AlphaFold 结构预测可信吗？用 4 个指标快速做一轮质量控制体检

AlphaFold 结构预测可信吗？用 4 个指标快速做一轮质量控制体检

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

AlphaFold 结构预测跑完后，先别急着盯丝带图，要看质量控制指标。pLDDT、PAE、pTM、ipTM 这四个数，共同决定预测结构可信度，这篇文章带你把它们逐个读明白。

如何判断 AlphaFold 预测可靠：一张质量体检表

拿到预测结果，先看这 4 个数字：全部健康，结构可以放心用；任何一项亮红灯，你都要知道问题出在哪一级。四个指标各管一摊，职责不重叠：

指标	衡量什么	取值范围	一眼怎么读	什么信号要警惕
pLDDT	单个残基局部位置的可信程度	0–100	分数越高该残基越可靠，逐残基画曲线	关键功能区落在 50 分以下
PAE	一对残基相对位置的预测误差	单位 Å	热图越暗越好，看对角线外的块	两个结构域之间的块明显偏亮
pTM	整体折叠的可靠性	0–1	单一数值，越接近 1 越好	低于 0.5，整体折叠存疑
ipTM	复合物中不同链之间的界面质量	0–1	越高说明链间结合越可信	pTM 高但 ipTM 低，结合可能不成立

四者的分工可以这么记：pLDDT 是逐残基的"打分卡"，PAE 是一张"区域间关系可信度地图"，pTM 和 ipTM 则分别给整体和界面各打一个总分。对应实现都在 alphafold/common/confidence.py 里，compute_plddt算 pLDDT，compute_predicted_aligned_error算 PAE，predicted_tm_score算 pTM 和 ipTM。

pLDDT 分数怎么看：D/L/M/H 四档行动指南

pLDDT 的取值不是拍脑袋分的，源码里对每个残基的 logits 做 softmax 后按 bin 中心加权平均，再乘 100 落到 0–100 分：

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

模型输出的不是一串分数，而是一段区间上的概率分布，pLDDT 就是这段分布的期望值。拿到分数后，按下面四档对照源码里的分档逻辑决定动作：

def _confidence_category(score: float) -> str: if 0 <= score < 50: return 'D' if 50 <= score < 70: return 'L' elif 70 <= score < 90: return 'M' elif 90 <= score <= 100: return 'H'

• D 档（0–50）：大概率是内在无序区，模型自己也在"打赌"。做法：把这段序列从下游任务里剔出去；如果你的课题就是 IDP，可以拿它当无序区证据，但别拿坐标做任何几何计算。
• L 档（50–70）：结构可能有较大偏差，尤其常见于 loop 和链端。做法：只把它当整体走向参考，别在这段上做精确的残基级判断；回头核对 PAE 热图里对应位置是否也偏亮。
• M 档（70–90）：二级结构层面的走向可信，原子级细节可能偏。做法：可以做功能区域定位、结构域划分这类中等精度任务；涉及结合口袋关键残基时，建议用实验数据或对接打分再交叉验证。
• H 档（90–100）：模型最有把握的部分。做法：分子对接、突变位点挑选、结合位点识别优先放在这里；论文里引用的关键残基坐标，尽量都出自 H 档区域。

一个实用习惯：把 pLDDT 曲线和已知的活性位点序列号叠在一起看。关键残基落在哪一档，直接决定了这个预测对下游任务的可用深度。

PAE 热图解读三步走：先看对角线，再看跨区域块

PAE 回答的问题是：把两个残基对所在的局部对齐后，它们之间的距离平均会偏多少（单位 Å）。它不关心单个残基绝对位置，只关心"这两处相对摆对了吗"。热图横轴纵轴都是残基序号，颜色代表每对残基的预测对齐误差，数值越低越可信。按下面三步读：

第一步，扫对角线。沿主对角线的一条暗带，说明局部折叠可靠——相邻和近邻残基的相对位置都没问题。如果对角线上出现某一段突然变亮，那一段的局部结构本身就不可信，先去查它的 pLDDT 是不是也掉档了。

第二步，看对角线外的块。假设残基 10–60 和 120–170 是两个结构域，就看热图上对应行区间 × 列区间交叉出来的那块区域。颜色深（误差小）= 这两个域的相对取向可靠，你画的域间界面和相对位置可以放心用；颜色浅（误差大）= 两个域各自折叠没问题，但它们之间的夹角和距离是模型"猜"的。

第三步，看整图颜色分布。全图整体偏暗，说明这是个高置信目标；整体偏亮，说明大面积区域间关系都不可靠，结论要降级到"单体折叠"层面。还有一类信号值得单独记：整图对称位置的颜色差异——PAE 矩阵本身近似对称，如果某块区域显著偏亮且只在矩阵某一侧出现，多半对应该区域存在构象异质性，比如柔性接头连接的域。

三步走完，你可以对任何一段"域 A 相对域 B 朝向如何"的断言，说出"PAE 上对应块均值是 X Å，可靠/不可靠"这种有据可查的判断，而不是凭丝带图观感。

复合物才需要的两个数：pTM 看全局，ipTM 看界面

单链预测只需要 pLDDT 和 PAE；一旦是多链复合物，pTM 和 ipTM 就成了必须记录的两个总分，两者都在 0–1 之间。

pTM（预测 TM 分数）评估整个预测结构与真实结构在整体拓扑上的一致性，数值越接近 1 越好。它和"平均 pLDDT"的区别在于：平均 pLDDT 只看局部残基各自稳不稳，pTM 会把全局几何误差一起算进去——一条链局部都高置信、但整体摆错形状的复合物，平均 pLDDT 可能很高，pTM 却上不去。所以看复合物整体，优先看 pTM 而不是 pLDDT 均值。

ipTM（界面 pTM）只在"不同链之间的残基对"上计算（源码里用asym_id把跨链残基对 mask 出来），专门回答一个问题：这两条链贴在一起这个界面，可信吗。ipTM 高，说明链间接触界面的相对位置预测靠谱；ipTM 低，即使每条链单体折叠都漂亮，这个复合物构象也不该直接用于界面突变或对接研究。

组合起来读，常见三种情形：pTM 高 + ipTM 高，复合物整体和界面都可信，放心用；pTM 高 + ipTM 低，每条链各自折叠没问题，但结合方式可疑，先查文献确认该复合体是否真实存在；pTM 低，整体折叠都有问题，先怀疑输入（序列、链组成、化学计量比）而不是纠结指标本身。

指标是模型给的，但模型有多可靠取决于你怎么跑

同样一条序列，运行参数不同，输出的置信度指标稳定性可以差很多。跑之前确认三件事：

输入序列质量。序列要完整、准确，截断或缺失的序列会让 MSA 检索质量下降，间接拉低 pLDDT。复合物场景下更要保证链的顺序和化学计量比正确——ipTM 的计算直接依赖asym_id的链划分，链给错了，界面指标无从谈起。

seed 数量。run_alphafold.py默认每个模型 5 个 seed，多 seed 跑出的结果取置信度最高的那个。官方技术笔记明确建议：对非常大或困难的目标，把 seed 提到 20，代价是计算时间成倍增加，普通目标没必要。

recycling 次数。默认回收 3 次，把上一轮的结构信息回喂进模型再预测。技术笔记中 CASP15 基线把上限提到了 20 次并配合早停，对顽固目标同样可以适当加。加 seed 和加 recycling 都只影响"难目标"的收益，别为了保险无脑拉满。

另外一句带过：v2.3.0 换上了新训练截止日（2021-09-30）的 AlphaFold-Multimer 权重，训练数据里大复合物和冷冻电镜结构占比大幅提高（见 docs/technical_note_v2.3.0.md），大型复合物的预测准确性相比旧版权重有明显提升，跑复合物优先用新版。

常见误判场景：4 个容易踩的坑

Q1：pLDDT 大片低于 50，是不是预测失败了？不一定。D 档最常见的对应就是内在无序区，实验结构（X-ray/EM）里这类区域往往同样没有电子密度。先拿序列查一下无序区数据库或文献，确认是"模型没猜对"还是"这个蛋白本来就没结构"，两者结论完全不同。

Q2：pLDDT 全线很高，还能信吗？不能只看 pLDDT。它只保证局部残基各自摆得稳，两个域之间的相对取向完全可能不可靠。必须翻 PAE 热图看跨区域块——对角线暗、交叉块亮，是典型的"每个域都对、但域间关系是猜的"结构。

Q3：预测结构和实验结构叠不上，听谁的？先看叠不上区域的 pLDDT：如果落在 H 档却对不上实验，说明这条预测结果确实不能信，考虑加 seed、加 recycling 重跑，或检查输入序列是否与实验品系一致；如果落在 D/L 档，那多半是模型诚实地区分出了低置信区，以实验结构为准即可。

上图是两个 CASP14 目标中预测（蓝）与实验（绿）结构的叠加，下方 GDT 分数就是"预测和实验到底像不像"的直接量尺——它和 pLDDT 的差别在于：GDT 需要实验结构对照，而 pLDDT/PAE 在预测阶段就能给出，这正是做质量控制时你最常依赖它们的原因。

Q4：单链 pTM 很高，复合物 ipTM 却很低，复合物到底有没有？模型在说：每条链的折叠我有把握，但"它们贴在一起"这件事我没把握。这既可能是真实的弱结合或瞬态相互作用，也可能是这个复合体根本不成立。先查文献和数据库里的结合证据，再决定是补实验还是放弃该复合物假设。

收个尾：交付报告前的 5 步自查清单

1. 画 pLDDT 逐残基曲线，标出 D/L/M/H 边界，确认你的关键功能残基落在哪一档。
2. 打开 PAE 热图，按"对角线 → 跨区域块 → 整图分布"三步过一遍，对每个域间关系断言都能报出对应块的大致误差。
3. 复合物额外记录 pTM 和 ipTM，按"pTM 高 ipTM 低 = 界面可疑"的规则做一轮筛查。
4. 把预测结果与已知同源结构或实验数据比对一次，不一致区域回查 pLDDT 分档。
5. 结论涉及关键位点时，用更多 seed 或更高 recycling 重跑一遍，确认指标稳定再写入报告。

深入源码

• alphafold/common/confidence.py：pLDDT、PAE、pTM/ipTM 四个指标的全部计算实现，compute_plddt、compute_predicted_aligned_error、predicted_tm_score是核心入口。
• alphafold/model/lddt.py：LDDT 损失与预测头相关的模型侧实现，理解"模型为什么能输出置信度"从这里入手。
• docs/technical_note_v2.3.0.md：v2.3.0 的训练数据更新与推荐推理参数（seed 数、recycling 上限）的官方说明。

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