AlphaFold 预测蛋白质结构教程

如果你做蛋白研究，这几年一定无数次听过 AlphaFold 的名字。2020 年在 CASP14 上惊艳全场、2021 年开源的 AI 模型，居然能把蛋白质结构预测到近实验精度？

但很多人的使用体验，往往停留在”知道它很厉害，但不知道怎么用”的阶段。要么就是把序列丢到网上跑一下，下载一张 3D 结构图就完事了；要么想本地部署，却在环境配置和参数调优面前劝退。

这篇 AlphaFold 预测蛋白质结构教程，就是想帮你跨过这道门槛。我们不讲空泛的原理吹嘘，也不堆晦涩的模型架构，而是从在线工具怎么用、本地怎么部署、AI 升级玩法有哪些、结果怎么看、常见坑有哪些，一直讲到结构预测能做什么、不能做什么。不管你是刚入门的生信新手，还是天天跟结构打交道的研究者，这篇里都有你能用上的内容。

一、先搞清楚：AlphaFold 到底准不准？

AlphaFold Protein Structure Prediction Accuracy

在讲怎么用之前，先回答一个所有人最关心的问题：AlphaFold 预测的结构，到底有多准？能信吗？

答案是：在 CASP14 全球盲测中，AlphaFold2 对全部靶标（覆盖所有难度类别）的 GDT_TS 中位数达到 92.4（满分 100）。GDT_TS 可以粗略理解为处于正确位置阈值内的残基比例；按 CASP 界的共识，GDT 达到 90 左右即视为接近实验方法（X 射线晶体学、冷冻电镜）的精度水平。即使是最难的自由建模（FM）类靶标，中位数也达到 87.0。不过，预测精度高度依赖于丰富的同源序列信息——多序列比对（MSA）越深、同源序列越丰富，置信度通常越高。

但这并不意味着它”万能”。有几类情况，AlphaFold 的预测质量会明显下降：

· 固有无序区域（IDR）：没有固定三维结构的区域，AlphaFold 也没法预测出确定的构象，通常会给出很低的置信度。

· 多结构域蛋白的域间取向：每个结构域内部可能预测得很准，但结构域之间的相对朝向和位置，置信度往往较低。

· 膜蛋白与蛋白复合物：膜蛋白中螺旋束等类型已能预测得相当好，但整体难度仍大于球状蛋白；另外请注意，单体版 AlphaFold2 不预测复合物，蛋白-蛋白复合物需要使用 AlphaFold-Multimer。

· 孤儿蛋白/同源序列极少的蛋白：AlphaFold 非常依赖多序列比对信息，同源序列越少，预测精度越低。

· 配体结合、催化状态的细节：AlphaFold 预测的是单一静态构象，通常接近 apo（未结合）样状态，也可能呈现 holo 样构象（取决于训练数据中的同源结构），不一定能反映底物结合、催化反应时的构象变化。

所以结论是：AlphaFold 很强，但不是万能的。用之前先了解它的能力边界，比盲目相信预测结果重要得多。这也是这篇教程想先讲清楚的第一件事。

二、入门首选：在线版

如果你只是偶尔需要预测一两条序列，或者刚入门想先体验一下，完全不需要上来就本地部署。目前有几个常用的在线服务，可以直接提交序列、拿到预测结果。

方式一：使用 AlphaFold DB 数据

如果你要的是已研究的、或者有同源序列的常见蛋白，可以先去 AlphaFold DB（也就是常说的 AFDB）查一下——很多蛋白的预测结果已经预先算好了，直接下载就能用。该数据库 2021 年上线，2022 年大幅扩容后已收录超过 2 亿个预测结构，几乎覆盖 UniProt 中的全部已知蛋白序列（包括模式生物、非模式生物与大量病原微生物）。绝大多数有 UniProt ID 的蛋白都能查到；仅最新测序、尚未收录进 UniProt 的蛋白可能存在缺失。

方式二：使用在线预测服务器

如果数据库里没有你的蛋白，也可以用在线服务器提交任务。常用的在线 AlphaFold 类预测服务操作流程大致类似：

1. 输入你的蛋白序列（FASTA 格式，注意是氨基酸序列不是核酸序列）

2. 选择模型版本和参数（不同服务器选项不同）

3. 提交任务，等待计算完成

4. 下载结果文件（结构 PDB、置信度文件等）

在线工具适合谁？序列量少、不想折腾环境、只需要初步结果的研究者。它的缺点是：可控性低、自定义参数少、序列长度和数量有限制、数据隐私问题要考虑。

三、进阶方案：本地部署

如果你需要批量预测、或者对参数有自定义需求、或者数据不能上传到公网，那就需要本地部署了。这部分门槛相对高一些，但一旦搭好，用起来会非常顺手。

部署前先确认：你的硬件够不够？

AlphaFold 对计算资源的需求不低，尤其是 GPU。参考配置建议：

· GPU：至少一张显存 16GB 以上的 NVIDIA GPU（A100、A6000、RTX 3090/4090 等都可以），显存大小主要决定可预测的最大序列长度。但速度并非完全取决于 GPU——MSA 序列搜索等步骤主要在 CPU 上完成，整体速度受多方面因素影响。其中 GPU 计算核心性能差异确实存在（如 A100 显著优于 V100），但只是影响整体速度的因素之一。

· CPU 和内存：官方最低参考配置约 8 核 CPU、32GB 内存；想跑得舒服、支持并行批量处理，32 核以上 CPU、128GB 以上内存更理想。

· 存储：缩减版数据库约 550GB，完整版（含 BFD）约 2.2TB；加上中间文件和输出结果，用完整版建议预留 3TB 以上的磁盘空间。

· 系统：主流 Linux 发行版（Ubuntu 最省心）。

部署的基本步骤

1. 安装 NVIDIA 驱动、CUDA：这是 GPU 计算的基础环境。如果使用官方 Docker 镜像或 JAX 的 GPU wheel，CUDA/cuDNN 已随环境打包，可省去手动版本匹配的麻烦。

2. 下载 AlphaFold 代码：从官方代码仓库获取。

3. 安装 Python 依赖环境：建议用 conda 或 Docker 隔离环境，避免依赖冲突。

4. 下载遗传数据库、结构模板数据库：这是 AlphaFold 搜索同源信息的基础。

5. 运行测试样例：先用官方给的测试序列跑一遍，确认整个流程跑通了。

6. 批量提交任务：写好批量脚本，就可以大规模预测了。

本地部署的几个关注意点

· 数据库一定要下全、下对：数据库缺失或版本不对，是预测结果异常的最常见原因之一。

· 序列长度有上限：受限于显存，序列越长需要的显存越多。AlphaFold v2.3 已支持约 2700 个残基以内的蛋白整体预测；更长的序列需要更大显存。如需按结构域拆分预测，只能以域边界为单位分别建模，并注意域间相对取向的信息会因此丢失。

· 别一味追求最新版本：不同版本在速度、精度、资源需求上各有取舍，适合自己的就是最好的。

四、AI 升级玩法：在 MatwingsVenus™（晓鹜™）平台上解锁 AlphaFold 的正确打开方式

如果你既嫌在线工具不够灵活，又觉得本地部署太折腾，还有第三条路可以选——借助一站式AI蛋白质研究平台，在不用自己搭环境的前提下，获得更强的分析能力。

MatwingsVenus™（晓鹜™）智能体平台已经内置了 AlphaFold 结构预测能力，用户无需自己搭建复杂的 GPU 环境、不用下载几百 GB 的数据库，直接登录平台提交序列即可完成结构预测。平台搭载了百亿级蛋白质序列数据库、海量带标签的蛋白数据、以及 200 多种蛋白质设计工具和数十个经专家调优的 Skills，在结构预测完成后，可以直接在平台上继续做下游分析，不用在多个工具之间来回切换。

MatwingsVenus™

相比于单纯的结构预测工具，MatwingsVenus™（晓鹜™）的真正价值还在于”预测之后的完整工作流”——很多人跑了 AlphaFold，对着一张结构图不知道下一步做什么，而 MatwingsVenus™（晓鹜™）平台在结构预测的基础上，还整合了从结构质量评估、功能位点挖掘、稳定性与物性分析，到定向进化智能设计的全链路能力，让预测出来的结构真正”用起来”，而不只是存进硬盘里占空间。

如果你的研究更具挑战性，平台还支持定制化服务——AlphaFold 被装进了一个完整的 AI 蛋白质研发工作流里，预测只是第一步，后面的功能解读、性能优化、实验验证全链路打通，才是 AI 结构预测真正的价值所在。

五、结果怎么看？

跑完预测，拿到了一堆文件，接下来才是关键：怎么判断这个结果靠不靠谱？这里面的学问，不比跑预测本身小。

1. 先看 pLDDT：每个残基的置信度

pLDDT（predicted Local Distance Difference Test，预测局部距离差异检验）是 AlphaFold 给出的每个氨基酸位置的置信度评分，范围 0 到 100：

· > 90：极高置信度，结构模型非常可靠，通常接近实验精度

· 70–90：置信，骨架基本可靠，侧链细节可能有偏差

· 50–70：低置信度，需要谨慎解读

· < 50：置信度很低，这个区域可能是固有无序区，或者预测不可靠

一个简单的判断标准：如果大部分区域 pLDDT 都在 70 以上，说明这个预测整体是比较可信的。如果大片区域 pLDDT 低于 50，那这些区域的结构就不能太当真。

2. 再看 PAE：结构域间的相对位置靠不靠谱

PAE（Predicted Aligned Error，预测对齐误差，单位 Å）预测的是两个残基之间相对位置的置信度。它的作用主要是看多结构域蛋白中，结构域之间的朝向准不准。

怎么看 PAE 图？PAE 图中蓝色/绿色（低数值）区域表示两个残基的相对位置置信度高，红色（高数值）表示置信度低。如果 PAE 图里出现了一个个清晰的方块，说明每个方块内部（通常是一个结构域）的结构很可靠；方块之间如果偏红，说明结构域之间的相对取向置信度不高。

3. 结合生物学知识综合判断

除了看置信度数值，还要问自己几个问题：

· 这个结构和已知的同源结构像吗？

· 活性位点/结合口袋的残基位置合理吗？

· 二硫键、盐桥这些关键相互作用符合预期吗？

· 预测出来的折叠类型，和这个蛋白家族的已知结构吻合吗？

数值是参考，最终还是要回到生物学合理性上来。

六、AlphaFold 预测的 8 个常见坑

8 Common Pitfalls to Avoid

很多人跑 AlphaFold 踩了坑，不是因为工具不好用，而是一些细节没注意到。下面这 8 个常见问题，看看你中过几个？

坑 1：拿 DNA 序列直接去预测 AlphaFold 预测的是蛋白质结构，输入必须是氨基酸序列。拿 DNA 或 CDS 序列直接提交会报错或得到无意义的结果——需要先用翻译工具（如 EMBOSS transeq）把 CDS 翻译成蛋白序列。

坑 2：只看 3D 图好看就信了 结构图画得漂漂亮亮，不代表预测就准。一定要先看 pLDDT 和 PAE，先搞清楚哪些区域可信、哪些不可信。

坑 3：把低置信度区域当真 尤其是环区、末端、无序区域，pLDDT 可能很低，这些区域的构象是高度不确定的，不能拿预测结果当实验结构去讨论精细相互作用。

坑 4：认为”预测出来的就是唯一构象” 蛋白质在溶液中是动态的，有多个构象态。AlphaFold 输出的是单个静态模型（默认 5 个 ranked 模型，每个都是点估计），通常接近 apo 样构象——它既不代表这个蛋白只有一种结构，也不是动态平均。

坑 5：忽略配体和翻译后修饰 默认情况下 AlphaFold 不建模配体、金属离子与翻译后修饰（血红素等少数共价结合辅基偶尔会自发出现）。需要结合态、修饰态结构时，要结合实验或补充建模手段。

坑 6：以为序列越长越准 恰恰相反，序列越长（尤其多结构域），整体的全局置信度可能降低，但独立结构域内部的局部置信度仍可能很高，症结主要在于域间相对取向（反映在 PAE 上）。

坑 7：预测完就完了，不做验证 AlphaFold 是预测工具，不是金标准。重要的结论一定要结合实验或者已知结构去验证，不能直接拿预测结果当事实。

坑 8：什么蛋白都用 AlphaFold 对于一些高度无序、膜蛋白复合物、全新折叠类型的蛋白，AlphaFold 的预测效果可能有限，不能硬上。

七、最后总结：关于 AlphaFold，记住 5 句话

1. 先问”准不准”，再问”怎么用”。了解 AlphaFold 的能力边界，是正确使用它的前提。

2. 能用在线就先用在线，本地部署按需选择。不是所有人都需要本地跑，选适合自己需求的方式就行。

3. AI 升级玩法不只是预测，更要会用。借助 MatwingsVenus™（晓鹜™）这样的一体化平台，把结构预测直接对接功能分析和定向进化，价值才能真正释放。

4. pLDDT 和 PAE 是你最好的朋友。拿到预测结果先看置信度，不要直接看图说话。

5. 结构是起点不是终点。预测结构的目的是研究功能，不能把手段当目的。

AlphaFold 预测蛋白质结构教程可以有很多种，但最根本的一条永远是：工具是为人服务的，理解它的能力、用好它的优势、清楚它的局限，才能真正让这个强大的工具为你的研究赋能。而 MatwingsVenus™（晓鹜™）这样的 AI 智能体，正在把结构预测的”下一步”也交到每一个研究者手里——从预测结构，到读懂功能，再到改造性能，蛋白质研究的玩法，正在被 AI 彻底改写。