企业官网建设流程全解析

AlphaFold 输出文件解析：5 个文件看懂预测结构与置信度

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

跑完一次预测，输出目录里会落下一串文件：unrelaxed_model_1.pdb、relaxed_model_1.pdb、ranked_0.pdb、confidence_model_1.json……先打开哪个？哪个最可信？这份 AlphaFold 输出文件解析指南带你按顺序过 5 个核心文件：从原子坐标，到逐残基置信度，再到挑出最好的模型，一次讲清。

扫一遍核心文件：谁管坐标，谁管置信度

先给一张总表，每个文件只回答一个问题，看完你就知道该翻哪个。

三类信息分得很清楚：PDB 管"结构长什么样"，两个 JSON 管"可信度有多高"，ranking 文件管"选哪个模型"。读结果时按这个顺序走，就不会来回翻。

一句话总结：先分清"结构、置信度、选型"三层文件，再看细节，效率最高。

读懂 PDB 里的 B 因子列

PDB 是最通用的结构格式。标准 PDB 里 B 因子（温度因子）记录原子"抖动"程度，AlphaFold 借这个位置写了 pLDDT——模型对每个残基位置有多大把握。这个赋值发生在 run_alphafold.py 里，就这几行：

# Add the predicted LDDT in the b-factor column. plddt_b_factors = np.repeat( plddt[:, None], residue_constants.atom_type_num, axis=-1) unrelaxed_protein = protein.from_prediction( features=..., result=prediction_result, b_factors=plddt_b_factors)

也就是说，同一个残基的所有原子共享同一个 pLDDT 值。一行 ATOM 记录长这样：

ATOM 1 N MET A 1 8.500 2.300 1.100 1.00 92.50 N

逐项说：原子名 N、残基 MET、链 A、残基序号 1，后面三组是 x/y/z 坐标（单位 Å），1.00 是占有率，92.50 就是 B 因子，即 pLDDT，末尾 N 是元素。

怎么用于决策？把 relaxed_model_1.pdb 拖进 PyMOL 或 ChimeraX，按 B 因子着色：把握大的区域一个颜色，拿不准的区域另一个，一眼扫完。目录里还有 unrelaxed 版本，那是松弛前的原始结构，只用来对比。Amber 松弛过程在 alphafold/relax/relax.py 中记录优化前后的 RMSD，数值小说明原始预测已经很稳。

一句话总结：PDB 的 B 因子列就是逐残基 pLDDT，按它着色即可快速定位低置信区域。

看懂 pLDDT 评分的四个档位

pLDDT 是模型给每个残基打的"把握分"，范围 0–100。它的来源是 alphafold/common/confidence.py 里的compute_plddt：先把网络输出做 softmax 变成概率分布，再乘各档位中心值取期望，最后乘 100 换算成分数。

分数会落进四个档，由_confidence_category函数负责分档：

if 0 <= score < 50: return 'D' if 50 <= score < 70: return 'L' elif 70 <= score < 90: return 'M'

逐残基的分数保存在 confidence_model_1.json，内容很直白：

{"residueNumber":[1,2,3,4,5], "confidenceScore":[92.5,88.3,76.2,61.5,45.3], "confidenceCategory":["H","H","M","L","D"]}

三个数组一一对应：残基序号从 1 开始，分数保留两位小数，档位就是上表的字母。

💡 判断建议：D 档不一定代表预测失败，天然无序区域本来就"摆不平"。如果目标残基落在 L 或 D 档，先别下结论，接着看下一节的 PAE。

一句话总结：pLDDT 分四档，H/M 档放心用，L/D 档先查原因再用。

用 PAE 矩阵判断相对位置可靠性

pLDDT 管"单个位置准不准"，PAE 管"两个位置的相对关系准不准"。Predicted Aligned Error 的单位是 Å，PAE[i][j] 越大，模型对残基 i 和 j 的相对位置越没把握。它由compute_predicted_aligned_error对每对残基的误差分布求期望得到，最终写进 pae_model_1.json：

{"predicted_aligned_error":[[0.3,8.2],[8.2,0.4]], "max_predicted_aligned_error":30.0}

两个字段：predicted_aligned_error是 N×N 矩阵（N 为残基数），max_predicted_aligned_error是误差分箱的上限，画热图时它决定色标范围。

怎么读这张矩阵？三个习惯动作：

1. 对角线附近整体偏低：局部结构可靠，这是正常形态；
2. 远离对角线出现高值色块：对应两个结构域的相对取向不确定，别拿跨域距离做定量；
3. 多聚体里跨链块整体偏高：复合物界面本身就没预测稳，需要实验验证。

💡 判断建议：活性位点、结合界面这类"两点之间"的问题，一定用 PAE 复核，只看 pLDDT 会漏掉相对取向的风险。

一句话总结：pLDDT 看单点，PAE 看两点关系，跨域距离以 PAE 为准。

挑出最优模型：ranked 文件与排序依据

AlphaFold 默认对每条序列跑 5 个模型，输出目录里会有 model_1 到 model_5 共五组结果。光看 pLDDT 均值选模型并不稳，run_alphafold.py 用的是专门的 ranking_confidence，排序后按名次写出 ranked_0.pdb 到 ranked_4.pdb。排序明细在 ranking_debug.json 里：

{ "plddts": {"model_1": 55.2, "model_2": 62.4, "model_3": 49.8}, "order": ["model_2", "model_1", "model_3"] }

order字段就是最终名次，plddts是每个模型的排序依据；用多聚体 preset 时这里会换成 iptm+ptm，即基于 pTM 的指标。

怎么用于决策：

• 日常分析直接用 ranked_0.pdb，它来自置信度最高的模型；若开启了松弛，写的是松弛后坐标；
• 若 order 前两名分数接近，说明结果对随机种子不敏感，更可信；分差大就把前两名都过一遍 PAE；
• 想深挖原始输出，result_model_N.pkl 存了完整预测结果字典，features.pkl 存了模型输入特征，用 Python 的 pickle 模块加载即可。

一句话总结：ranked_0.pdb 是默认答案，排序依据查 ranking_debug.json。

从文件到质量判断的完整流程

把前面的碎片串成一条流水线，五步走：

1. 选型：打开 ranking_debug.json，确认 order 第一名，锁定 ranked_0.pdb。（依据：排序分数）
2. 看结构：把 ranked_0.pdb 载入可视化软件，按 B 因子着色，扫一遍整体形态。（依据：PDB B 因子列 = pLDDT）
3. 定置信：对照 confidence_model_N.json，统计 H/M 档占比，标出 D 档区域。（依据：confidenceCategory）
4. 验关系：对关键功能位点或结合界面，查 pae_model_N.json 对应残基块的数值。（依据：predicted_aligned_error）
5. 查松弛：看 relax_metrics.json 的 remaining_violations_count，确认结构没有残留冲突。（依据：松弛残余项）

前四步回答"选哪个、长什么样、哪里可信、哪里要复核"，第五步是兜底检查。

一句话总结：选型 → 结构 → 单点置信 → 相对置信 → 松弛兜底，五步出结论。

避坑：几个最常见的误读

⚠️pLDDT 很高，但结构明显别扭。原因：局部打分高不代表全局取向对，两个结构域可能整体错位。 对策：查 PAE 矩阵对角块外的高值区，跨域距离一律存疑。

⚠️一整段 pLDDT 很低，被当成预测失败。原因：天然无序区域本来就没有稳定结构，D 档是模型在"如实报告"。 对策：交叉比对文献或无序区预测，别直接丢弃该区域。

⚠️relaxed 和 unrelaxed 结构对不上。原因：松弛会微调键长键角，小幅度偏移属于正常现象。 对策：看 relax_metrics.json，残余项多或 RMSD 大时再人工复核。

多聚体预测只看了 pLDDT。原因：复合物更关键的是界面，单链分数高不代表结合态可靠。 对策：以 ranking_debug.json 里的 ptm/iptm 为准，并重点看跨链 PAE 块。

一句话总结：高 pLDDT 不等于全局可信，低 pLDDT 不等于失败，都要交叉验证。

核心就三层：PDB 给结构，pLDDT 给单点置信，PAE 给相对位置置信，再用 ranking_debug 选型。想深挖细节，可看 docs/technical_note_v2.3.0.md 的说明。

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