列表
# full_pred = merge_predictions(result, preds, overlap=64)注意融合前要确认每个窗口的预测长度与窗口长度一致。某些推理框架会在输出前做空白符裁剪或对齐处理，导致长度不匹配，此时需要先做长度校验并在日志中记录异常窗口，避免错位拼接污染整条序列的结果。
工程实践中的注意事项
第一，token计数要按实际分词器计算，不能按残基数估算。某些模型的蛋白质分词采用BPE方式，一个token可能对应多个残基，也可能一个残基被拆成多个token，用tokenizer.encode拿到真实长度再做窗口切分才准确。
第二，批量推理时注意窗口数量带来的成本放大。一条3000残基的序列按512窗口、64重叠切分后大约有7个窗口，成本接近短序列的7倍。如果任务允许，可以先做一次全长度的粗筛，只对置信度低的区域做窗口级精细推理。
第三，记录窗口元数据便于追溯。建议把每个窗口的起止位置、重叠区域、采用的融合策略写入结果文件的元信息，出现可疑预测时可以快速定位是哪个窗口引入的问题。对于下游做突变分析或结构建模的场景，边界残基的预测建议额外标注低可信度标记，提醒使用者谨慎采用。
综合来看，滑动窗口适合残基级别的连续预测任务，分段推理适合片段级分类任务，两者也可以组合使用：先用分段粗定位功能区，再在目标区域内用小窗口精细推理，兼顾成本与精度。