# 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 蛋白质结构，由 DeepMind 和 EMBL-EBI 维护。使用置信度指标访问结构预测、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程中。 ## 何时使用此技能在以下场景中处理人工智能预测的蛋白质结构时，应使用此技能： * 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 * 预测结构与实验数据的比较 * 进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建立结构模型 * 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 库提供了用于检索 AlphaFold 结构的最简单的接口：从 Bio.PDB 导入 alphafold_db # 获取 UniProt 加入的所有预测预测=列表（alphafold_db.get_predictions（“P00520”）） # 下载结构文件（mmCIF格式）对于预测中的预测： cif_file = alphafold_db.download_cif_for（预测，目录=“./structs”） print(f"已下载：{cif_file}") # 直接获取Structure对象从 Bio.PDB 导入 MMCIFParser 结构=列表（alphafold_db.get_structural_models_for（“P00520”）） **直接API访问：** 使用 REST 端点的查询预测：导入请求 # 获取 UniProt 种质的预测元数据 uniprot_id =“P00520” api_url = f"https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id}" 响应 = requests.get(api_url) 预测数据 = 响应.json() # 提取 AlphaFold ID alphafold_id = Prediction_data[0]['entryId'] print(f"AlphaFold ID: {alphafold_id}") **使用 UniProt 查找加入物：** 首先搜索 UniProt 以查找蛋白质种质：导入 urllib.parse, urllib.request def get_uniprot_ids(查询, query_type='PDB_ID'): """查询 UniProt 以获取登录 ID""" url = 'https://www.uniprot.org/uploadlists/' 参数 = { '来自'：查询类型， '至'：'ACC'， '格式': 'txt', ‘查询’：查询 } 数据 = urllib.parse.urlencode(params).encode('ascii') 以 urllib.request.urlopen(urllib.request.Request(url, data)) 作为响应：返回response.read().decode('utf-8').splitlines() # 示例：查找蛋白质名称的 UniProt ID Protein_ids = get_uniprot_ids("血红蛋白", 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： **可用的文件类型：** * **模型坐标** (`model_v4.cif`)：mmCIF/PDBx 格式的原子坐标 * **置信度分数** (`confidence_v4.json`)：每个残基 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 **下载地址：** 导入请求 alphafold_id =“AF-P00520-F1” 版本=“v4” # 模型坐标 (mmCIF) model_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-model_{version}.cif" 响应 = requests.get(model_url) 将 open(f"{alphafold_id}.cif", "w") 作为 f： f.write(响应.文本) # 置信度分数 (JSON) confidence_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_{version}.json" 响应 = 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" 响应 = requests.get(pae_url) pae_data = 响应.json() **PDB 格式（替代）：** # 下载为 PDB 格式而不是 mmCIF pdb_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-model_{version}.pdb" 响应 = requests.get(pdb_url) 将 open(f"{alphafold_id}.pdb", "wb") 作为 f： f.write(响应.内容) ### 3\.使用置信度指标 AlphaFold 预测包括对解释至关重要的置信度估计： **pLDDT（每个残基置信度）：** 导入 json 导入请求 # 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” 信心 = requests.get(confidence_url).json() # 提取 pLDDT 分数 plddt_scores = 置信度['confidenceScore'] # 解释置信水平 # pLDDT > 90：置信度非常高 # pLDDT 70-90：高置信度 # pLDDT 50-70：低置信度 # pLDDT < 50：置信度非常低 high_confidence_residues = [i 代表 i，如果分数 > 90，则在 enumerate(plddt_scores) 中得分] 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：将 numpy 导入为 np 将 matplotlib.pyplot 导入为 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['距离']) plt.figure(figsize=(10, 8)) plt.imshow(pae_matrix, cmap='viridis_r', vmin=0, vmax=30) plt.colorbar(标签='PAE (Å)') plt.title(f'预测对齐错误：{alphafold_id}') plt.xlabel('残差') plt.ylabel('残差') plt.savefig(f'{alphafold_id}_pae.png', dpi=300, bbox_inches='紧') # 低 PAE 值 (<5 Å) 表示有信心的相对定位 # 高 PAE 值 (>15 Å) 表明域排列不确定 ### 4\.通过 Google Cloud 进行批量数据访问对于大规模分析，请使用 Google Cloud 数据集： **谷歌云存储：** # 安装 gsutil uv pip 安装 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 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：** 从 google.cloud 导入 bigquery # 初始化客户端客户端 = bigquery.Client() # 查询元数据查询=“”“ 选择条目 ID, uniprot加入，生物体学名，全局度量值，分数 Plddt 非常高来自“bigquery-public-data.deepmind_alphafold.metadata” WHERE 生物科学名称 = '智人' AND 分数 PlddtVeryHigh > 0.8 限制 100 ”“” 结果= client.query(query).to_dataframe() print(f"找到 {len(results)} 高置信度人类蛋白质") **按物种下载：** 导入子流程 def download_proteome(taxonomy_id, output_dir="./proteomes"): """下载某个物种的所有 AlphaFold 预测""" 模式= 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（税号：83333）下载蛋白质组(83333) # 下载人类蛋白质组（税号：9606）下载蛋白质组(9606) ### 5\.解析和分析结构使用 BioPython 处理下载的 AlphaFold 结构：从 Bio.PDB 导入 MMCIFParser、PDBIO 将 numpy 导入为 np # 解析mmCIF文件解析器 = MMCIFParser(QUIET=True) 结构 = parser.get_struct("蛋白质", "AF-P00520-F1-model_v4.cif") # 提取坐标坐标=[] 对于结构中的模型：对于模型中的链：对于链中的残留物：如果残基中有“CA”：# 仅α碳 coords.append(残差['CA'].get_coord()) 坐标 = np.array(坐标) print(f"结构有 {len(coords)} 残基") # 计算距离从 scipy.spatial.distance 导入 pdist, squareform distance_matrix = squareform(pdist(坐标)) # 识别触点 (< 8 Å) 联系人 = np.where((距离矩阵 > 0) & (距离矩阵 < 8)) print(f"联系人数量: {len(contacts[0]) // 2}") **提取 B 因子（pLDDT 值）：** AlphaFold 将 pLDDT 分数存储在 B 因子列中：从 Bio.PDB 导入 MMCIFParser 解析器 = MMCIFParser(QUIET=True) 结构 = parser.get_struct("蛋白质", "AF-P00520-F1-model_v4.cif") # 从 B 因子中提取 pLDDT plddt_分数 = [] 对于结构中的模型：对于模型中的链：对于链中的残留物：如果残基中有“CA”： plddt_scores.append(残差['CA'].get_bfactor()) # 识别高置信度区域 high_conf_regions = [(i, 分数) 对于 i，枚举中的分数(plddt_scores, 1) 如果分数 > 90] print(f"高置信度残基：{len(high_conf_regions)}") ### 6\.批量处理多种蛋白质高效处理多个预测：从 Bio.PDB 导入 alphafold_db 将 pandas 导入为 pd uniprot_ids = ["P00520", "P12931", "P04637"] # 多个蛋白质结果=[] 对于 uniprot_ids 中的 uniprot_id：尝试： # 获取预测预测=列表（alphafold_db.get_predictions（uniprot_id））如果预测： pred = 预测[0] # 下载结构 cif_file = alphafold_db.download_cif_for(pred, 目录=“./batch_structs”) # 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() # 计算统计数据 plddt_scores = conf_data['confidenceScore'] avg_plddt = np.mean(plddt_scores) high_conf_fraction = sum(如果 s > 90，则 plddt_scores 中的 s 为 1) / len(plddt_scores) 结果.追加({ 'uniprot_id'：uniprot_id， 'alphafold_id': alphafold_id, 'avg_plddt'：avg_plddt， 'high_conf_fraction': high_conf_fraction, ‘长度’：len(plddt_scores) }) 除了异常 e： print(f"处理 {uniprot_id} 时出错：{e}") # 创建摘要数据框 df = pd.DataFrame(结果) 打印（df） ## 安装和设置 ### Python 库 # 安装 Biopython 以进行结构访问 uv pip 安装biopython # 安装 API 访问请求 uv pip 安装请求 # 用于可视化和分析 uv pip 安装 numpy matplotlib pandas scipy # 用于 Google Cloud 访问（可选） uv pip 安装 google-cloud-bigquery gsutil ### 3D 信标 API 替代方案 AlphaFold 还可以通过 3D-Beacons 联合 API 访问：导入请求 # 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" 响应 = requests.get(url) 数据 = 响应.json() # 过滤 AlphaFold 结构 af_structs = [s for s in data['structs'] if s['provider'] == 'AlphaFold DB'] ## 常见用例 ### 结构蛋白质组学 * 下载完整的蛋白质组预测以进行分析 * 识别蛋白质的高可信度结构区域 * 将预测结构与实验数据进行比较 * 建立蛋白质家族的结构模型 ### 药物发现 * 检索目标蛋白质结构以进行对接研究 * 分析结合位点构象 * 识别预测结构中的可成药口袋 * 比较同源物的结构 ### 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 * 模型蛋白质变异和突变 ### 进化研究 * 比较不同物种的直系同源结构 * 分析结构特征的保守性 * 研究领域演化模式 * 识别功能上重要的区域 ## 关键概念 **UniProt 登录号：** 蛋白质的主要标识符（例如“P00520”）。查询 AlphaFold DB 时需要。 **AlphaFold ID：** 内部标识符格式：`AF-[UniProt accession]-F[片段编号]`（例如，“AF-P00520-F1”）。 **pLDDT（预测局部距离差异测试）：** 每个残基置信度度量 (0-100)。值越高表示预测越可信。 **PAE（预测对齐误差）：** 表示残基对之间相对位置置信度的矩阵。低值 (<5 Å) 表明有信心的相对定位。 **数据库版本：** 当前版本是 v4。文件 URL 包含版本后缀（例如“model_v4.cif”）。 **片段数：** 大蛋白质可能会分裂成片段。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**：非常高的置信度 - 适合详细分析 * **70-90** ：高置信度 - 一般可靠的骨干结构 * **50-70** ：低置信度 - 谨慎使用，灵活区域 * **< 50**：置信度非常低 - 可能无序或不可靠 **PAE 指南：** * **< 5 Å**：域的可靠相对定位 * **5-10 Å** : 对排列有中等信心 * **> 15 Å**：相对位置不确定，域可能是可移动的 ## 资源 ### 参考资料/api_reference.md 全面的 API 文档涵盖： * 完整的REST API端点规范 * 文件格式详细信息和数据模式 * Google Cloud 数据集结构和访问模式 * 高级查询示例和批处理策略 * 速率限制、缓存和最佳实践 * 解决常见问题有关详细 API 信息、批量下载策略或处理大型数据集时，请参阅此参考。 ## 重要提示 ### 数据使用和归因 * AlphaFold DB 在 CC-BY-4.0 许可下免费提供 * 引用：Jumper 等人。 (2021) 自然和瓦拉迪等人。 (2022) 核酸研究 * 预测是计算模型，而不是实验结构 * 在下游分析之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 * 随着时间的推移，旧版本可能会被弃用 ### 数据质量注意事项 * 高 pLDDT 并不能保证功能准确性 * 低置信度区域在体内可能是无序的 * PAE表示相对领域置信度，而非绝对定位 * 预测缺乏配体、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 进行简单的单一蛋白质访问 * 使用 Google Cloud 进行批量下载（比单个文件快得多） * 将下载的文件缓存到本地，避免重复下载 * BigQuery 免费套餐：每月处理 1 TB 数据 * 考虑大规模下载的网络带宽 ## 其他资源 * **AlphaFold DB 网站：** * **API 文档：** * **谷歌云数据集：** * **3D 信标 API：** * **AlphaFold 纸张：** *《自然》（2021）： * 核酸研究 (2024)： * **Biopython 文档：** * **GitHub 存储库：**

Alphafold 数据库

包含技能