3. 蛋白质结构数据库与AlphaFold预测结果解读

做药物发现的，天天跟蛋白质结构打交道。

以前拿到一个新靶点，第一反应是去PDB里翻一翻。翻到了，皆大欢喜。翻不到？那就只能做同源模建，或者试试NMR、冷冻电镜——周期长、成本高，还不一定成功。我早年做过一个激酶项目，PDB里只有不完整的apo结构，硬是靠着同源模建凑合了半年，结果AlphaFold一出来，直接把完整的激活态结构预测好了。说实话，当时心情挺复杂的。

3.1 PDB数据库：金标准与局限性

PDB（Protein Data Bank）是目前最权威的实验结构数据库。到2024年，它存了超过20万个结构。这些结构来自X射线晶体学、NMR、冷冻电镜。它们是药物发现的基石——对接、虚拟筛选、结合自由能计算，都依赖它。

但PDB有个现实问题：覆盖率严重不足。

我举几个数字你就明白了：人类蛋白质编码基因大约2万个，PDB里有人类结构的不到1/3。而且，很多结构是截短的、缺失loop的、或者跟小分子共结晶的复合体。你辛辛苦苦找到一个新靶点，大概率在PDB里找不到高质量的结构。

下面这个表格总结了PDB的常见限制：

我个人习惯的做法是：先用PDB。能找到分辨率2.5 Å以内的同源结构，那就直接用它。找不到？或者目标跟模板序列一致性低于30%？嗯，这时候就该AlphaFold上场了。

3.2 AlphaFold预测结果的核心指标

AlphaFold的预测结果，不只是输出一个3D坐标文件。它附带了两个关键的可信度指标：pLDDT 和 PAE。

很多新入行的朋友只看结构本身，不看置信度。我在项目里踩过这个坑——拿着一个pLDDT很低的预测结构去做对接，结果筛选出来的化合物全是假阳性。

3.2.1 pLDDT：局部置信度

pLDDT（predicted Local Distance Difference Test）是一个0-100的分数。它表示每个残基的预测坐标跟真实结构的偏差程度。

一般来说：

• pLDDT > 90：高度可信。相当于X射线衍射分辨率在2.0-2.5 Å的结构。
• 70 < pLDDT < 90：整体骨架可信，但侧链可能有偏差。
• 50 < pLDDT < 70：只有低层级的拓扑结构可信，不适合做基于结构的药物设计。
• pLDDT < 50：无序区域或预测失败。

我曾经处理过一个GPCR靶点，AlphaFold输出了它所有loop区的pLDDT。结果发现，有一个胞外loop的pLDDT只有45。后来我们用分子动力学模拟跑了一下，那个区域果然是高度柔性的。所以，pLDDT低的地方，就别强行去对接受体了。

3.2.2 PAE：域间置信度

PAE（Predicted Aligned Error），是一个成对残基的误差矩阵。它告诉你，如果你把两个残基叠在一起，它们之间的预测误差有多大。

PAE的关键用途：判断结构域之间的相对位置是否可信。

假如你有一个多结构域的蛋白。pLDDT可能显示每个结构域内部都不错（>85），但PAE显示结构域之间的PAE值很高（>10 Å）。这说明，AlphaFold能准确预测每个结构域的内部折叠，但它不知道这些结构域之间怎么摆放。

这对药物发现很重要。如果一个结合口袋跨越两个结构域，而这两个结构域的PAE很高，那你拿这个全蛋白结构去做对接，很可能得到错误的构象。

3.3 从PDB到AlphaFold：知识体系图

下面的SVG图，我看是帮你梳理从PDB到AlphaFold预测结果的应用链条。嗯，对照着看，应该会清晰很多。

3.4 如何解读AlphaFold的预测文件

结构预测文件和置信度文件，是同时产生的。我来带你看看关键文件的内容。

3.4.1 主要输出文件

用AlphaFold2跑完一个单链预测后，你会得到类似这样的目录结构：

alphafold_output/
├── ranked_0.pdb      # 最佳模型（按整体pLDDT排序）
├── ranked_1.pdb      # 次佳模型
├── ranked_2.pdb      # 
├── ranked_3.pdb      # 
├── ranked_4.pdb      # 第五名模型
├── unrelaxed_model_*.pdb  # 未能量最小化的原始输出
├── result_model_*.pkl     # 包含pLDDT和PAE的pickle文件
└── predicted_aligned_error.json  # 人类可读的PAE矩阵

我个人习惯，在药物发现项目中，至少保留ranked_0到ranked_2这三个模型。因为AlphaFold的采样会生成多种可能的构象，尤其是柔性loop和结构域相对位置，不同rank之间可能有差异。保留多个模型，可以帮你评估构象多样性。

3.4.2 解析pLDDT分数

pLDDT直接存储在PDB文件的B-factor列里。你可以用任何PDB查看器，按B-factor着色，就能看到每个残基的可信度。

也可以用脚本批量提取：

from Bio import PDB

parser = PDB.PDBParser(QUIET=True)
structure = parser.get_structure("target", "ranked_0.pdb")
plddt_per_residue = {}
for model in structure:
    for chain in model:
        for residue in chain:
            # B-factor列就是pLDDT
            plddt = residue["CA"].get_bfactor()
            plddt_per_residue[residue.id[1]] = plddt

# 打印平均pLDDT
avg_plddt = sum(plddt_per_residue.values()) / len(plddt_per_residue)
print(f"Mean pLDDT: {avg_plddt:.2f}")

我在做虚拟筛选之前，一定会先算一下结合口袋周围的平均pLDDT。如果低于70，我就不敢用。你想想看，如果口袋本身都是低置信度区域，那筛选结果大概率是噪声。

3.4.3 解析PAE矩阵

PAE是一个N×N的矩阵，N是残基总数。PAE[i][j]表示，如果你把残基i对齐，残基j的预测坐标误差有多大。

我建议关注两点：

• 域内PAE：通常很低（<3 Å）。说明结构域内部折叠稳定。
• 域间PAE：如果>8 Å，说明这些结构域之间的相对位置不可信。

下面是一段解析PAE的代码，你可以快速生成一个热图：

import json
import numpy as np
import matplotlib.pyplot as plt

with open("predicted_aligned_error.json") as f:
    data = json.load(f)

pae = np.array(data["predicted_aligned_error"])
# pae.shape: (N, N)

# 打印域间PAE的平均值（比如残基1-100和残基200-300之间）
domain1 = slice(0, 100)
domain2 = slice(200, 300)
inter_domain_pae = pae[domain1, domain2].mean()
print(f"域间平均PAE: {inter_domain_pae:.2f} Å")

3.5 结构化数据读取的技巧

AlphaFold的pickle文件（.pkl）是Python序列化格式，包含了完整的预测数据。你可以用下面的方式加载：

import pickle

with open("result_model_1.pkl", "rb") as f:
    data = pickle.load(f)
    plddt = data["plddt"]  # 形状: (N,)
    pae = data["predicted_aligned_error"]  # 形状: (N, N)

我项目里的做法是，写一个简单的函数，输出每个结构域的平均pLDDT和域间PAE。这样可以快速决定：这个AlphaFold结构，值不值得花时间做后续处理。

3.6 避坑指南：实战经验总结

• 不要只看整体pLDDT。整体pLDDT可能很高（85），但结合口袋区域的pLDDT可能只有60。一定要检查结合位点附近的局部置信度。
• 多模型对比。AlphaFold的5个模型可能给出不同的构象。我通常把5个模型都保留下来，做聚类分析，找到最可能的构象集合。
• PAE是域间定位的关键。曾经有一个多结构域磷酸酶项目，pLDDT全链80以上，但PAE显示域间误差12 Å。最终我们用了AlphaFold的预测结构做多构象对接，而不是单个结构。
• 不信任低pLDDT区域的侧链。即使主链位置大概正确，低pLDDT区域的侧链方向也经常是错的。做对接时，建议把这些区域的侧链设为柔性，或者用Rotamer库优化。