下载一份 AlphaFold 2 模型,查看器把大部分区域涂成蓝色,页面又显示八十多分的整体置信度,很容易认为整条蛋白的形状已经足够可靠。但如果两个局部折叠单元之间的方向没有被模型确定,用它们之间的距离设计突变、解释位点接近或者准备对接,就可能超出了结果支持的范围。
这篇文章实际安装 Gemmi,配合 NumPy 读取并复核 AlphaFold 数据库中人钙调蛋白一的公开预测输出。我们交叉检查两种坐标格式、逐残基置信度和位置误差矩阵,再统计不同区域的表现。本次从已有预测结果开始,没有重新执行 AlphaFold 2 推断,也不把读表耗时写成模型预测速度。

先确认下载的是哪条序列、哪一版模型
本例使用 P0DP23 数据库条目,对应一百四十九个氨基酸。下载文件固定到该条目的第六版。接口注明生成工具是 AlphaFold Monomer v2.0 pipeline,因此文件名中的版本六表示这份数据库模型文件的版本,不是“AlphaFold 6”。软件版本、数据库发布版本和某个条目的文件版本应分别记录。
实际工作中,蛋白名称相同还不足以确认输入一致。不同转录本、截短构建体、标签、末端加工或点突变,都可能改变实验中使用的序列。建议先保存准确的氨基酸序列,再将其与模型中的聚合物序列逐位对应。本例脚本把坐标读回的序列与保存的目标序列完全核对,并确认编号连续、没有插入编号,之后才计算置信度。
如果实验构建体去掉了开头的一个残基,模型中的第二十位就不能直接当作构建体中的第二十位。没有显式映射时,结构图上圈对了位置,也可能在实验表格里写错编号。这个问题不会随着置信度提高而消失,应在结果解释之前解决。
安装和复现范围
本次使用 Python 3.14.3、Gemmi 0.7.5 和 NumPy 2.4.4。脚本从固定版本网址下载坐标、逐残基评分和 PAE 文件,保存校验值后进行计算。已经有这些文件时可以使用缓存目录,仍应核对输出中的校验值是否与预期一致。
python -m pip install gemmi==0.7.5 numpy==2.4.4
python 230-alphafold2/run.py ./af2-output-check
下载复核脚本与本次结果。包中记录了每个文件的来源、大小和校验值,也保留了窗口范围与全部统计量。这里安装的是读取与分析结构的工具。本地完整预测还涉及模型参数、序列搜索数据库和相应计算环境,那是另一条流程,不能因为已经成功打开坐标就声称完成了预测部署。
读者如果手中已有自己的预测结果,可以先复用检查思路,再替换文件名和序列映射。不要直接删除脚本里的长度与编号断言来适配不同蛋白。断言失败意味着某个对应关系尚未确认,应该解释差异来源,而不是让程序继续产出一个看起来正常的平均值。
坐标的 B 因子列,在这里存的是什么
对本例的预测坐标,逐残基置信度保存在原子记录的 B 因子字段中。我们分别读取 PDB 和 mmCIF,抽取每个残基的一个碳α原子,并与逐残基置信度文件逐项比较。两种坐标都有一百四十九个残基,评分与 JSON 一致,仅存在读入浮点数产生的极小表示误差。官方文件说明解释了这种存储约定。
这不意味着所有结构文件的该字段都可以当成预测置信度。实验结构的同名字段有其对应的物理与精修含义,读取之前必须确认文件来源。把实验结构和预测结构混合成一个目录,再对这一列统一设阈值,会产生难以察觉的概念错误。
计算全长平均值时,也应每个残基只计一次。若把所有原子的值直接平均,侧链原子较多的残基会获得更高权重。本例逐残基平均值约为八十五点二四,而所有原子直接平均约为八十五点二二,差异虽然不大,计算对象却已经改变。对于不同组成的序列,这种隐含权重不应被当成默认规则。
接口给出的汇总值为八十五点二五,与当前下载的逐残基数值重算结果有很小差别。仅凭现有文件无法确定这个差别的来源,本次保留两者,不人为修改原始数据去追求完全相等。后面的区域比较统一使用同一份逐残基文件,因此统计口径明确。
一个平均值掩盖了哪些低置信度区域
全长平均值高,并不表示每个位置都处于相同水平。本例中低于七十分的残基共有十五个,分布在第一到第五位、第七十五到第八十二位,以及最后两位。这些位置在序列中的分布,比一个“低分残基百分比”更有帮助,因为末端和中间连接位置对后续分析的影响不同。
低置信度提示模型对局部结构缺乏把握,但不能单凭它确定该区域在所有条件下都无序。它也可能与输入信息不足、构象依赖或当前建模条件有关。具体解释需要结合序列特征、已有实验和研究条件。报告可以写“该区域预测置信度较低,当前坐标不宜用于精确几何解释”,而不必强行给出一个尚未验证的生物学原因。
同样,超过某个分数也不能证明某个侧链朝向、氢键或配体接触必然正确。局部评分可以帮助确定值得优先查看的区域,但功能机制仍然需要对应层面的证据。尤其当结论依赖一个很短的接触距离时,应检查参与原子及局部化学环境,不能只看整条链的平均颜色。
用两个明确窗口比较局部与整体
为了把问题量化,我们人为选择第六到第六十九位,以及第八十四到第一百四十七位两个窗口,每个窗口都是六十四个残基。中间的第七十到第八十三位单独统计。这些范围用于教学比较,没有把它们当成软件自动识别的精确结构域边界。
| 比较项目 | 前段窗口 | 后段窗口 |
|---|---|---|
| 残基范围 | 6–69 | 84–147 |
| 平均 pLDDT | 88.11 | 89.61 |
| 窗口内 PAE 中位数 | 3 埃 | 3 埃 |
| 以本窗口为参照评价另一窗口 | 23 埃 | 22 埃 |
两段窗口的局部平均评分都较高,窗口内部的位置误差中位数均为三埃。但固定其中一段、评价另一段时,中位数达到二十三或二十二埃。中间窗口的平均局部评分约为六十七点一三。由这些数据可以说,两个窗口内部的关系比它们彼此之间的摆放更有把握。
这不等于真实蛋白的两段一定相距二十三埃,也不等于模型坐标中的距离必须错误二十三埃。PAE 是模型预计的位置误差,不是两点之间的空间距离。真正要测量两段在当前模型中隔多远,应从坐标计算,并同时说明这种相对摆放的可信程度。
窗口内部统计排除了主对角线,因为一个位置相对于自身的误差接近零,不能提供区域内部相对关系的有效证据。对很短的窗口,不排除这些元素会更明显地拉低汇总值。实际计算时,应把是否包含对角线、是否包含未映射位置和采用哪种汇总统计量一起记录。
PAE 的行列方向要与文件定义对应
本例下载格式中,第一个下标表示用于对齐的参照残基,第二个下标表示被评价的位置。矩阵通常不是完全对称的,因此两个跨窗口方向需要分别计算。图形界面的横轴、纵轴和颜色又可能采用不同显示方式,不能只记住某种颜色代表好或坏。
下面的代码演示同一份文件中的两个方向。区间使用包含端点的生物学编号,转换到 Python 切片时,起点减一,终点保持不变。少算或多算一个位置,虽然有时只改变很少的数值,也会让别人无法严格复现。
import json
import numpy as np
from pathlib import Path
path = Path("af2-output-check/AF-P0DP23-F1-predicted_aligned_error_v6.json")
pae = np.asarray(json.loads(path.read_text())[0]["predicted_aligned_error"])
print(np.median(pae[5:69, 83:147])) # 23.0
print(np.median(pae[83:147, 5:69])) # 22.0
这份数据库文件中的误差值经过整数化保存,不能把后续计算显示出的很多小数位当成原始预测具有那么高的精度。中位数为二十三,适合按埃级别解释。对不同来源的 PAE 文件,先确认字段和精度,再决定如何显示结果。PAE 的整体解释见官方教程。
改变窗口边界,结论是否仍然成立
一个容易出现的问题是,看完结果后选择最有利的区间,再把它当成唯一合理的统计范围。我们额外把前段窗口缩到第十到第六十五位,后段缩到第八十八到第一百四十三位。两段局部平均分约为八十八点九一和九十点九九,内部误差中位数仍为三埃,两个跨窗口方向变成二十四和二十三埃。
数值没有完全一样,但“局部较确定、跨窗口方向不确定”的判断仍然保持。这比只展示一次精心选择的区间更有说服力。不过,这仍然是一份模型上的敏感性检查,没有增加独立预测,也没有证明某个结构域划分是生物学真值。若研究结论特别依赖边界,应结合结构域注释、序列保守性和实验信息确定分析范围。
对于真实项目,可以预先规定要比较的区域,保留一个合理的边界扰动范围,再观察结论是否改变。如果换几个残基就让判断翻转,应把这种不稳定性写进报告,而不是只保留分数最好的一次。窗口选择本身就是分析决策,需要像其他参数一样可追踪。
这些结果怎样影响后续分析
若目的是讨论某个窗口内部的折叠关系,可以优先检查该区域中的局部几何与保守位点。若目的是解释前后两段形成的口袋、设计连接两段的交联或对接另一分子,就需要更多证据支持相对方向。不能把两个分别可信的局部单元拼在同一张图里,就自动获得可信的整体构象。
直接删除低置信度的中间片段,也不会让原来不确定的两段关系变得确定。删除只是改变了显示或输入,保留下来的坐标仍然继承原预测的摆放。如果要以截短构建体重新预测,应把它视为新的输入任务,并与原模型比较,而不是把剪切文件后的结果继续当成原预测的完整结论。
类似地,对坐标做几何优化可以改善某些局部不合理接触,但不能单独补足缺失的实验约束。若准备比较不同构象,应记录它们来自哪些采样或模型,选择明确的区域进行叠合,观察另一部分的相对变化。多次结果相似能够提供一致性信息,但这些结果仍可能共享相同的模型偏差。
AlphaFold 2 的实用价值与使用边界
AlphaFold 2 的价值在于把蛋白结构假设带入可检查的坐标层面,并提供局部和相对位置的置信信息。它适合帮助整理候选区域、规划结构比较和提出实验问题。真正的使用门槛并不只是打开一个模型,而是把序列、编号、局部置信度和整体关系联系起来。
如果需要自己运行预测,应确认所用模型预设、输入序列、模板限制、搜索数据库及输出文件。不同预设的可用字段可能不同,缺少误差矩阵时,应核对流程配置,而不是从局部评分反推一张不存在的矩阵。AlphaFold 2 官方仓库提供本地工作流的安装与输出说明。
本次最值得复用的是一个顺序明确的检查流程。先确认文件和序列对应,再逐残基核对评分,然后比较区域内部与区域之间的误差,最后才讨论结构能支持什么结论。这样读者拿到另一条蛋白,也能知道该从哪里开始,哪些数字必须一起看,以及什么时候应该停止进一步推断。
当这套模型复核需要扩展到整批蛋白及多个构建体时,云生信的生物信息学分析服务器服务可以承接环境部署、批量分析和结果归档。
