蛋白质结构预测与 AlphaFold 应用

引言

「蛋白质的功能由其三维结构决定」——这是结构生物学的中心命题。一个蛋白质的氨基酸序列决定它如何折叠成特定的三维形状，而这个形状决定了它能结合什么、催化什么反应、参与什么通路。因此，从序列预测结构，是生物学最核心的问题之一，也是半个世纪以来最大的挑战。

这个挑战被称为「蛋白质折叠问题」，曾被列为生物学最重要的未解难题。实验方法（X 射线晶体学、冷冻电镜、NMR）测定结构耗时耗力（一个结构可能几个月到几年），而已知的蛋白序列有数亿条，实验测定的结构只有约 20 万个——巨大的鸿沟。AlphaFold2 在 2020 年 CASP14 竞赛中把预测精度推到接近实验水平，被视为结构生物学的「游戏规则改变者」。

但 AlphaFold 不是「银弹」。它预测的是「单一构象」（通常是能量最低的），而蛋白质在生理条件下是动态的，存在多种构象；它对「内在无序蛋白」（没有固定结构）无能为力；它预测的是「结构」不是「功能」，从结构到功能的解读仍需要生物学知识。工程上，如何正确运行、正确解读、避免过度信任，是应用 AlphaFold 的关键。

本文按「历史 → 经典方法 → AlphaFold 原理 → 运行 → 评估 → 多聚体 → 下游分析 → 局限」的顺序展开。目标是让你既能跑通 AlphaFold，又能判断「这个预测结果能不能信、能信到什么程度」。

目录

1. 结构预测的历史与意义
2. 从序列到结构的经典方法
3. AlphaFold2 的原理与突破
4. AlphaFold 的输入输出与本地运行
5. AlphaFold DB 与 ColabFold
6. 结果评估：pLDDT 与 PAE
7. 多聚体预测：AlphaFold-Multimer
8. 结构分析与下游应用
9. 局限性、错误使用与药物设计

1. 结构预测的历史与意义

蛋白质结构预测的意义可以从三个层面理解：

科学层面：理解生命活动的分子机制。酶如何催化反应、受体如何识别配体、抗体如何结合抗原——这些都要看结构。

应用层面：药物设计。绝大多数药物是「小分子结合到蛋白的特定口袋」，知道结构才能设计或筛选药物。结构预测能大幅加速靶点识别与先导化合物发现。

工程层面：填补序列与结构之间的鸿沟。已知序列数亿条，实验结构 20 万条，比例不到千分之一。结构预测让「每一条序列都有结构可看」成为可能。

结构预测方法的历史演进：

CASP（Critical Assessment of protein Structure Prediction）是每两年一次的「结构预测奥林匹克」，用实验测定但未发表的结构做盲测。AlphaFold2 在 CASP14 的表现是「断层领先」——它把很多目标预测到了实验精度，评委一度怀疑是不是作弊（实际没有）。

2. 从序列到结构的经典方法

在 AlphaFold 之前，结构预测有三条经典路线：

同源建模（homology modeling）：如果目标蛋白有一个已知结构的「同源蛋白」（序列相似度 > 30%），可以用同源结构做模板，把目标序列「套」上去。工具：MODELLER、SWISS-MODEL。局限：没有同源模板时失效。

穿线法（threading/fold recognition）：把目标序列「穿」到已知的折叠库中，找最匹配的折叠。比同源建模能处理更远的关系，但精度有限。

从头预测（ab initio）：不依赖模板，从物理/统计能量函数出发搜索构象空间。经典工具 Rosetta。计算量巨大（构象空间天文数字），且对大于 100 个残基的蛋白基本失效。

这些方法的核心瓶颈是「构象空间太大」和「能量函数不精确」。AlphaFold 的突破在于绕过了这两个瓶颈：它不搜索构象空间，而是用深度学习「直接预测」残基间的距离与角度，再用这些约束「组装」出结构。

协同进化（co-evolution）信号 是 AlphaFold 的关键输入来源。原理：如果两个残基在三维空间中接触，它们在进化中会「协同变异」——一个突变，另一个也跟着变以维持相互作用。通过分析大量同源序列的比对（MSA），可以推断哪些残基对接触。这个思路早在 AlphaFold 之前就存在（如 Direct Coupling Analysis），但精度不足以确定结构。AlphaFold 把「接触预测」的噪声信号通过注意力机制整合成了精确结构。

3. AlphaFold2 的原理与突破

AlphaFold2 的核心是一个「端到端」的深度学习模型，输入是 MSA（多序列比对）与残基对，输出是每个残基的三维坐标与置信度。

架构的关键组件：

1. Evoformer：处理 MSA 与残基对表示，用注意力机制（attention）在两者间反复交换信息。这是 AlphaFold 的核心创新——MSA 的进化信息与残基对的空间约束互相迭代精炼。
2. 结构模块（Structure Module）：把精炼后的表示「翻译」成三维坐标，用「不变点注意力」（IPA）保证输出的旋转平移不变性。
3. 端到端训练：整个模型用已知结构（PDB）训练，直接优化「预测结构与真实结构的差异」。

为什么需要 MSA？ MSA 提供了「进化信息」——同源序列在哪些位置保守、哪些位置共变。这个信息是「无模板」预测能成功的关键。如果 MSA 很浅（同源序列少），预测质量会下降（这正是孤儿蛋白预测难的原因）。

AlphaFold2 信息流：
  序列 → 搜索同源 → MSA（进化信息）
                    ↓
              Evoformer（48 层）
               ↕ 注意力交换
              残基对表示（空间约束）
                    ↓
           Structure Module → 3D 坐标 + pLDDT

AlphaFold 的「突破」本质是「用深度学习替代了手工设计的能量函数与搜索算法」。它把「结构预测」变成了「序列到结构的映射学习」，而这个映射可以从海量 PDB 结构中学到。这符合近年 AI for Science 的范式——用数据驱动替代物理建模。

需要说明的是，AlphaFold2 是开源的（DeepMind 公开了代码与权重），这催生了大量衍生工具与优化实现。而 AlphaFold3 转向了「非开源权重、仅限学术使用的服务器」，引发了一些争议。

4. AlphaFold 的输入输出与本地运行

本地运行 AlphaFold2 需要：GPU（推荐 A100/V100，至少 16 GB 显存）、大量磁盘（数据库约 2.5 TB）、以及较长的运行时间。

# 使用官方 Docker 镜像运行（需要先下载数据库）
docker run --gpus all \
  -v $PWD:/data \
  -v /path/to/databases:/databases \
  alphafold --fasta_paths=/data/protein.fasta \
  --output_dir=/data/output \
  --data_dir=/databases \
  --model_preset=monomer \
  --max_template_date=2024-01-01 \
  --db_preset=full_dbs \
  --use_gpu_relax=true

关键参数：

数据库是最大的门槛。AlphaFold 需要几个数据库：UniRef90、MGnify、BFD、PDB、PDB70 等，总共约 2.5 TB。下载与解压需要数天。这是本地部署的主要障碍，也是 ColabFold 流行的原因。

运行时间：单体蛋白几分钟到几小时（取决于序列长度与 MSA 深度）；多聚体更久。这是计算密集型任务，GPU 利用率高，适合放在有 GPU 的集群上。参见 AI 与 HPC 融合 。

输出文件：

protein/
  ranked_0.pdb          ← 最优预测结构（5 个模型按置信度排序）
  ranked_1.pdb ...      ← 其他候选
  ranking_debug.json    ← 各模型评分
  relaxed_model_1.pdb   ← 物理精修后的结构
  result_model_1.pkl    ← 原始输出（含 pLDDT、PAE 等）
  msas/                 ← 使用的 MSA
  features.pkl          ← 输入特征

5. AlphaFold DB 与 ColabFold

AlphaFold DB 是 DeepMind 与 EMBL-EBI 合作发布的「预计算结构数据库」，覆盖了几乎所有已知蛋白（超过 2 亿个结构）。如果你要预测的蛋白在数据库里，直接下载即可，无需本地运行：

# 从 AlphaFold DB 下载（按 UniProt ID）
wget <alphafold-db>/files/AF-P00533-F1-model_v4.pdb

# 或用 API
curl "<alphafold-db-api>/prediction/P00533"

AlphaFold DB 的价值是「零成本获取结构」。对于模式生物（人类、小鼠、大肠杆菌等）的蛋白，几乎都能查到。局限：只覆盖「单体」（不包含多聚体复合物）、只覆盖已知序列的蛋白。

ColabFold 是本地运行的「轻量替代」，用 MMseqs2 加速 MSA 搜索（几秒而非几小时），大大降低了运行门槛：

# ColabFold 命令行
colabfold_batch input.fasta output_dir \
  --num-recycle 3 \
  --model-type alphafold2_ptm \
  --templates

# 或用 Colab notebook（免费 GPU，适合小规模）

ColabFold 的优势：

• MSA 搜索快：用 MMseqs2 替代 JackHMMER/HHblits，快 100 倍以上；
• 数据库小：用 ColabFold 的服务器搜索 MSA，本地只需装模型；
• 支持多聚体与复合物：--model-type alphafold2_multimer_v3；
• 免费额度：Colab notebook 提供免费 GPU（有使用限制）。

对于大多数用户，ColabFold 是比官方 AlphaFold 更实用的选择——牺牲一点点精度，换来极大的便利。只有当需要极致精度或处理敏感数据（不能上传到服务器）时，才需要本地全量部署。

6. 结果评估：pLDDT 与 PAE

AlphaFold 的输出不只是结构，还有两个关键的置信度指标：

pLDDT（predicted Local Distance Difference Test）：每个残基的局部置信度，范围 0-100：

pLDDT 保存在 PDB 文件的 B-factor 列（可直接用 PyMOL 按 pLDDT 着色）。低 pLDDT 区域往往对应内在无序区（IDR）——这些区域在生理条件下没有固定结构，AlphaFold 预测的「结构」不可信。

PAE（Predicted Aligned Error）：预测两个残基之间的「相对位置误差」，用于评估「结构域之间的相对朝向」是否可信：

PAE 矩阵解读：
  · 对角块内低 PAE → 该结构域内部可信
  · 结构域之间高 PAE → 结构域的相对朝向不可信
  · 多聚体预测中，链间 PAE 低 → 相互作用可信

正确的解读方法：不要只看「结构好不好看」，要看 pLDDT 与 PAE。一个漂亮的结构可能有大量低 pLDDT 区域（不可信）。多聚体预测尤其要看 PAE——如果链间 PAE 高，说明模型对「两条链如何结合」没有把握，预测的界面不可信。

一个实用判据：pLDDT > 70 且 PAE 低 的区域，可以用于下游分析（如结合位点分析）；pLDDT < 50 的区域应视为「无序」，不要强行解读。

7. 多聚体预测：AlphaFold-Multimer

很多蛋白的功能以「复合物」形式实现（如二聚体酶、抗体-抗原、受体-配体）。AlphaFold2 最初只预测单体，AlphaFold-Multimer 扩展到了多聚体：

# 多聚体预测（输入多条链，用 : 分隔）
# input.fasta:
# >chainA
# MKTAYIAKQR...
# >chainB
# GSHMKTAYI...

colabfold_batch multimer.fasta out_dir \
  --model-type alphafold2_multimer_v3 \
  --num-recycle 6

多聚体预测的要点：

• 需要链间 MSA：模型需要看到「链 A 和链 B 的同源序列如何共同进化」，才能预测界面；
• PAE 是关键指标：链间 PAE 低说明界面可信；
• 评分指标：ipTM（界面预测 TM-score）与 pTM，ipTM > 0.8 通常认为界面可信；
• 计算量更大：链越多、组合越多，计算量指数上升。

多聚体预测的一个常见问题是「假阳性界面」：模型可能预测出两个蛋白「结合」，但实际上它们不结合。判据是 ipTM 与链间 PAE——高 ipTM 且低 PAE 才可信。对于「预测两个蛋白是否相互作用」这类问题，AlphaFold 的输出需要谨慎解读，最好结合实验验证。

8. 结构分析与下游应用

得到结构后，下游分析工具：

# 结构比对（找相似结构）
TM-align model.pdb reference.pdb          # 输出 TM-score
FoldSeek model.pdb database               # 快速结构搜索

# 结构域识别
hmmscan Pfam-A.hmm model.pdb              # 序列层面
# 或用结构域数据库（CATH、SCOP）

# 结合口袋检测
fpocket -f model.pdb                       # 检测可能的配体结合口袋

# 结构可视化
pymol model.pdb                            # 交互式

下游应用的典型场景：

1. 功能注释：预测的蛋白如果与某已知结构高度相似（TM-score > 0.5），可能具有相似功能；
2. 突变影响分析：致病突变是否落在结构关键位置（活性位点、结合界面、稳定核心）；
3. 药物设计：识别结合口袋，做虚拟筛选或从头设计；
4. 抗体设计：预测抗体-抗原复合物，优化结合亲和力。

突变分析 是 AlphaFold 的常见应用：把致病突变映射到结构上，看它是否影响蛋白稳定性或功能。工具如 FoldX、Rosetta ddG 能计算突变的能量效应。但要注意：AlphaFold 预测的是「野生型结构」，用它分析突变效应是「间接推断」，精度有限。

9. 局限性、错误使用与药物设计

AlphaFold 的局限性必须清楚，否则会误用：

错误使用的典型：

1. 把低 pLDDT 区域当真：低分区域是「无序」，强行分析其「结构」无意义；
2. 忽视构象动态：AlphaFold 给的是一个「快照」，蛋白质实际在多个构象间切换（酶催化、信号转导依赖构象变化）；
3. 把预测当实验结构：发表时应说明「这是预测结构」，精度评估（pLDDT/PAE）必须报告；
4. 用于配体结合预测：AlphaFold2 不含配体，结合位点可能因配体诱导的构象变化而不同。

药物设计应用 是 AlphaFold 最有前景的方向之一。经典流程：结构预测 → 结合口袋识别 → 虚拟筛选（分子对接）→ 先导化合物优化。AlphaFold 让「没有实验结构的靶点」也能做虚拟筛选，大幅扩展了可成药靶点的范围。但要注意：AlphaFold 的结构精度（侧链位置、口袋形状）通常不如实验结构，虚拟筛选的命中率会受影响。对于关键靶点，仍建议用实验结构或用 MD 精修预测结构。

AlphaFold3 是 2024 年的新版本，扩展到「蛋白 + 配体 + 核酸 + 离子」的复合物预测，并采用扩散模型架构。但它没有开源权重（仅限学术通过服务器使用），限制了工业应用。开源社区正在开发替代方案（如 Chai-1、Boltz-1）。

权衡取舍

常见坑清单

1. 只看结构不看 pLDDT：漂亮的结构可能有大量低分区域；必须按 pLDDT 着色评估。
2. 把无序区当真结构：低 pLDDT 区域是无序，强行解读无意义；视为无序处理。
3. 忽视构象动态：AlphaFold 只给一个快照；功能相关的构象变化需 MD 补充。
4. 多聚体界面不验证：假阳性界面导致错误结论；看 ipTM/PAE 并实验验证。
5. 本地部署忽略数据库：2.5 TB 数据库是主要门槛；或用 ColabFold 规避。
6. MSA 太浅仍信任结果：孤儿蛋白 MSA 浅，精度下降；检查 MSA 深度。
7. 模板日期设置错误：评估时用 max_template_date 限制，实际预测设今天。
8. 用预测结构做精确对接：侧链精度不足影响虚拟筛选；关键靶点用实验结构。
9. 忽视膜蛋白环境：预测的是水溶液构象；跨膜区需谨慎解读。
10. 发表不标注预测：把预测结构当实验结构；必须说明并报告精度指标。

小结

AlphaFold 是结构生物学的一次范式转变：它用深度学习把「结构预测」从「依赖模板与物理模拟」变成「数据驱动的映射学习」，并把精度推到了接近实验的水平。理解它的原理（Evoformer、MSA、注意力）、输出（pLDDT、PAE）与局限（单构象、无序蛋白、无配体），是正确应用的前提。

工程上，AlphaFold 最该建立的认知是「置信度驱动解读」。不要问「这个结构对不对」，而要问「这个结构的哪些部分可信」——pLDDT 和 PAE 就是回答这个问题的工具。另一个要点是「预测不是实验」：AlphaFold 的输出是「最可能的推断」，用于假设生成与筛选，关键结论仍需实验验证。把预测结构与实验数据（如突变实验、结合实验）结合，才能得到可靠的生物学结论。

下一步可以看 系统发育与进化分析 了解从序列到进化关系的推断，或 变异检测与 VCF 处理 了解如何找到影响蛋白功能的变异。如果你要用 AlphaFold 做药物设计，先确认靶点结构的关键区域 pLDDT 是否足够高，再考虑下游的对接与筛选。