3行代码上手AlphaFold蛋白质3D可视化：从序列到可发表图片

3行代码上手AlphaFold蛋白质3D可视化：从序列到可发表图片

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

组会前夜，你手里只有一条氨基酸序列，而导师要看的是一张能旋转、能缩放、按置信度着色的3D构象图。AlphaFold 开源仓库把这条链路拆成了几个现成函数：序列校验在alphafold/notebooks/notebook_utils.py，结构对象与 PDB 转换在alphafold/common/protein.py，最后的蛋白质结构交互查看交给 py3Dmol。本文按"跑通→自定义→导出→避坑"的顺序，带你走完这条 AlphaFold 可视化流程。

🚀 快速上手：环境与最小示例

完整预测需要模型参数和数据库，但"从 PDB 到 3D 视图"这一段在任意装了py3Dmol的 Python 环境里就能跑。如果你要从零复现整个流程，先拉取仓库：

git clone https://gitcode.com/GitHub_Trending/al/alphafold

下面这段是最小可运行的蛋白质结构交互查看代码：读入一段 PDB，塞进 py3Dmol 视图，加个卡通着色就出图。

import py3Dmol from alphafold.common import protein # 从 PDB 字符串还原 Protein 对象 pdb_str = open("alphafold/common/testdata/5nmu.pdb").read() prot = protein.Protein.from_pdb_string(pdb_str) pdb_out = protein.to_pdb(prot) # 创建 800x600 的交互视图并渲染 view = py3Dmol.view(width=800, height=600) view.addModel(pdb_out, "pdb") view.setStyle({"cartoon": {"color": "spectrum"}}) # 沿链彩虹着色 view.zoomTo() view.show()

运行后你会得到一个可拖拽旋转的模型。想理解每一步背后的细节，可以继续往下看。

📦 关键模块速览

在动手之前，先搞清楚每个函数"什么时候用"。核心工具都集中在两处：

提示：show_msa_info(single_chain_msas, sequence_index)内部用 numpy 把 MSA 转成矩阵，再用 matplotlib 画出一条"每个位置有多少条序列非间隙"的曲线，源码见 alphafold/notebooks/notebook_utils.py。

🔬 从零跑通：预测结果变 3D 模型

完整流程分三步：先备好序列，拿到features和预测结果prediction，再转成 3D。

校验序列——AlphaFold 只接受 20 种标准氨基酸，且长度需落在min_length与max_length之间，否则会抛ValueError：

from alphafold.notebooks import notebook_utils clean_sequence = notebook_utils.clean_and_validate_single_sequence( input_sequence="MSTEEPQDPSVTVWKRRRPPA...你的序列", min_length=16, max_length=2500 )

从预测结果构建 Protein——from_prediction接收特征字典features与模型输出prediction，第二个参数b_factors可以顺手传入逐残基 pLDDT，后面着色会用到：

from alphafold.common import protein b_factors = prediction["plddt"][:, None] # 逐残基 pLDDT 写入 B 因子 prot = protein.from_prediction(features, prediction, b_factors=b_factors) pdb_str = protein.to_pdb(prot)

提示：跑完整预测需要 Haiku/One 等模型参数与 JackHMMER、HHblits 等数据库工具链，仓库 scripts/ 下提供了一组数据下载脚本，官方示例在 notebooks/AlphaFold.ipynb 里可以直接按单元格顺序执行。

交给 py3Dmol 渲染——addModel负责解析 PDB，setStyle决定渲染风格，zoomTo让分子自动居中：

view = py3Dmol.view(width=800, height=600) view.addModel(pdb_str, "pdb") view.setStyle({"cartoon": {"color": "spectrum"}}) view.zoomTo() view.show()

🎨 进阶：让结构图"说话"

默认彩虹卡通已经够用，但发论文时你通常想表达更多信息。

按 pLDDT 给结构着色

pLDDT 是逐残基的置信度指标（0~100）。因为前面已把它写进 B 因子，py3Dmol 可以直接按b属性取色：

# 按 B 因子（pLDDT）做连续渐变着色 view.setStyle({ "cartoon": {"colorscheme": {"prop": "b", "gradient": "roygb", "min": 50, "max": 90}} })

提示：仓库自带的 notebook 用的也是同一套路——{'cartoon': {'colorscheme': {'prop': 'b', 'map': color_map}}}，见 notebooks/AlphaFold.ipynb。官方把 pLDDT 分成四档：≥90 为 High，70~90 为 Medium，50~70 为 Low，<50 为 Disordered，判定逻辑在 alphafold/common/confidence.py 的_confidence_category中。

高亮活性位点并加标签

想突出某段残基，就用addStyle指定选择器，再叠一层addLabel：

view.addStyle({"resi": range(10, 20)}, {"stick": {"color": "red", "radius": 0.3}}) view.addLabel("Active Site", {"fontSize": 12, "fontColor": "black"}, {"resi": 15})

多结构并排对比

比较野生型与突变体时，用grid参数一次开四个子视图，对每个(行, 列)位置分别建模：

view = py3Dmol.view(width=800, height=800, grid=(2, 2)) view.addModel(pdb_wt, "pdb", viewer=(0, 0)) view.setStyle({"cartoon": {"color": "blue"}}, viewer=(0, 0)) view.addModel(pdb_mut, "pdb", viewer=(0, 1)) view.setStyle({"cartoon": {"color": "red"}}, viewer=(0, 1)) view.show()

📤 导出与分享：格式怎么选

HTML 导出的完整写法：

with open("protein_visualization.html", "w") as f: f.write(view._make_html())

提示：投稿用的图建议统一配色与背景，导出前先view.setBackgroundColor("white")，并固定相机角度，避免审稿人截图后角度不一致。

⚠️ 避坑与解读要点

• ValueError: non-amino acid letters：序列里混入了小写字母、空格或未知字符（如X）。先在clean_and_validate_single_sequence里过滤，长度低于 16 或超过 2500 也会在这一步被拦下。
• show_msa_info画不出来：该函数用 matplotlib 绘图，需要交互环境（Jupyter/Colab）才能显示；纯脚本里会只打印序列数量，不出图。
• pLDDT 不是结构对错证明：pLDDT > 90 的区域结构更可靠；pLDDT < 50 的低置信度区段（多对应无序区），图中看起来"软塌塌"的部分不要过度解读，必要时用实验手段交叉验证。
• 着色范围要手动截断：gradient的min/max若照抄 0~100，多数残基会挤在一端颜色里，按你数据的实际分布（比如 50~90）截断对比度更好。

写在最后

AlphaFold 可视化本质上是一条"数据清洗 → 结构对象 → 渲染引擎"的流水线：notebook_utils管输入质量，protein.py管结构表示，py3Dmol 管怎么呈现。把这条流水线跑熟之后，从一条序列到一张可发表的结构图，中间不再需要任何手工建模。

1. 校验序列是第一步，min_length=16, max_length=2500是仓库内置的硬性边界。
2. 把 pLDDT 写入 B 因子，再用colorscheme: {"prop": "b"}着色，是置信度可视化最省事的路径。
3. 高置信区（≥90）可放心解读，低置信区（<50）保持怀疑并留待实验验证。

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