⚡

AlphaFold数据库Skill alphafold-database

AlphaFold 数据库技能用于访问 AI 预测的蛋白质结构，支持通过 UniProt ID 检索结构、下载 PDB/mmCIF 文件、分析置信度指标（如 pLDDT 和 PAE），适用于药物发现、结构生物学研究和蛋白质工程。关键词：AlphaFold, 蛋白质结构预测, AI, 生物信息学, 药物研发

深度学习 0 次安装 0 次浏览 更新于 3/20/2026

名称: alphafold-database 描述: “访问 AlphaFold 的超过 2 亿个 AI 预测的蛋白质结构。通过 UniProt ID 检索结构、下载 PDB/mmCIF 文件、分析置信度指标（pLDDT、PAE），用于药物发现和结构生物学。”

AlphaFold 数据库

概述

AlphaFold DB 是一个公共存储库，包含超过 2 亿个蛋白质的 AI 预测 3D 结构，由 DeepMind 和 EMBL-EBI 维护。访问结构预测及其置信度指标、下载坐标文件、检索批量数据集，并将预测集成到计算工作流中。

何时使用此技能

此技能应在处理 AI 预测的蛋白质结构时使用，例如在以下场景中：

  • 通过 UniProt ID 或蛋白质名称检索蛋白质结构预测
  • 下载 PDB/mmCIF 坐标文件进行结构分析
  • 分析预测置信度指标（pLDDT、PAE）以评估可靠性
  • 通过 Google Cloud Platform 访问批量蛋白质组数据集
  • 比较预测结构与实验数据
  • 执行基于结构的药物发现或蛋白质工程
  • 为缺乏实验结构的蛋白质构建结构模型
  • 将 AlphaFold 预测集成到计算管道中

核心能力

1. 搜索和检索预测

使用 Biopython（推荐）：

Biopython 库提供了最简单的接口来检索 AlphaFold 结构：

from Bio.PDB import alphafold_db

# 获取 UniProt 登录号的所有预测
predictions = list(alphafold_db.get_predictions("P00520"))

# 下载结构文件（mmCIF 格式）
for prediction in predictions:
    cif_file = alphafold_db.download_cif_for(prediction, directory="./structures")
    print(f"已下载: {cif_file}")

# 直接获取 Structure 对象
from Bio.PDB import MMCIFParser
structures = list(alphafold_db.get_structural_models_for("P00520"))

直接 API 访问：

使用 REST 端点查询预测：

import requests

# 获取 UniProt 登录号的预测元数据
uniprot_id = "P00520"
api_url = f"https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id}"
response = requests.get(api_url)
prediction_data = response.json()

# 提取 AlphaFold ID
alphafold_id = prediction_data[0]['entryId']
print(f"AlphaFold ID: {alphafold_id}")

使用 UniProt 查找登录号：

首先搜索 UniProt 以找到蛋白质登录号：

import urllib.parse, urllib.request

def get_uniprot_ids(query, query_type='PDB_ID'):
    """查询 UniProt 以获取登录号 ID"""
    url = 'https://www.uniprot.org/uploadlists/'
    params = {
        'from': query_type,
        'to': 'ACC',
        'format': 'txt',
        'query': query
    }
    data = urllib.parse.urlencode(params).encode('ascii')
    with urllib.request.urlopen(urllib.request.Request(url, data)) as response:
        return response.read().decode('utf-8').splitlines()

# 示例：查找蛋白质名称的 UniProt ID
protein_ids = get_uniprot_ids("hemoglobin", query_type="GENE_NAME")

2. 下载结构文件

AlphaFold 为每个预测提供多种文件格式：

可用文件类型：

  • 模型坐标 (model_v4.cif)：原子坐标，以 mmCIF/PDBx 格式
  • 置信度分数 (confidence_v4.json)：每个残基的 pLDDT 分数（0-100）
  • 预测对齐误差 (predicted_aligned_error_v4.json)：残基对置信度的 PAE 矩阵

下载 URL：

import requests

alphafold_id = "AF-P00520-F1"
version = "v4"

# 模型坐标（mmCIF）
model_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-model_{version}.cif"
response = requests.get(model_url)
with open(f"{alphafold_id}.cif", "w") as f:
    f.write(response.text)

# 置信度分数（JSON）
confidence_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_{version}.json"
response = requests.get(confidence_url)
confidence_data = response.json()

# 预测对齐误差（JSON）
pae_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-predicted_aligned_error_{version}.json"
response = requests.get(pae_url)
pae_data = response.json()

PDB 格式（替代）：

# 下载为 PDB 格式而非 mmCIF
pdb_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-model_{version}.pdb"
response = requests.get(pdb_url)
with open(f"{alphafold_id}.pdb", "wb") as f:
    f.write(response.content)

3. 处理置信度指标

AlphaFold 预测包括对解释至关重要的置信度估计：

pLDDT（每个残基的置信度）：

import json
import requests

# 加载置信度分数
alphafold_id = "AF-P00520-F1"
confidence_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_v4.json"
confidence = requests.get(confidence_url).json()

# 提取 pLDDT 分数
plddt_scores = confidence['confidenceScore']

# 解释置信度级别
# pLDDT > 90: 非常高置信度
# pLDDT 70-90: 高置信度
# pLDDT 50-70: 低置信度
# pLDDT < 50: 非常低置信度

high_confidence_residues = [i for i, score in enumerate(plddt_scores) if score > 90]
print(f"高置信度残基: {len(high_confidence_residues)}/{len(plddt_scores)}")

PAE（预测对齐误差）：

PAE 表示相对域位置的置信度：

import numpy as np
import matplotlib.pyplot as plt

# 加载 PAE 矩阵
pae_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-predicted_aligned_error_v4.json"
pae = requests.get(pae_url).json()

# 可视化 PAE 矩阵
pae_matrix = np.array(pae['distance'])
plt.figure(figsize=(10, 8))
plt.imshow(pae_matrix, cmap='viridis_r', vmin=0, vmax=30)
plt.colorbar(label='PAE (Å)')
plt.title(f'预测对齐误差: {alphafold_id}')
plt.xlabel('残基')
plt.ylabel('残基')
plt.savefig(f'{alphafold_id}_pae.png', dpi=300, bbox_inches='tight')

# 低 PAE 值（<5 Å）表示相对定位置信度高
# 高 PAE 值（>15 Å）表明域排列不确定

4. 通过 Google Cloud 批量数据访问

对于大规模分析，使用 Google Cloud 数据集：

Google Cloud Storage：

# 安装 gsutil
uv pip install gsutil

# 列出可用数据
gsutil ls gs://public-datasets-deepmind-alphafold-v4/

# 下载整个蛋白质组（按分类学 ID）
gsutil -m cp gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-9606-*.tar .

# 下载特定文件
gsutil cp gs://public-datasets-deepmind-alphafold-v4/accession_ids.csv .

BigQuery 元数据访问：

from google.cloud import bigquery

# 初始化客户端
client = bigquery.Client()

# 查询元数据
query = """
SELECT
  entryId,
  uniprotAccession,
  organismScientificName,
  globalMetricValue,
  fractionPlddtVeryHigh
FROM `bigquery-public-data.deepmind_alphafold.metadata`
WHERE organismScientificName = 'Homo sapiens'
  AND fractionPlddtVeryHigh > 0.8
LIMIT 100
"""

results = client.query(query).to_dataframe()
print(f"找到 {len(results)} 个高置信度人类蛋白质")

按物种下载：

import subprocess

def download_proteome(taxonomy_id, output_dir="./proteomes"):
    """下载一个物种的所有 AlphaFold 预测"""
    pattern = f"gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-{taxonomy_id}-*_v4.tar"
    cmd = f"gsutil -m cp {pattern} {output_dir}/"
    subprocess.run(cmd, shell=True, check=True)

# 下载大肠杆菌蛋白质组（分类 ID: 83333）
download_proteome(83333)

# 下载人类蛋白质组（分类 ID: 9606）
download_proteome(9606)

5. 解析和分析结构

使用 BioPython 处理下载的 AlphaFold 结构：

from Bio.PDB import MMCIFParser, PDBIO
import numpy as np

# 解析 mmCIF 文件
parser = MMCIFParser(QUIET=True)
structure = parser.get_structure("protein", "AF-P00520-F1-model_v4.cif")

# 提取坐标
coords = []
for model in structure:
    for chain in model:
        for residue in chain:
            if 'CA' in residue:  # 仅 Alpha 碳
                coords.append(residue['CA'].get_coord())

coords = np.array(coords)
print(f"结构有 {len(coords)} 个残基")

# 计算距离
from scipy.spatial.distance import pdist, squareform
distance_matrix = squareform(pdist(coords))

# 识别接触（< 8 Å）
contacts = np.where((distance_matrix > 0) & (distance_matrix < 8))
print(f"接触数量: {len(contacts[0]) // 2}")

提取 B 因子（pLDDT 值）：

AlphaFold 将 pLDDT 分数存储在 B 因子列中：

from Bio.PDB import MMCIFParser

parser = MMCIFParser(QUIET=True)
structure = parser.get_structure("protein", "AF-P00520-F1-model_v4.cif")

# 从 B 因子中提取 pLDDT
plddt_scores = []
for model in structure:
    for chain in model:
        for residue in chain:
            if 'CA' in residue:
                plddt_scores.append(residue['CA'].get_bfactor())

# 识别高置信度区域
high_conf_regions = [(i, score) for i, score in enumerate(plddt_scores, 1) if score > 90]
print(f"高置信度残基: {len(high_conf_regions)}")

6. 批量处理多个蛋白质

高效处理多个预测：

from Bio.PDB import alphafold_db
import pandas as pd

uniprot_ids = ["P00520", "P12931", "P04637"]  # 多个蛋白质
results = []

for uniprot_id in uniprot_ids:
    try:
        # 获取预测
        predictions = list(alphafold_db.get_predictions(uniprot_id))

        if predictions:
            pred = predictions[0]

            # 下载结构
            cif_file = alphafold_db.download_cif_for(pred, directory="./batch_structures")

            # 获取置信度数据
alphafold_id = pred['entryId']
            conf_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_v4.json"
            conf_data = requests.get(conf_url).json()

            # 计算统计
            plddt_scores = conf_data['confidenceScore']
            avg_plddt = np.mean(plddt_scores)
            high_conf_fraction = sum(1 for s in plddt_scores if s > 90) / len(plddt_scores)

            results.append({
                'uniprot_id': uniprot_id,
                'alphafold_id': alphafold_id,
                'avg_plddt': avg_plddt,
                'high_conf_fraction': high_conf_fraction,
                'length': len(plddt_scores)
            })
    except Exception as e:
        print(f"处理 {uniprot_id} 时出错: {e}")

# 创建摘要 DataFrame
df = pd.DataFrame(results)
print(df)

安装和设置

Python 库

# 安装 Biopython 以访问结构
uv pip install biopython

# 安装 requests 以访问 API
uv pip install requests

# 用于可视化和分析
uv pip install numpy matplotlib pandas scipy

# 用于 Google Cloud 访问（可选）
uv pip install google-cloud-bigquery gsutil

3D-Beacons API 替代

AlphaFold 也可以通过 3D-Beacons 联合 API 访问：

import requests

# 通过 3D-Beacons 查询
uniprot_id = "P00520"
url = f"https://www.ebi.ac.uk/pdbe/pdbe-kb/3dbeacons/api/uniprot/summary/{uniprot_id}.json"
response = requests.get(url)
data = response.json()

# 筛选 AlphaFold 结构
af_structures = [s for s in data['structures'] if s['provider'] == 'AlphaFold DB']

常见用例

结构蛋白质组学

  • 下载完整蛋白质组预测进行分析
  • 跨蛋白质识别高置信度结构区域
  • 比较预测结构与实验数据
  • 为蛋白质家族构建结构模型

药物发现

  • 检索靶蛋白结构进行对接研究
  • 分析结合位点构象
  • 在预测结构中识别可药物口袋
  • 比较同源物结构

蛋白质工程

  • 使用 pLDDT 识别稳定/不稳定区域
  • 在高置信度区域设计突变
  • 使用 PAE 分析域架构
  • 模型蛋白质变体和突变

进化研究

  • 跨物种比较同源结构
  • 分析结构特征的保守性
  • 研究域演化模式
  • 识别功能重要区域

关键概念

UniProt 登录号： 蛋白质的主要标识符（例如，“P00520”）。查询 AlphaFold DB 所需。

AlphaFold ID： 内部标识符格式：AF-[UniProt 登录号]-F[片段编号]（例如，“AF-P00520-F1”）。

pLDDT（预测局部距离差异测试）： 每个残基的置信度指标（0-100）。值越高表示预测置信度越高。

PAE（预测对齐误差）： 矩阵表示残基对之间相对位置的置信度。低值（<5 Å）表示相对定位置信度高。

数据库版本： 当前版本为 v4。文件 URL 包含版本后缀（例如，model_v4.cif）。

片段编号： 大蛋白质可能被分割成片段。片段编号出现在 AlphaFold ID 中（例如，F1、F2）。

置信度解释指南

pLDDT 阈值：

  • >90：非常高置信度 - 适合详细分析
  • 70-90：高置信度 - 通常可靠的主链结构
  • 50-70：低置信度 - 谨慎使用，柔性区域
  • <50：非常低置信度 - 可能无序或不可靠

PAE 指南：

  • <5 Å：域相对定位置信度高
  • 5-10 Å：排列中等置信度
  • >15 Å：相对位置不确定，域可能移动

资源

references/api_reference.md

全面的 API 文档涵盖：

  • 完整的 REST API 端点规范
  • 文件格式详情和数据模式
  • Google Cloud 数据集结构和访问模式
  • 高级查询示例和批量处理策略
  • 速率限制、缓存和最佳实践
  • 故障排除常见问题

查阅此参考以获取详细的 API 信息、批量下载策略或处理大规模数据集时。

重要注意事项

数据使用和归属

  • AlphaFold DB 在 CC-BY-4.0 许可下免费提供
  • 引用：Jumper et al. (2021) Nature 和 Varadi et al. (2022) Nucleic Acids Research
  • 预测是计算模型，而非实验结构
  • 在下游分析前始终评估置信度指标

版本管理

  • 当前数据库版本：v4（截至 2024-2025）
  • 文件 URL 包含版本后缀（例如，_v4.cif）
  • 定期检查数据库更新
  • 旧版本可能随时间被弃用

数据质量考虑

  • 高 pLDDT 不保证功能准确性
  • 低置信度区域可能在体内无序
  • PAE 表示相对域置信度，而非绝对定位
  • 预测缺少配体、翻译后修饰和辅因子
  • 不预测多链复合物（仅单链）

性能提示

  • 使用 Biopython 进行简单单蛋白质访问
  • 使用 Google Cloud 进行批量下载（比单个文件快得多）
  • 在本地缓存下载文件以避免重复下载
  • BigQuery 免费层：每月 1 TB 处理数据
  • 考虑大规模下载的网络带宽

额外资源