企业官网建设流程全解析

如何读 AlphaFold 置信度：pLDDT 与 PAE 速览

【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold

你刚把AlphaFold预测出的ranked_0.pdb拖进 PyMOL。第一眼该看哪里？不是骨架，而是两个置信度指标：pLDDT和PAE。pLDDT（predicted Local Distance Difference Test）逐个残基打分，PAE（Predicted Aligned Error）评估成对残基的可靠程度，两者合起来决定你能不能直接拿这套结构干活。

30 秒全局速判：pLDDT 曲线怎么扫

这一节回答：拿到预测结果 30 秒内，怎么判断这套结构整体好不好？

pLDDT 的白话含义是模型给每个氨基酸打的"自评分"，取值 0 到 100，越高越可信。输出 notebook 里它画在结构下方的彩带上，在 PyMOL 里对模型按B-factor上色后，同一条彩带会直接裹住骨架——输出文件把每个原子的 pLDDT 写进了 PDB 的 B-factor 列（方向和常规 B-factor 相反，越大越可靠，做分子置换时别混用）。

30 秒速判做三件事：

1. 扫均值。全部残基的平均 pLDDT：大于 90，整体基本可用；70–90 最常见，可用但要局部核对；低于 70，⚠️ 把这套预测当"拓扑草稿"，不要当原子级模型。
2. 扫低分尾巴。小于 50 的残基占几个百分点属正常；出现整段低于 50，说明这段有问题，原因下一节展开。
3. 扫两端。蛋白质 N 端、C 端天然更灵活，末端 pLDDT 温和下降不算缺陷，不用紧张。

背后的道理一句话：模型对每个残基输出的不是一个分数，而是一组"距离误差概率分布"，pLDDT 是把这个分布取加权期望再乘以 100。所以高分意味着模型"对自己的答案有把握"，低分意味着它"拿不准"——置信度本质上是把模型的犹豫程度摆到了桌面上。

pLDDT 四档色标：该信什么、不该信什么

这一节回答：看到蓝、黄、橙三色，分别该信到什么程度。

官方色标把 pLDDT 切成四档，像一组红绿灯：

看档之余还要追问一句：低分是"生物学特征"还是"模型失误"。低 pLDDT 区域的常见来源：

• 内在无序区（IDR）：序列本身没有稳定结构，低分是模型的诚实；
• 柔性连接肽：两个结构域之间的连接段，构象随功能变化；
• 长环区与结构域边界：局部进化信息不足；
• MSA 覆盖度低的片段：没有同源序列支撑，模型只能压低分数；
• 功能上瞬态的位点：诱导契合、信号残基往往恰好就是柔性的。

区分办法不复杂：拿无序预测工具（如 IUPred）和文献交叉验证。两边一致，低分区域就是蛋白质的特征；预测说无序而实验文献说该位点是稳定结构域，就该怀疑模型的判断。

换一副眼镜看全局：PAE 区块怎么读

这一节回答：pLDDT 只说"每一块好不好"，"块与块的相对位置"靠什么保证？

把 PAE 当成一张距离误差热力图来读会容易得多：每个格子回答"把这段区域与真实结构叠合后，残基 i 和残基 j 的相对位置会漂移多少"，单位是埃。取值在 0 到max_predicted_aligned_error上界（通常 31.5 Å）之间，越小越放心。

读法三步走：

1. 看对角带。对角带对应位置相邻的残基，颜色大致等价于 pLDDT 曲线的"全局版"，对角带稳定偏暗，说明局部结构可信。
2. 看非对角区块。多结构域蛋白的 PAE 像一副区块拼图：块内误差越低，模型越确定"这部分和那部分是这么摆的"；某个非对角区块发亮，等于模型在承认它对这两个域的相对朝向是猜的。
3. 用高误差行列定位问题区。某一行或一整列发亮，意味着该残基（或区段）相对于全链其余部分的位置都不可靠——这是 pLDDT 给不出的信号：pLDDT 说"我局部挺好"，PAE 说"我在全局里站哪儿没把握"。

对蛋白质复合物，这种读法最实用：界面置信度就是 PAE 矩阵非对角区块的颜色，界面区块发亮，就该怀疑两条链是否真按这个姿势结合。

数学上，每个格子就是概率加权期望：

$$\text{PAE}{ij} = \sum_k p{ijk}, c_k$$

其中 $p_{ijk}$ 是残基对 (i, j) 落入误差桶 k 的概率，$c_k$ 是该桶中心值。PAE 同样属于"模型自评"，只是自评的对象从单个残基换成了残基对。

pLDDT 与 PAE 打架：三种情形与应对

这一节回答：两个指标给出的结论不一致时，听谁的。

两者看的对象不同，出现分歧很正常，常见的就三种：

动手读一遍：从 .pdb 到置信度结论的 5 步

这一节回答：从输出目录里的文件出发，怎么一步步走到最终结论。

1. 打开ranked_0.pdb，这是按 pLDDT 排名第一的结构，B-factor 列即 pLDDT 值。
2. 在 PyMOL 里执行spectrum by B整条上色，先完成上一节的 30 秒速判：均值、低分尾巴、两端。
3. 对每个低分区段放大看上下文：是环、连接肽还是末端？再按四档色标判断它更像生物学特征还是失误。
4. pickle 文件里存着完整模型输出，用下面代码取全局统计：

import pickle r = pickle.load(open('result_model_1.pkl', 'rb')) plddt, pae = r['plddt'], r['predicted_aligned_error']

print(plddt.mean(), (plddt < 50).mean()) print(pae.max(), r['max_predicted_aligned_error'])

5. 复合物再取pae矩阵看非对角区块，确认界面置信度是否支持你关心的相互作用。

流程走一遍就是这张图：

flowchart LR A[打开 ranked_0.pdb] --> B[spectrum by B 上色] B --> C{30 秒全局速判} C -->|整体高| D[结构可直接使用] C -->|局部低分| E[按四档色标判断是否生物学特征] C -->|整体低| F[回查 MSA 与模板并重跑] E --> G[从 result pkl 读取 PAE]

【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold