AlphaFold 预测结果解读：pLDDT 四个分数段与 PAE 热图的读法
【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold
很多人拿到 AlphaFold 预测结果，第一反应是不敢直接信。其实解读是套固定流程：先看残基颜色，再看 PAE 热图，然后对比多个模型，批量场景再用分数过滤。看完这篇，你能独立判断一份预测能不能进入下游分析。
第一步：pLDDT 残基颜色怎么读
pLDDT（预测局部距离差异测试）给每个残基打 0–100 的分，越高代表该残基的预测位置越可靠。在 PyMOL 里打开 PDB 看到的那些颜色，就是把 pLDDT 写进 B 因子得到的（写入逻辑见 run_alphafold.py）。官方代码把它分成四档：
| 分数区间 | 档位 | 模型颜色 | 实际含义 |
|---|---|---|---|
| 90–100 | H（高） | 深蓝 | 活性位点分析、对接、突变实验可以直接用 |
| 70–90 | M（中） | 浅蓝 | 二级结构和域层面分析基本可靠 |
| 50–70 | L（低） | 黄 | 可能有局部错误，谨慎使用 |
| 0–50 | D（无序） | 橙红 | 内在无序区或预测失败，别直接信 |
深蓝区正好落在你关心的功能位点，就可以直接进入下一步。如果有一大片橙红区，先排查：该区域是否本来就无序、同源序列信息是否不足、蛋白是否需要辅因子才能稳定，再下"预测失败"的结论。
第二步：PAE 热图能看出什么
pLDDT 回答"这个残基自身靠不靠谱"，PAE（预测对齐误差）回答"两个残基之间的相对位置靠不靠谱"。它是 N×N 矩阵，每个格子是残基 i 与残基 j 之间的预测位置误差（单位 Å），值越小越好。
热图主要看三样东西：
- 结构域边界：块内数值低、块与块交界处数值高，说明两个域相对"松"
- 柔性连接区：连接两个低误差块的高误差条带
- 多亚基界面：看不同链之间的非对角块，数值低说明界面相对位置可靠
如果 PAE 显示域间关系偏高，说明整体结构只保证各域自身准，域的相对位置不定。这时可以分域预测，或用分子动力学探索构象。
第三步：5 个模型如何比一致性与分歧
AlphaFold 默认对同一靶标跑 5 个模型。多模型对比看两点：
- 一致：5 个结构叠在一起，骨架 RMSD 小且 pLDDT/PAE 相近，该区域基本可以"定型"
- 分歧：某一段在不同模型间摆动明显，即使 pLDDT 不低，该区域也可能存在真实构象可变性
输出目录的 ranking_debug.json 还记录了模型排名依据：单体按 plddt，多聚体按 iptm+ptm。
批量场景：四个指标筛选优质结构
上百个靶标时没法逐个看颜色。输出目录已生成 confidence_{model}.json（每残基 pLDDT）和 pae_{model}.json（PAE 矩阵），由 alphafold/common/confidence.py 导出，用脚本算四个指标即可筛选：
| 指标 | 作用 |
|---|---|
| 平均 pLDDT | 整体结构质量，第一道粗筛 |
| 高置信残基占比（pLDDT>90） | 看"可信部分"是否覆盖功能区域 |
| PAE 对角线均值 | 整体相对定位的可靠性，越低越稳 |
| 复合物 pTM / ipTM | 多聚体的归一化置信度，专用于复合物 |
这四步构成完整决策链：颜色排掉无序区，矩阵确认域间关系，多模型确认局部构象，批量时用分数过滤。我个人更信 pLDDT 的整体分布而非单个分数——整条曲线都落在深蓝色区间时，基本可以放心进入下一步。
【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
