AlphaFold 怎么用：预测流程、置信度评价与数据管理

AlphaFold 让蛋白结构预测从"做不做得出"变成了"怎么用好"。对生物医药研发团队而言，真正的问题往往不是跑一次预测，而是：预测流程怎么走、结果可信度怎么判断、这些结构与实验数据如何在项目里长期沉淀。本文按"使用、评价、管理"三段给出可落地的做法。

AlphaFold 是什么：能力与版本脉络

从 AlphaFold 2 到 AlphaFold 3

AlphaFold 由 DeepMind 开发。2021 年的 AlphaFold 2 在国际蛋白结构预测竞赛（CASP14）中达到接近实验解析的精度，随后 DeepMind 与欧洲生物信息学研究所（EMBL-EBI）合作建立 AlphaFold Protein Structure Database，向公众开放了覆盖数亿蛋白质的预测结构。2024 年发布的 AlphaFold 3 将预测范围扩展到蛋白质与 DNA、RNA、小分子配体等相互作用的复合物，并提供了在线 AlphaFold Server。对多数课题组来说，结论很明确：查已知蛋白先用数据库检索，复合物与相互作用研究再考虑 AlphaFold 3 类工具。

与同类工具的关系

ESMFold、RoseTTAFold 等工具各有侧重，科研中常见做法是多工具交叉预测、相互印证，而不是只依赖单一来源。任何预测结果都应视为"待验证的假设"，最终以湿实验数据为准。

使用流程：从序列到结构文件

路径一：检索 AlphaFold 数据库

大多数模式生物的蛋白已有现成预测结构。拿到目标蛋白的 UniProt 编号后，直接在数据库检索并下载 PDB 或 mmCIF 格式结构文件，几分钟即可完成，这是性价比最高的起点。

路径二：自行运行预测

数据库没有覆盖的序列（如突变体、融合蛋白、物种差异区段）需要自行预测：本地部署开源版本或使用云平台运行。自行预测要记录输入序列、参数版本、数据库版本与运行日期，否则结果无法复现。

结果评价：先看置信度，再谈应用

AlphaFold 输出的每个残基都带 pLDDT 置信度分数，这是判断结构可靠性的第一依据。经验判断标准如下表。

此外，预测 PAE（预测对齐误差）矩阵可用于评估结构域之间的相对取向是否可信：单域内部 pLDDT 高而域间 PAE 大时，域间取向不可靠。给结构"分区域"评价，而不是给整个蛋白打一个分，是与实验设计衔接的关键习惯。

数据管理：预测结果如何沉淀为项目资产

三个常见乱象

许多团队的预测结构散落在个人电脑里：文件名只有日期、版本来源说不清、湿实验验证结果与结构文件对不上。项目交接或复盘时，这些预测就成了无法追溯的"孤儿数据"。

建议的管理字段

为每次预测建立结构化记录：目标蛋白与序列版本、预测工具与版本、输入参数、置信度摘要、预测目的、后续实验验证结论。将结构文件与序列库、引物设计、实验记录相互关联后，预测才真正变成团队可复用的知识。衍因智研云 yanCloud 的智研分子 yanMolecule 支持序列与结构化生物库管理，配合智研笔记 yanNote 的实验记录，可以把"预测、评价、验证"三步沉淀在同一条数据链上。

常见问题

AlphaFold 预测的蛋白结构可以直接用于论文发表吗？

预测结构可以作为假设与示意图使用，但涉及机制结论时，期刊与审稿人通常期望有实验验证支持。引用数据库结构时应注明来源与版本。

点突变后需要重新预测吗？

单点突变对整体折叠影响通常有限，可先基于高 pLDDT 的野生型结构分析突变位置；若突变位于无序区、活性口袋或涉及二级结构剧烈变化，建议重新预测并对照置信度变化。

AlphaFold 能预测蛋白与抗体的复合物吗？

AlphaFold 3 类工具已支持蛋白与其他分子相互作用的预测，但抗体抗原界面的准确性仍存在局限，抗原表位结论应以实验验证为准。

结构文件应该统一用什么格式管理？

建议统一以 mmCIF 或 PDB 格式归档，文件名包含蛋白编号、工具、版本与日期，并在记录系统中登记元数据，避免同名文件互相覆盖。

预测结果要保留多久？

与研发决策相关的预测应与实验数据同期限留存，至少覆盖项目周期与论文数据支持期，并纳入实验室数据备份策略。

如果你的团队正在把 AI 结构预测纳入日常流程，可以先从"统一文件命名、登记预测元数据、关联实验记录"三件小事做起；也欢迎了解衍因智研云在序列与结构数据管理上的整体方案。