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。pLDDTpredicted Local Distance Difference Test逐个残基打分PAEPredicted 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。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。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档位pLDDT 范围解读Very High90–100骨架与侧链位置都可信对接、突变、分子置换照常做Confident70–90骨架走向可靠个别侧链取向可能有偏差Low50–70只信二级结构拓扑原子坐标仅供参考Very Low0–49按天然无序区域或预测失败处理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。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。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信号组合最可能的情形应对思路pLDDT 高、局部 PAE 高局部结构好但相对其余部分的定位不确定该区域单独拿出来做对接和分析别依赖它对其他部分的取向pLDDT 低、PAE 低局部坐标粗糙整体拓扑正确当作有序但粗糙的区域可作后续精细化的起点pLDDT 高、PAE 高整体折叠可能有误或输入信息不足检查 MSA 与模板命中换model_preset重跑动手读一遍从 .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。打开ranked_0.pdb这是按 pLDDT 排名第一的结构B-factor 列即 pLDDT 值。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。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。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])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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
