AlphaFold 蛋白质结构预测实战¶

2018 ──── AlphaFold 1 ──── CASP13第一名，AI进入蛋白质结构预测
  │
2020 ──── AlphaFold 2 ──── CASP14碾压级表现，蛋白质折叠问题"解决"
  │
2021 ──── AFDB v1 ──────── 发布36万个蛋白质结构预测
  │
2022 ──── AFDB v2 ──────── 扩展到2亿+蛋白质，覆盖UniProt
  │
2024.05 ── AlphaFold 3 ──── 统一预测蛋白质/核酸/小分子复合物
  │
2024.10 ── 诺贝尔化学奖 ── 颁发给 Demis Hassabis 和 John Jumper
  │
2024.11 ── AF3 开源 ──── 代码开放（非商业用途）
  │
2026.03 ── AFDB 更新 ──── 新增数百万复合物结构预测

https://colab.research.google.com/github/sokrypton/ColabFold/blob/main/AlphaFold2.ipynb

# 示例：人胰岛素B链（30个氨基酸）
# 格式：纯字母，不要有空格和换行
FVNQHLCGSHLVEALYLVCGERGFFYTPKT

# ===== 关键参数说明 =====

# jobname：给你的任务起个名字，结果文件会以此命名
jobname = "T2D_insulin_B"  # 白话：文件名前缀

# num_relax：是否用 AMBER 力场做能量最小化（relaxation）
# 0 = 不做（速度快，pLDDT分数不变）
# 1 = 只对最佳模型做（推荐）
# 5 = 所有模型都做（最慢）
num_relax = 1  # 白话：给预测的结构"按摩"一下，消除物理上不合理的原子碰撞

# template_mode：是否使用已知结构作模板
# "none" = 纯AI预测，不用模板
# "pdb70" = 从PDB数据库找模板辅助预测
template_mode = "none"  # 白话：不抄作业，让AI自己从头预测

# num_models：用几个模型预测（AlphaFold有5个训练好的模型参数）
# 选5个效果最好但最慢；选1个最快
num_models = 5  # 白话：让5个"专家"各自独立预测，取最好的

# num_recycles：循环迭代次数
# 3次是默认值，复杂蛋白可以加到6-12次
num_recycles = 3  # 白话：反复检查、修改预测结果的次数

T2D_insulin_B/
├── T2D_insulin_B_unrelaxed_rank_001_*.pdb   # 排名第1的预测结构（PDB格式）
├── T2D_insulin_B_unrelaxed_rank_002_*.pdb   # 排名第2的预测结构
├── ...
├── T2D_insulin_B_relaxed_rank_001_*.pdb     # 经过能量最小化的最佳结构
├── T2D_insulin_B_coverage.png               # MSA覆盖度图（每个位置有多少同源序列覆盖）
├── T2D_insulin_B_plddt.png                  # pLDDT置信度图（每个残基的预测置信度）
├── T2D_insulin_B_pae.png                    # PAE图（残基间相对位置误差）
├── T2D_insulin_B_predicted_aligned_error_v1.json  # PAE原始数据
├── config.json                              # 运行参数记录
└── log.txt                                  # 运行日志

# 两条链用冒号分隔
# 链A:链B
query_sequence = "MKTLLIFALG:FVNQHLCGSHLVEALYLVCGERGFFYTPKT"
# 白话：告诉AI"这两条链会结合在一起，请预测它们的组装方式"

https://esmatlas.com/resources?action=fold

https://colab.research.google.com/github/sokrypton/ColabFold/blob/main/ESMFold.ipynb

# ESMFold 的核心是 ESM-2 蛋白质语言模型
# 白话：Meta用30亿条蛋白质序列训练了一个"蛋白质版ChatGPT"
# 这个模型读一条氨基酸序列，就像ChatGPT读一段文字
# 它理解了氨基酸之间的"语义关系"——哪些氨基酸喜欢靠在一起
# 然后从这个"理解"直接生成3D结构

# 优势：
# 1. 不需要搜索MSA（省掉最耗时的步骤）
# 2. 预测速度极快（几秒到几十秒）
# 3. 适合大规模批量预测（比如预测肠道菌群的所有蛋白）

# 劣势：
# 1. 精度比 AlphaFold 略低（尤其是复杂蛋白）
# 2. 对于MSA信息丰富的蛋白，放弃MSA是一种浪费
# 3. 不支持复合物预测

# ===== ESMFold API调用示例 =====
# 适合在本地Python环境中快速获取结构预测

import requests  # 用于发送HTTP请求的库

# 你要预测的蛋白质序列
sequence = "MKTLLIFALGLLAAQPAMA"  # 示例：一段信号肽序列

# 调用ESM Atlas的免费API
response = requests.post(
    "https://api.esmatlas.com/foldSequence/v1/pdb/",  # API地址
    data=sequence,                                     # 直接传序列
    headers={"Content-Type": "text/plain"}             # 告诉服务器传的是纯文本
)

# 检查请求是否成功
if response.status_code == 200:  # 200表示成功
    # 把返回的PDB内容保存到文件
    with open("predicted_structure.pdb", "w") as f:
        f.write(response.text)  # response.text就是PDB格式的结构文件
    print("结构预测成功！已保存为 predicted_structure.pdb")
else:
    print(f"预测失败，状态码: {response.status_code}")
    print(response.text)  # 打印错误信息

https://alphafold.ebi.ac.uk/

# ===== 通过API批量下载AlphaFold预测结构 =====

import requests  # HTTP请求库
import os         # 文件操作库

# 要下载的UniProt ID列表
# 这些可以是你在肠道菌群研究中感兴趣的蛋白质
uniprot_ids = [
    "P01308",  # 人胰岛素（Human Insulin）
    "P0DTC2",  # SARS-CoV-2刺突蛋白
    "Q9I1F6",  # 示例蛋白
]

# 创建保存目录
os.makedirs("alphafold_structures", exist_ok=True)  # exist_ok=True：目录已存在也不报错

for uid in uniprot_ids:
    # AlphaFold DB的API地址格式
    # v4是当前版本号
    url = f"https://alphafold.ebi.ac.uk/files/AF-{uid}-F1-model_v4.pdb"

    response = requests.get(url)  # 发送GET请求下载文件

    if response.status_code == 200:
        # 保存PDB文件
        filepath = f"alphafold_structures/AF-{uid}-F1-model_v4.pdb"
        with open(filepath, "w") as f:
            f.write(response.text)
        print(f"下载成功: {uid} -> {filepath}")
    else:
        print(f"下载失败: {uid} (状态码: {response.status_code})")
        # 可能原因：UniProt ID不在数据库中，或版本号不对

# ===== 用命令行直接下载（更简单） =====

# 下载单个蛋白质的PDB文件
# wget 是Linux下载工具，-O 指定保存文件名
wget https://alphafold.ebi.ac.uk/files/AF-P01308-F1-model_v4.pdb \
    -O insulin_alphafold.pdb

# 下载CIF格式（mmCIF，比PDB格式信息更丰富）
wget https://alphafold.ebi.ac.uk/files/AF-P01308-F1-model_v4.cif \
    -O insulin_alphafold.cif

# 下载PAE数据（JSON格式）
wget https://alphafold.ebi.ac.uk/files/AF-P01308-F1-predicted_aligned_error_v4.json \
    -O insulin_pae.json

# PDB文件是纯文本，每行一条记录
# 最关键的是 ATOM 记录：

ATOM      1  N   MET A   1      -5.432  10.123   8.456  1.00 85.20           N
│         │  │   │   │   │       │       │       │      │    │               │
│         │  │   │   │   │       X坐标   Y坐标   Z坐标   占有率 B因子          元素
│         │  │   │   │   └─ 残基序号（第1个氨基酸）
│         │  │   │   └──── 链标识符（A链）
│         │  │   └─────── 残基名（MET = 甲硫氨酸）
│         │  └────────── 原子名（N = 氮原子/骨架氮）
│         └───────────── 原子序号
└──────────────────────── 记录类型（ATOM = 标准氨基酸的原子）

# 在AlphaFold输出中，B因子列（通常存温度因子）被替换为 pLDDT 分数
# 85.20 表示这个原子位置的预测置信度为 85.20（高置信度）

# ===== PyMOL 可视化AlphaFold预测结构 =====
# 在PyMOL命令行中输入以下命令

# 1. 加载结构文件
load predicted_structure.pdb, my_protein
# 白话：把文件加载进来，起名叫 my_protein

# 2. 按pLDDT着色（AlphaFold官方配色方案）
# 先定义4种颜色
set_color af_blue, [0.051, 0.341, 0.827]    # 深蓝：pLDDT > 90，非常可靠
set_color af_cyan, [0.416, 0.796, 0.945]    # 浅蓝：pLDDT 70-90，可靠
set_color af_yellow, [0.996, 0.851, 0.212]  # 黄色：pLDDT 50-70，不太确定
set_color af_orange, [0.992, 0.490, 0.302]  # 橙色：pLDDT < 50，不可靠

# 按pLDDT分段上色（B因子列存的就是pLDDT）
# 注意：按从低到高的顺序涂色，后涂的覆盖前涂的
color af_orange             # 先全部涂橙色（pLDDT < 50 的底色）
color af_yellow, b > 50     # pLDDT > 50 覆盖为黄色
color af_cyan, b > 70       # pLDDT > 70 覆盖为浅蓝
color af_blue, b > 90       # pLDDT > 90 覆盖为深蓝

# 3. 或者用连续色谱着色（更简单，一行搞定）
spectrum b, red_yellow_green_cyan_blue, minimum=50, maximum=90
# 白话：按B因子（pLDDT）从低到高用红→黄→绿→蓝着色

# 4. 显示为卡通模式（看二级结构最清晰）
show cartoon
hide lines
# 白话：用"卡通"模式显示螺旋和折叠

# 5. 设置背景为白色（出图更清晰）
bg_color white

# 6. 保存高分辨率图片
ray 2400, 2400        # 设置渲染分辨率
png my_structure.png  # 保存为PNG图片

# 7. 查看残基级别pLDDT
# 选择低置信度区域
select low_conf, b < 50
# 白话：选出所有pLDDT低于50的残基，这些通常是无序区或柔性loop

# 用UCSF ChimeraX打开（另一个免费的分子可视化软件）
# 安装：https://www.cgl.ucsf.edu/chimerax/

# 命令行打开文件
chimerax predicted_structure.pdb

# ChimeraX内置了AlphaFold pLDDT着色命令
# 在ChimeraX命令行输入：
color bfactor palette alphafold
# 白话：一键按AlphaFold标准配色着色

决策树：

你有已知的UniProt ID吗？
├── 是 → 先去AlphaFold DB查，可能已经有预测结果了（免费、即时）
│
└── 没有 / DB中没有 →
    │
    ├── 需要最高精度？ → ColabFold跑AlphaFold2（免费GPU）
    │
    ├── 需要预测复合物（蛋白+DNA/药物）？ → AlphaFold Server（AF3）
    │
    ├── 需要批量预测几百上千个蛋白？ → ESMFold（速度快60倍）
    │
    └── 想对比多种方法？ → ColabFold同时跑AF2和ESMFold

# 场景：你用随机森林筛出了几个跟T2D高度相关的菌属
# 下一步可以预测这些菌产生的关键蛋白的结构

# 例1：Faecalibacterium prausnitzii 的丁酸辅酶A转移酶
# 丁酸（butyrate）是"有益"短链脂肪酸，T2D患者中这个菌通常减少
# 预测这个酶的结构，可以帮助理解其催化机制

# 例2：致病菌的毒力因子（virulence factor）
# 比如某些菌产生的内毒素蛋白、粘附蛋白
# 预测结构可以帮助理解其致病机制

# 例3：与人体受体互作的菌群蛋白
# 用AlphaFold 3预测菌群蛋白和人体受体的复合物结构
# 了解菌群如何"对话"宿主

# AlphaFold 2 本地部署最低要求：
# - GPU：NVIDIA GPU，至少 16GB 显存（推荐 A100 40GB/80GB）
# - RAM：至少 64GB 内存（推荐 128GB+）
# - 硬盘：约 2.5 TB（数据库：UniRef90, MGnify, BFD, PDB70等）
# - CUDA：11.1+
# - Python：3.8+

# 更推荐用 LocalColabFold（轻量版，不需要下载全部数据库）：
# https://github.com/YoshitakaMo/localcolabfold
# 用 MMseqs2 在线服务器做 MSA，本地只需要 GPU 做推理

# 安装 LocalColabFold（一键安装脚本）
wget https://raw.githubusercontent.com/YoshitakaMo/localcolabfold/main/install_colabbatch_linux.sh
bash install_colabbatch_linux.sh

# 或用conda安装（推荐）
conda create -n colabfold -c conda-forge -c bioconda \
    python=3.10 kalign2 hhsuite mmseqs2
conda activate colabfold
pip install "colabfold[alphafold]"
# GPU 支持需额外安装 jax GPU 版本，参考 LocalColabFold 文档

# 运行预测
colabfold_batch input.fasta output_dir/
# input.fasta：包含蛋白质序列的FASTA文件
# output_dir/：结果输出目录

# ===== AlphaFold DB REST API 使用示例 =====

import requests  # HTTP请求库
import json      # JSON解析库

# 方式1：通过UniProt ID获取结构信息
uniprot_id = "P01308"  # 人胰岛素
api_url = f"https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id}"

response = requests.get(api_url)  # 发送GET请求
if response.status_code == 200:
    data = response.json()  # 把返回的JSON解析成Python字典
    # data 是一个列表，每个元素是一个预测条目
    for entry in data:
        print(f"UniProt ID: {entry['uniprotAccession']}")
        print(f"物种: {entry['organismScientificName']}")
        print(f"PDB文件: {entry['pdbUrl']}")      # PDB格式下载链接
        print(f"CIF文件: {entry['cifUrl']}")      # mmCIF格式下载链接
        print(f"PAE图: {entry['paeImageUrl']}")   # PAE热力图链接
        print(f"模型置信度: {entry['globalMetricType']} = {entry['globalMetricValue']}")
else:
    print(f"查询失败: {response.status_code}")

Q: 什么是AlphaFold？
A: Google DeepMind开发的AI蛋白质结构预测系统。
   AF2（2020）解决蛋白质折叠问题，精度媲美实验。
   AF3（2024）扩展到蛋白质/DNA/RNA/小分子复合物预测。
   数据库已包含2亿+蛋白质结构预测。
   2024年诺贝尔化学奖授予AlphaFold创始人。

Q: AlphaFold的核心原理？
A: 输入→氨基酸序列+MSA（多序列比对）
   核心→Evoformer捕捉共进化信号
   输出→3D坐标+pLDDT置信度分数
   AF3创新→用扩散模型生成结构

Q: pLDDT是什么？
A: 每个残基的预测置信度（0-100）。
   >90很可靠（深蓝），70-90可靠（浅蓝），
   50-70不太确定（黄），<50可能无序区（橙）。

Q: 和宏基因组项目的关系？
A: 用RF筛出关键菌属后，可以用AlphaFold预测
   这些菌产生的关键酶（如丁酸合成酶）的3D结构，
   进一步理解菌群影响T2D代谢的分子机制。