3 步跑通 AlphaFold 蛋白质相互作用预测：蛋白质复合物结构预测调参与置信度解读教程

3 步跑通 AlphaFold 蛋白质相互作用预测：蛋白质复合物结构预测调参与置信度解读教程

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

AlphaFold 是 AlphaFold 2 结构预测管线的开源实现，其中的 AlphaFold-Multimer 模型负责蛋白质相互作用预测中的复合物场景：给出多条亚基序列，输出整个蛋白复合物的三维结构及亚基间的相对排布。本文以一次完整的多聚体预测为主线，覆盖输入文件怎么写、命令参数怎么定、pLDDT/pTM/PAE 怎么读，以及显存不足、低置信度等翻车情况怎么处理。

• 单体与多聚体两种模式的差异，以及如何判断该用哪一个
• 蛋白质复合物 FASTA 输入的标准写法与预测运行流程
• pLDDT、pTM、PAE 各是什么、什么数值算可信、在哪个文件里查
• 显存不足、低置信度区域、亚基排布异常、MSA 报错四类高频问题的处理
• 提速与省资源的参数组合，以及不同残基数的预测耗时参考

能力边界：先判断该用哪种模式

先给结论：目标复合物的化学计量（stoichiometry，亚基种类与数量比）已知时，用多聚体模式，已知单体结构也适用；亚基组成未知时（如基因组规模的批量预测），单体模式平均精度更高。

当前默认的多聚体权重为 v2.3.0（multimer_v3），相对旧版的关键变化集中在大复合物能力上：训练数据截止日由 2018-04-30 延到 2021-09-30（数据量约多 30%，冷冻电镜结构 4 倍、超过 2000 残基的大结构 2 倍），训练裁剪从 384 残基扩到 640 残基，训练时最大链数由 8 提升到 20，5 个多聚体模型中有 3 个的 MSA 序列上限从 1,152 提到 2,048。这些数字出自 v2.3.0 技术说明，直接收益是 2000 残基以上大型复合物的预测精度明显改善。

三步拿到结构

第一步：写对复合物 FASTA 输入

规则只有一条：每个亚基一个独立 FASTA 条目（独立>头行），条目数等于亚基数，条目顺序对应化学计量。

同源多聚体，3 个相同序列的拷贝（以下序列仅为示意）：

>sequence_1 MAEQVALISHRFSPAVEERANTMQQMANSLKAVQ >sequence_2 MAEQVALISHRFSPAVEERANTMQQMANSLKAVQ >sequence_3 MAEQVALISHRFSPAVEERANTMQQMANSLKAVQ

异源多聚体，A2B3 化学计量（2 条 A + 3 条 B）：

>sequence_1 MAEQVALISHRFSPAVEERANTMQQMANSLKAVQ >sequence_2 MAEQVALISHRFSPAVEERANTMQQMANSLKAVQ >sequence_3 AEGTQVLTTRRLGQDEADMAEDAVNNGM >sequence_4 AEGTQVLTTRRLGQDEADMAEDAVNNGM >sequence_5 AEGTQVLTTRRLGQDEADMAEDAVNNGM

需要连续预测多个目标时，用逗号分隔多个 FASTA 路径，脚本会依次运行：--fasta_paths=multimer1.fasta,multimer2.fasta。

第二步：跑多聚体预测命令

多聚体与单体的主命令只差一个--model_preset=multimer：

python3 docker/run_docker.py \ --fasta_paths=multimer.fasta \ --max_template_date=2022-01-01 \ --model_preset=multimer \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/home/user/multimer_output

单体预测换成对应预设即可：

python3 docker/run_docker.py \ --fasta_paths=monomer.fasta \ --max_template_date=2022-01-01 \ --model_preset=monomer \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/home/user/monomer_output

特别大或困难的复合物，参照 CASP15 的推理设置把每模型种子数提到 20：

python3 docker/run_docker.py \ --fasta_paths=large_complex.fasta \ --model_preset=multimer \ --num_multimer_predictions_per_model=20 \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/home/user/large_output

关键参数逐行解释：

subbatch_size是另一个调节旋钮：位于 alphafold/model/config.py 的global_config，默认值为 4，官方说明在 A100 上增大该值可提升小结构的预测速度。

第三步：认识输出目录

输出按目标名存为--output_dir下的子目录，结构与 README 描述一致：

<output_dir>/<target_name>/ features.pkl # 输入给模型的特征（NumPy 数组） ranked_{0,1,2,3,4}.pdb # 按置信度排序的结构，ranked_0.pdb 置信度最高 ranking_debug.json # 排序所用 pLDDT 分数及其到原始模型的映射 relax_metrics.json # 松弛指标，如残余几何冲突 relaxed_model_{1..5}.pdb # 经 Amber 松弛后的结构 unrelaxed_model_{1..5}.pdb # 模型原始输出、未松弛的结构 result_model_{1..5}.pkl # 模型原始输出：pLDDT、pTM、PAE 等 timings.json # 管线各阶段耗时 msas/ # MSA 检索结果（bfd_uniref_hits.a3m 等）

每个结构的 pLDDT 同时写进了 PDB 文件的 B-factor 字段——注意它和普通 B-factor 含义相反：数值越高越可靠。

读懂置信度：pLDDT、pTM、PAE 哪个算可信

三项指标都在result_model_*.pkl（模型直接产出的 NumPy 字典）里，分工各不同：一个看局部残基是否可靠，一个看整体结构是否可靠，一个看两两残基的相对定位是否可靠。

• pLDDT（predicted LDDT，逐残基预测置信度）：取值 0–100，100 最可信。低于 50 的区域通常视为结构不可靠，高于 80 一般算高置信。查result_model_*.pkl的plddt字段，或直接在 PDB 的 B-factor 列查看。
• pTM（predicted TM-score）：标量，越高越好，评估整体结构的可靠性。多聚体模式下它反映整个复合物装配的可信度——若各链 pLDDT 都不低而 pTM 偏低，多半是亚基整体排布有问题。查ptm字段。
• PAE（predicted aligned error，预测对齐误差，衡量两残基相对位置可信度的矩阵）：形状为 [N_res, N_res]，0 最可信，上限 31 Å（config.py 中max_error_bin=31）。跨亚基的块是判断复合物的关键：对角块之外的块偏高，说明即便两条链各自折叠正确，它们之间的相对位置也不可信。查predicted_aligned_error字段。

可视化方面，官方 教程 notebook 自带 pLDDT/PAE 绘图代码（Colab 可直接运行）；查看三维结构与亚基界面建议用 PyMOL 或 ChimeraX 载入 PDB，按 pLDDT 的 B-factor 着色，低置信区域一目了然。

翻车急救：四类高频问题

⚠️ 显存不足怎么办

• 症状：大型复合物在结构预测阶段报 CUDA out of memory，或进程被系统杀掉。
• 可能原因：模型显存占用随残基数快速上升——5,000 残基的纯预测耗时超过 5 小时，多聚体模型同长度下比单体占用更大。
• 处理动作：先把alphafold/model/config.py的global_config.subbatch_size从默认 4 往下调；仍不够再把复合物拆成亚基分别预测，或改用--db_preset=reduced_dbs降低 MSA 规模。

⚠️ 低置信度区域怎么办

• 症状：ranked_0.pdb中大片区域 pLDDT<50，对应 PAE 对角块数值也高。
• 可能原因：序列本身含固有结构无序区、亚基化学计量给错、或 MSA 证据不足。
• 处理动作：先核对 FASTA 中亚基数与顺序是否符合已知复合物；困难目标加种子--num_multimer_predictions_per_model=20；单体目标可换--model_preset=monomer_ptm，用它输出的 PAE 矩阵辅助判断哪些区域是无序区。

⚠️ 亚基排列异常怎么办

• 症状：各链 pLDDT 高，但 pTM 很低、PAE 非对角块高，结构中各亚基相对位置不合理。
• 可能原因：模型对亚基间相对定位置信度低，或输入化学计量与实际复合物不符。
• 处理动作：确认 FASTA 亚基顺序与已知复合物一致（A2B3 就按 A、A、B、B、B 写）；用 参数下载脚本 重新拉取 v2.3.0 权重，排除旧版参数；仍不理想时，结论按“链内可靠、链间排布存疑”处理，不要直接采信亚基间相对位置。

⚠️ MSA 阶段慢或数据库报错怎么办

• 症状：流程长时间卡在 MSA 检索，或 MSA 工具抛出外部报错。
• 可能原因：完整数据库体量过大（下载 556 GB、解压后 2.62 TB），或数据库目录读写权限不足。
• 处理动作：改用缩减库scripts/download_all_data.sh <DOWNLOAD_DIR> reduced_dbs重新下载，运行命令配--db_preset=reduced_dbs；同时检查数据库目录权限（官方 README 建议对目录执行chmod 755）。

提速与省资源：参数组合与耗时参考

💡 原则一句话：时间大头在 MSA 检索与结构预测网络，前者用数据库预设控制，后者用种子数和子批大小控制。常用组合如下。

耗时参考为单张 A100、不含松弛、3 次 recycle、不计 MSA 与模板检索（加--benchmark=true运行后，实测耗时记录在timings.json）：

耗时随长度近指数增长：2,000 残基的复合物是分钟级，5,000 残基超过 5 小时，排机器时间时按这个量级规划。

收尾：记住三件事

模式选择看化学计量是否已知；跑完先读ranked_0.pdb，再对照 pLDDT、pTM、PAE 判断哪些区域可信；困难目标优先加种子数，再动其他参数。完整参数清单见 README，模型升级细节见 v2.3.0 技术说明，数据库一键获取用 数据下载脚本，想免本地环境试跑可用官方 教程 notebook。

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