1. AlphaFold 与 pLDDT 简介：pLDDT 是什么？为什么重要？

各位好。今天开始我们进入《AlphaFold pLDDT图谱解读实操教程》的第一章。我做了多年结构生物信息学工具的开发，AlphaFold 出来之后，说实话整个领域都变了个样。但很多人拿到.pdb文件只盯着三维结构看，却忽略了藏在 B 因子那一列里的 pLDDT 分数。嗯，这个分数才是真正的“质量标签”。

先说说 pLDDT 是什么。它的全称是 predicted Local Distance Difference Test，翻译过来就是“预测的局部距离差异测试”。AlphaFold 在预测每个残基的坐标时，会同时给出一个 0~100 的置信度分数。这个分数越高，说明模型对这个残基的位置越有把握。

你想想看，如果某个 loop 区域的 pLDDT 只有 40，你还敢拿它去做分子对接吗？肯定不敢。所以 pLDDT 是判断模型局部可信度的核心指标，也是我们做后续分析时必须优先查看的数据。

AlphaFold 输出结构中的 pLDDT 存储

AlphaFold 直接输出的 .pdb 文件里，pLDDT 值被写在了每个原子的 B 因子一列。我用一个真实输出来演示一下：

ATOM      1  N   MET A   1      12.345  23.456  34.567  1.00 95.00           N  
ATOM      2  CA  MET A   1      13.456  24.567  35.678  1.00 95.00           C  
ATOM      3  C   MET A   1      14.567  25.678  36.789  1.00 94.50           C  
...

注意倒数第二列（原来是温度因子/occupancy的地方）现在存放的就是 pLDDT 分数。我刚开始接触时还以为是温度因子，后来看文档才知道被替换了。

另外，AlphaFold 还会生成一个 JSON 文件（ranking_debug.json），里面会记录所有模型的平均 pLDDT 和 pTM 分数。我个人习惯先看这个 JSON，快速挑出质量最高的模型，再去看具体残基的局部质量。

pLDDT 的分级标准与解读

根据 DeepMind 和社区的大量验证，pLDDT 可以按以下区间划分：

pLDDT 区间	置信等级	实际意义
> 90	非常高	预测正确侧链方向，原子级精度
70 ~ 90	较高	主链可靠，侧链可能有偏差
50 ~ 70	低	仅构象正确（拓扑正确），不适用精细分析
< 50	不可信	无序区域或预测错误，应当丢弃

我在项目中遇到过好几次，只盯着整体平均 pLDDT 就觉得模型完美，结果做对接时某个活性位点 loop 只有 55 分，对接结果完全不可靠。所以看分布比看均值重要得多。

为什么 pLDDT 如此重要？

说白了，pLDDT 是 AlphaFold 模型唯一的主观质量标签。没有它，你根本不知道哪里该信、哪里该怀疑。

• 指导结构选择： 多个模型之间，优先选平均 pLDDT 最高且局部没有低于 70 的。
• 定义灵活区域： 低 pLDDT 的 loop 和 N/C 端通常对应无序区，需要单独处理或使用 AlphaFold2 的“模型置信度”来重采样。
• 下游计算的输入限制： 分子对接、分子动力学模拟之前，必须剔除 pLDDT < 50 的区域，否则会引入假象。
• 作为论文质量指标： 现在 Nature/Methods 级别的文章都会要求展示 pLDDT 曲线，审稿人第一眼就看这个。

我个人的经验是，拿到一个新结构的.pdb文件，第一件事就是画 pLDDT 沿序列的折线图。嗯，用 matplotlib 几行代码就能搞定，画完之后整个模型的质量“心电图”一目了然。

知识体系总览

下面这张图展示了本章的知识核心——pLDDT 在 AlphaFold 输出中的位置以及它与结构质量的关系：

所以你看，pLDDT 不只是个数字，它是我们做结构生物学分析的“安全边界”。没有它，AlphaFold 的结构就只是一堆坐标，有了它，我们才能知道哪些坐标可以放心用，哪些需要进一步验证或用其他工具补充。

在后续章节中，我们会逐步深入如何处理 pLDDT 数据、绘制图谱、结合其他指标做综合评估。不过今天先把概念打扎实：pLDDT 是衡量局部可信度的核心指标，数值越高越可信，低于 50 的地方直接当无序区处理。