用 AlphaFold Server 预测无结构靶点

很多有意思的靶点没有实验结构。AlphaFold 让「先预测再设计」成为常规路径——但预测结构用于药物设计有一系列必须注意的地方，直接拿来对接常常得到误导性的结果。

第一步：先查 AlphaFold DB

# DeepMind 已预测了 2 亿多个蛋白结构并免费开放
# 常见物种的天然蛋白很可能已有现成结果，不需要自己跑

curl -s "https://alphafold.ebi.ac.uk/api/prediction/P00533" | python -m json.tool

# 直接下载
wget https://alphafold.ebi.ac.uk/files/AF-P00533-F1-model_v4.pdb
wget https://alphafold.ebi.ac.uk/files/AF-P00533-F1-predicted_aligned_error_v4.json

import requests

def fetch_alphafold(uniprot_id):
    r = requests.get(f"https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id}")
    if not r.ok or not r.json():
        return None
    entry = r.json()[0]
    pdb = requests.get(entry["pdbUrl"]).text
    open(f"{uniprot_id}_af.pdb", "w").write(pdb)
    pae = requests.get(entry["paeDocUrl"]).json()
    return {"pdb": f"{uniprot_id}_af.pdb", "pae": pae,
            "version": entry.get("latestVersion")}

info = fetch_alphafold("P00533")

选择预测服务

需求	方案	注意
已知天然蛋白	AlphaFold DB	免费，直接下载
学术研究、含配体	AlphaFold Server（见 290《AlphaFold Server》）	限非商业用途；配体限预定义列表
商业项目	Boltz（见 192《Boltz》）	MIT 许可，可本地部署
需实验约束	Chai-1（见 193《Chai-1》）	许可需核对
快速批量单链	ESMFold（见 195《ESMFold》）	秒级，精度略低
敏感序列	本地部署任意开源实现	数据不出内网

商业项目务必注意许可：AlphaFold Server 的服务条款限非商业使用，AlphaFold 官方权重也带非商业限制。做药物研发项目应改用 Boltz 等许可明确的方案。

置信度判读：最关键的一步

from Bio.PDB import PDBParser
import numpy as np, json

# pLDDT 存在 B-factor 列
parser = PDBParser(QUIET=True)
st = parser.get_structure("af", "P00533_af.pdb")

plddt = {}
for res in st[0]["A"]:
    ca = res["CA"] if "CA" in res else None
    if ca is not None:
        plddt[res.id[1]] = ca.get_bfactor()

vals = np.array(list(plddt.values()))
print(f"平均 pLDDT: {vals.mean():.1f}")
print(f"很可信 (>90): {(vals>90).mean():.1%}")
print(f"较可信 (70~90): {((vals>=70)&(vals<=90)).mean():.1%}")
print(f"低可信 (<70): {(vals<70).mean():.1%}")

# 找出低置信度区域（通常是无序区或柔性 loop）
low = [r for r, v in plddt.items() if v < 70]
print(f"低置信残基数: {len(low)}")

pLDDT	含义	能否用于药物设计
> 90	很可信，接近实验精度	可以
70～90	骨架大致正确，侧链可能不准	谨慎，需精修
50～70	低可信	不建议
< 50	常为内在无序区	不能用（但这个信息本身有价值）

PAE：判断域间取向

import json, numpy as np
import matplotlib.pyplot as plt

pae_data = json.load(open("AF-P00533-F1-predicted_aligned_error_v4.json"))
pae = np.array(pae_data[0]["predicted_aligned_error"])

plt.imshow(pae, cmap="viridis_r", vmin=0, vmax=30)
plt.colorbar(label="PAE (Å)")
plt.xlabel("Residue"); plt.ylabel("Residue")

# 解读：
#   块状低 PAE 区域 = 一个刚性结构域
#   块之间高 PAE   = 域间相对取向不可信
#
# 关键：各域 pLDDT 都很高，但域间 PAE 差，
#      说明每个域预测得好，但它们的排布不可信。
#      这时不应把全长结构当整体使用，应按域处理。

预测结构用于对接的注意事项

• 侧链构象是「无配体状态」的。这是最关键的一点。AlphaFold 预测的是 apo 样构象，而真实的结合口袋会因诱导契合而调整。用预测结构直接对接，成功率明显低于用共晶结构。
• 口袋可能是关闭的：某些口袋只在配体结合时打开，预测结构中可能看不到。
• 应对策略：
  • 用集合对接：结合 MD 或弹性网络模型（见 209《ProDy》）生成构象集合；
  • 允许侧链柔性对接；
  • 用同源蛋白的共晶结构做模板叠合，参考其口袋构象；
  • 只取高 pLDDT 的结构域做对接。
• 务必做结构准备：预测结构同样需要加氢、定质子化态、能量最小化（见 340《用 PDBFixer 修复蛋白结构》）。
• 用同源蛋白验证流程：如果该家族有共晶结构，先在那上面做重对接验证，确认流程可靠。

# 检查预测结构的口袋是否存在
# 用 fpocket 检测并评估可成药性
fpocket -f P00533_af.pdb

# 查看 P00533_af_out/P00533_af_info.txt
# 关注：口袋体积、疏水性、druggability score
# 如果预测结构中检测不到合理口袋，
# 可能是构象问题，需要用采样方法探索

延伸资源

• 服务与工具：290《AlphaFold Server》、192《Boltz》、195《ESMFold》；
• 下一步：344《用 Boltz 或 Chai-1 预测蛋白-配体复合物》、336《用 AutoDock Vina 跑 Docking》；结构准备：340《用 PDBFixer 修复蛋白结构》。