AlphaFold 置信度完全指南：pLDDT 与 PAE 怎么读才靠谱

AlphaFold 置信度完全指南：pLDDT 与 PAE 怎么读才靠谱

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

拿到一份 AlphaFold 预测结果，你很难第一眼分辨哪些结构可信、哪些只是噪声。这篇文章教你把 pLDDT 和 PAE 读明白，建立一套从"快速判断"到"深度分析"的蛋白质结构预测置信度评估流程。

一、3 分钟速览：拿到预测结果后先看什么

别急着把预测图拖进分子查看器。先按这个顺序过一遍：

先看 pLDDT 条形图的均值和分布→再看 PAE 矩阵的块状结构→最后检查两者是否"打架"。

均值 < 70 直接存疑；均值 ≥ 70 且条形图平坦，才有资格往下读。PAE 矩阵用来定位"哪里可能塌"。两个指标不一致时，才是真正需要动脑的时刻。

二、pLDDT：它到底在回答什么问题 📈

它回答的问题是：第 i 个残基的局部结构，你该信几分？

拿两个具体场景对比：

• 某残基 pLDDT = 95：位于稳定 α 螺旋核心区，Cα 原子位置预测误差通常在 1 Å 内，骨架取向可以直接用于对接、突变分析。
• 同一链另一残基 pLDDT = 40：落在 N 端或 loop 区，主链方向大概率对，但原子坐标已经不能拿来当"真实位置"用，只能当拓扑参考。

四档分级怎么落地用：

为什么有的残基 pLDDT 天然偏低？三个高频原因：

1. 内在无序区（IDR）：蛋白本来就"没定型"，模型只能给一个低分。
2. 柔性 loop：结构存在但自由度大，模型主动压低置信度。
3. MSA 覆盖不足：该区域缺少同源序列支撑，信号本身就弱。

def compute_plddt(logits): # logits: [N_res, N_bins] 模型原始输出 num_bins = logits.shape[-1] bin_centers = np.arange(0.5/num_bins, 1.0, 1.0/num_bins) probs = scipy.special.softmax(logits, axis=-1) return (probs * bin_centers[None]).sum(-1) * 100 # 期望值 × 100 → 0~100 分

三、PAE：残基对之间的"距离误差地图" 🗺

它回答的问题是：若把预测结构和真实结构做最优叠合，残基 i 和 j 之间的距离误差大约是多少？

PAE 是 N×N 矩阵，对角线附近 = 近邻残基对，远离对角线 = 远距离残基对。看三种典型模式：

多亚基复合物的 3 句话读法： 对角块（亚基内 PAE）低 → 单链骨架可信；非对角块（亚基间 PAE）低 → 界面相对取向可信；某非对角块整体高值 → 该亚基对相对位置不确定，界面结论要谨慎。

def compute_pae(logits, breaks): probs = scipy.special.softmax(logits, axis=-1) # [N_res, N_res, N_bins] bin_centers = breaks + (breaks[1] - breaks[0]) / 2.0 # bin 中心 bin_centers = np.append(bin_centers, bin_centers[-1] + (breaks[1] - breaks[0])) return (probs * bin_centers[None, None]).sum(-1) # 期望距离误差 [Å]

四、组合判读：pLDDT 和 PAE 打架时怎么办 ⚠️

底层逻辑：pLDDT 管"单链局部精度"，PAE 管"残基对相对可靠性"。一个说原子级，一个说相对级，两者一致才算真的信。

五、技术原理速览（给好奇的你）🔬

如果你不关心实现细节，直接跳到下一节。

pLDDT 的计算链路：

PAE 的数学表达一行：

$$\text{PAE}{ij} = \sum{k=1}^{K} p_{ij,k} \cdot c_k$$

三个置信度头在模型里的分工：

六、实战检查清单 + 常见问题 ✅

从预测结果到写进论文的完整操作链：

1. 先扫 pLDDT 条形图：均值 ≥ 70 且无大面积橙色？
2. 打开 PAE 矩阵，画圈标出所有异常方块。
3. 用 pLDDT 逐残基标注低置信区（< 70），记录残基号区间。
4. 复合物：分别核对每个非对角块，确认界面相对定位。
5. 对存疑区域换 seed / 提高 MSA 深度复跑 1 次，看 pLDDT 是否稳定。
6. 若需交叉验证，用 ESMFold 或 RoseTTAFold 跑同序列，看低置信区是否一致。
7. 论文里报告时，同时给出 pLDDT 均值 + PAE 热图，缺一不可。
8. 所有写入结论的结构，其 pLDDT 必须 ≥ 70 且对应 PAE 块低值。

高频 FAQ：

想再深挖一步？用 ESMFold 或 RoseTTAFold 做交叉验证，是判断"模型特有偏差"还是"蛋白本来就不确定"的最快路径。

下次拿到 AlphaFold 结果，按这个顺序看：pLDDT 均值定基调，PAE 方块定区域，两者冲突时再动手——不会漏。

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