企业官网建设流程全解析

pLDDT和PAE怎么读？AlphaFold置信度判读指南

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

AlphaFold 模型跑完、彩色的结构图也渲染出来了。可面对pLDDT（predicted Local Distance Difference Test）曲线和PAE（Predicted Aligned Error）矩阵，哪段能直接拿去做分子对接、哪段只是看着像？下面把这两个数从模型输出的 logits 一路算到判读结论。

先建立直觉：一个"精度圈"的类比

GPS 报"定位精度 ±5 米"，地图上给你画个模糊圈。AlphaFold 的置信度指标类似：pLDDT 就是这个精度圈，一个残基一个圈，只回答"这个残基本身定位得准不准"；PAE 回答的是"对齐之后，这两个残基之间的相对位置差多少"。一个是单点精度，一个是两点关系的稳定性——后者决定图上两个结构域靠在一起这件事能不能信。

指标一 pLDDT：每个残基可信吗

pLDDT回答什么问题

一句话：模型对第 i 个残基的局部骨架几何（CA 原子位置）有多大把握。取值 0–100，粒度是逐残基、纯局部——它只关心这一小块对不对，不关心整条链别的部分在哪。

pLDDT怎么从logits算出来

模型并不直接输出一个分数。PredictedLDDTHead对每个残基输出 50 个 logits（见 modules.py，num_bins: 50配在 config.py），对应把 (0, 1] 的 LDDT 区间均匀切成 50 个桶。转成概率后取期望，就是 confidence.py 里这 7 行：

def compute_plddt(logits: np.ndarray) -> np.ndarray: num_bins = logits.shape[-1] bin_width = 1.0 / num_bins bin_centers = np.arange(start=0.5 * bin_width, stop=1.0, step=bin_width) probs = scipy.special.softmax(logits, axis=-1) predicted_lddt_ca = np.sum(probs * bin_centers[None, :], axis=-1) return predicted_lddt_ca * 100

注意桶中心是 0.01、0.03、…、0.99——所以 pLDDT 取不到 100，最高也就 99 附近。概率分布越尖、越偏向高分桶，分数越高；分布摊平了（模型在猜），分数就掉到中间。

pLDDT分数判读对照表

分档与代码里_confidence_category的 D/L/M/H 一一对应：

pLDDT告诉不了你的事

• 分数高 ≠ 在复合物里的绝对位置对。局部指标不评判"这段和另一段靠得对不对"，多域蛋白的域间朝向它完全没意见。
• 分数低 ≠ 预测错了。天然无序区（IDR）就该低，这是真实特征而非模型缺陷。

指标二 PAE：两个残基的相对关系稳不稳

PAE回答什么问题

PAE 是一个 N×N 矩阵，PAE_ij 表示：把预测骨架和真实骨架做最优刚性对齐后，残基 i 与 j 之间的距离还差多少 Å。它测的是关系——对角区块内是域内置信度，非对角区块是域间/链间关系的置信度。模型输出 64 个误差桶（桶宽 0.5Å，覆盖到 31Å，最后一桶兜底到 +∞），所以矩阵值域约为 0–31.5。

PAE的计算链路

PredictedAlignedErrorHead吃 pair 表示（[N_res, N_res, 128]），直接线性映射出 [N_res, N_res, 64] 的 logits，同时给出桶边界breaks = linspace(0, 31, 63)。后处理同样是 softmax 取期望：

def compute_predicted_aligned_error(logits, breaks): aligned_confidence_probs = scipy.special.softmax(logits, axis=-1) predicted_aligned_error, max_predicted_aligned_error = ( _calculate_expected_aligned_error( alignment_confidence_breaks=breaks, aligned_distance_error_probs=aligned_confidence_probs)) return { 'aligned_confidence_probs': aligned_confidence_probs, 'predicted_aligned_error': predicted_aligned_error, 'max_predicted_aligned_error': max_predicted_aligned_error, }

内部的_calculate_expected_aligned_error核心就是一行np.sum(probs * bin_centers, axis=-1)，桶中心由_calculate_bin_centers从桶边界加半步得到，末尾补一个兜底桶。

PAE矩阵判读对照表

PAE告诉不了你的事

• 它基于骨架对齐，反映的是相对距离误差，绝对坐标、侧链精度都不在讨论范围。
• 对单链单域蛋白，PAE 信息量很小，几乎全矩阵都是低值，没什么可读的。

两个指标打架时怎么判

信号一致：快速判定

pLDDT≥90 且 PAE 对角区块 <2Å → 原子级，直接进下游。两者都低 → 这段大概率是柔性/无序，当无序处理。一致时 30 秒内能下结论。

信号矛盾：典型冲突场景

决策流程

端到端工作流：一个函数走完判读

import numpy as np from alphafold.common import confidence def interpret_confidence(prediction_result): # Step 1: 逐残基pLDDT (0-100) plddt = confidence.compute_plddt( prediction_result['predicted_lddt']['logits']) # Step 2: PAE矩阵 (Å, N_res x N_res) pae = confidence.compute_predicted_aligned_error( logits=prediction_result['predicted_aligned_error']['logits'], breaks=prediction_result['predicted_aligned_error']['breaks']) # Step 3: 全局分: 单体=均值, 多聚体=0.8*iPTM+0.2*pTM ranking = prediction_result['ranking_confidence'] # Step 4: 低置信残基 (pLDDT<70) low_mask = plddt < 70 # Step 5: 非对角PAE均值, 排除自对角 off_diag = pae[np.triu_indices(len(pae), k=2)] return { 'mean_plddt': float(np.mean(plddt)), 'ranking_confidence': float(ranking), 'low_plddt_residues': np.where(low_mask)[0] + 1, 'mean_off_diag_pae': float(np.mean(off_diag)), }

人眼解读顺序：

1. 先看全局：ranking_confidence和 pLDDT 均值，定基调
2. 再看曲线：标出 <70 的段，判断是连续还是零散
3. 然后看矩阵：非对角区块和对角区块比，找高值方块
4. 交叉验证：低 pLDDT 段若 PAE 也低，指向无序；PAE 高，指向关系不确定
5. 回结构复核：unrelaxed PDB 的 B-factor 列就是 pLDDT（见 run_alphafold.py），低分残基逐一眼看

底层机制速览

两个预测头各吃一份表示。pLDDT 头从单链表示structure_module走 LayerNorm + 两层 ReLU 线性层，输出 50 桶 logits；PAE 头直接从 pair 表示线性映射出 64 桶 logits。一个看"点"，一个看"点对"，输入源不同，这是两个指标视角分叉的根源。

分数 = 概率分布的期望值。两个指标共享同一套数学：logits 过 softmax 变成分桶概率，再乘桶中心加权求和。

$$\mathrm{pLDDT}i = 100 \sum{k=1}^{50} p_{ik}, c_k$$

• $p_{ik}$：残基 i 的 LDDT 落在第 k 个桶的概率（softmax 输出）
• $c_k$：第 k 个桶的中心值，0.01 到 0.99 等距排列
• $k$：桶编号，共 50 个桶
• 乘 100：把 (0, 1) 的期望值缩放到 0–100 刻度

PAE 同理，只是桶中心和数量换成 0.5Å 宽度的 64 个误差桶。推论：分数本质是"模型自我评估的概率加权平均"，分布摊平时分数落在中间值，所以 50 附近的 pLDDT 往往就是"模型在猜"。

实战FAQ

速查清单

• pLDDT≥90 且 PAE 对角块 <2Å → 原子级
• pLDDT<50 先查无序，别急着扔
• PAE 非对角块高 → 域/链相对朝向不可信
• 单体排名看 pLDDT 均值，多聚体看 iPTM
• unrelaxed PDB 的 B-factor 列就是 pLDDT
• 50 附近的分数 = 概率摊平 = 模型在猜

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