4. pLDDT 在 PDB 文件中的存储：B-factor 字段的奥秘归纳总结

好，我们直接进入正题。

你可能已经猜到，AlphaFold 产出的 PDB 文件里，那个原本用来描述原子热运动程度的 B-factor 字段，被“挪用”来存储 pLDDT 分数了。为什么是 B-factor？说白了，PDB 格式是几十年前设计的，当时谁能想到有一天我们会用深度学习预测蛋白质结构？所以没有预留“置信度”这个字段。既然 B-factor 是现成的、每个原子都有的“浮点数插槽”，那就它了——天选打工人。

我个人习惯，拿到一个 AlphaFold 的 PDB 文件，第一件事就是看看 B-factor 列的分布。这比你盲看坐标要直观得多。

4.1 B-factor 与 pLDDT 的映射规则

PDB 文件里，ATOM 记录的第 61-66 列（没错，固定列宽格式）就是 B-factor。正常情况下它是 0 到 100 之间的实数。AlphaFold 直接把它填成 pLDDT 值，单位是 0-100，不是温度单位的 Ų。

这里有一个非常重要的细节，我刚开始处理数据时就被坑过：

看看典型的 PDB 文件片段：

ATOM      1  N   MET A   1       8.375  20.371  22.735  1.00 85.32           N  
ATOM      2  CA  MET A   1       8.404  21.367  21.648  1.00 84.91           C  
ATOM      3  C   MET A   1       9.779  21.502  21.048  1.00 84.02           C  
ATOM      4  O   MET A   1      10.540  20.525  21.074  1.00 83.74           O  
...

倒数第二列 85.32、84.91 就是 B-factor，也就是 pLDDT。这个残基置信度很高，都在 80 以上。你看，读取完全不费劲。

4.2 如何在代码中提取 B-factor 作为 pLDDT

既然 B-factor 就是 pLDDT，问题就变成：怎么优雅地把它读出来？

我一般用 Python，结合 Bio.PDB 或 gemmi。我给你三个层次的做法：

4.2.1 按残基提取（标准做法）

from Bio.PDB import PDBParser

parser = PDBParser(QUIET=True)
structure = parser.get_structure("model", "alphafold_model.pdb")

for model in structure:
    for chain in model:
        for residue in chain:
            # 计算残基级平均 pLDDT
            b_factors = [atom.get_bfactor() for atom in residue if atom.get_bfactor() > 0]
            if b_factors:
                avg_plddt = sum(b_factors) / len(b_factors)
                print(f"{residue.get_id()[1]}  {avg_plddt:.1f}")

注意，我加了个 `if atom.get_bfactor() > 0` 的过滤，后面会讲为什么需要它。

4.2.2 按原子级别保留

有些场景你需要所有原子的置信度——比如做局部柔性分析。这时直接全量取：

atom_plddts = []
for atom in structure.get_atoms():
    atom_plddts.append(atom.get_bfactor())

4.2.3 用 gemmi 快速读

我个人偏好 gemmi，因为它解析超级快，而且直接暴露 B-factor 为数组：

import gemmi

st = gemmi.read_structure("alphafold_model.pdb")
chain = st[0][0]  # 第一个模型，第一个链

for res in chain:
    b = res[0].b_iso  # 第一个原子的 B-factor
    print(f"{res.seqid.num}  {b:.1f}")

这种方法大约能快 5-10 倍，适合批量处理几千个 PDB 文件。

4.3 B-factor 字段的“坑”：数值异常与缺失

说了这么多好的，现在我来讲讲我踩过的坑。

第一，pLDDT 小于 30 的情况。
AlphaFold 会输出低置信度的区域，比如 loops。B-factor 可能是 20、15、甚至接近 0。这时候你不能直接拿来当温度因子用，否则动力学分析会出错。解决方案：只把 B-factor 当 pLDDT 解读，不要当真正的 B-factor。

第二，有些地方 B-factor 是 0.00。
这在 AlphaFold 多聚体预测里常见。某个残基完全不可信，AlphaFold 直接给了 0.00。这不是 bug，是特征。我曾经在一批数据里没做筛选，直接拿 B-factor 和实验结构比对了，结果在无序区域偏差很大。后来加了一个阈值：pLDDT < 50 的区域不参与结构对齐。

第三，PDB 文件里的整数存储问题。
PDB 格式第二版规定 B-factor 字段是 6 个字符，含小数点。AlphaFold 为了省空间，有时会输出 85.32 四位有效数字。解析时如果按固定宽度强读，可能会截断最后一位。建议用列宽方式读（61-66），别用逗号分隔。

4.4 B-factor → pLDDT 的语义变化对照表

对，这就是 B-factor 字段在 AlphaFold 语境下的“语义翻车”。你拿到一个蛋白质，B-factor 20 的区域，不是它真的在疯狂振动，而是 AlphaFold 没把握。这个观念一定要转过来。

4.5 从 B-factor 可视化 pLDDT 的流程

最后，我来把整个逻辑串成一张图，方便你直接复用。一张图看懂 B-factor 到 pLDDT 的转换与可视化路径：

你看，整个流程其实就两步：读 B-factor → 按 pLDDT 阈值渲染颜色。但第二步里藏着最多细节。

我个人建议，在提取 B-factor 之后，立刻做一个统计直方图。你可以在 Python 里用 matplotlib，或者直接用 PyMOL 的 `spectrum b` 命令来看分布。如果直方图大部分集中在 90-100，说明这个模型很可靠；如果大量在 50 以下，嗯……那你要警惕了。