课程简介：为什么我们需要理解 pLDDT

大家好，我是这次课的主讲。在正式开始之前，我想先聊聊我自己的一个小故事。几年前，我还在做蛋白质结构预测时，碰到一个膜蛋白，AlphaFold 给出了看起来很漂亮的输出。我兴冲冲地拿去做分子对接，结果根本对不上。浪费了好几个月，最后才发现——那块区域的 pLDDT 只有 60 多。说白了，我当时根本没把它当回事。

这事教会我一个道理：AlphaFold 给你的不是一个「答案」，而是一张「精度地图」。而 pLDDT，就是这张地图上的颜色标记。红色区域要警惕，蓝色区域可以信赖。

什么是 AlphaFold？

AlphaFold 是 DeepMind 开发的蛋白质结构预测工具。2020 年，它凭借 CASP14 上的惊艳表现，让整个结构生物学界都震惊了。之前预测一个蛋白结构可能要几年，AlphaFold 几小时就能搞定。

但它不是万能的。我个人觉得，AlphaFold 更像是一个超级厉害的「猜测机器」。它给出的每个原子坐标，都有一个置信度评估。这个评估，就是我们课程的核心——pLDDT。

pLDDT 是什么意思？

pLDDT 全称是 predicted Local Distance Difference Test。中文一般译作「预测的局部距离差异检验」。名字很长，你记不住也没关系。

你只要记住一句话：pLDDT 告诉你，模型在这个位置上，到底有多靠谱。

其取值范围是 0 到 100。数值越高，意味着这个局部结构越可信。具体来说：

为什么 pLDDT 这么重要？

我列几个实际场景，你就明白了：

• 做药物设计：你关心的是结合口袋附近的结构。如果那里 pLDDT 低于 70，对接结果基本是笑话。
• 做突变分析：你想知道某个点突变会不会影响结构。如果那个位点的 pLDDT 很低，模型根本没法告诉你任何有意义的信息。
• 写文章：审稿人越来越懂 AlphaFold 了。他们会直接问：「你的模型 pLDDT 分布如何？」你回答不上来，文章基本就被拒了。

所以，这个课程就是想把 pLDDT 从头到尾讲透。咱们会一起看它的数学原理、可视化方法、实际应用，以及怎么避开那些常见的坑。

课程目标

学完这门课，我希望你能做到：

1. 看到任意一个 AlphaFold 模型，能一眼判断它的质量
2. 能自己用命令行提取 pLDDT 值、做分析、画图
3. 能在实际项目中正确使用 pLDDT，不再踩我以前踩过的坑
4. 如果你愿意，还能用 Python 写一些简单的 pLDDT 后处理脚本

课程面向谁

坦白说，这门课不适合完全不懂结构生物学的人。你至少需要知道：

• 蛋白质的 backbone、side chain 是什么
• 基本的 PDB 文件格式（ATOM 记录那一套）
• 能用 Python 或 R 做简单的数据分析

如果你是做结构生物学、计算化学、药物设计或 AI for Science 的学生、研究员，那这门课应该正合你口味。

本章知识体系

这一章是整个课程的骨架。下面这张图展示了我们后续会重点覆盖的内容，以及它们之间的关系。

这张图可以看作咱们整个课程的地图。从左边的「AlphaFold 输出结构」出发，经过中间的「pLDDT 提取与分析」，最终到达「结构可信度筛选」与后续应用。每一步，我们都会花足够的时间讲清楚。