Alphafold实用指南—官网教程2

AlphaFold2与AlphaMissense实用指南

原创已于 2025-11-24 10:49:10 修改 · 901 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#数据库 #序列分析 #蛋白质 #alphafold #深度学习 #结构生物学

于 2025-11-22 16:11:47 首次发布

生信-软件同时被 2 个专栏收录

30 篇文章

订阅专栏

生信推文-结构生物信息学

7 篇文章

订阅专栏

在这里插入图片描述

承接上一篇博客：https://blog.youkuaiyun.com/weixin_62528784/article/details/155072898?spm=1001.2014.3001.5502

本篇博客主要是我参与学习EMBL-EBI关于Alphafold培训课程的第2部分笔记，

官网相关教程信息，参考：https://www.ebi.ac.uk/training/online/courses/alphafold/

一，输入与输出

1，AlphaFold2 的输入和输出——回顾

AlphaFold2 输入

关于colabfold，这里只是提一嘴：

https://www.ebi.ac.uk/training/online/courses/alphafold/accessing-and-predicting-protein-structures-with-alphafold/predicting-protein-structures-with-colabfold-and-alphafold-colab/

具体官网链接参考：https://github.com/sokrypton/ColabFold?tab=readme-ov-file

AlphaFold2 输出

2，其他用于检查预测结构质量的工具

希望进一步评估 AlphaFold2 预测的蛋白质结构质量的用户可以使用多种开源工具。

比如说我常用的一个就是PAE viewer，

主要是用于可视化PAE热图

二，使用 AlphaFold 2 获取和预测蛋白质结构

获取和使用方式如下：

这一节其实个人觉得比较重要，毕竟理论说一千道一万，最后还是得用上，怎么用、到哪里用，如何用，有哪些官方的齐全的、全面的途径？

我们的最终评估目的应该是如下的：

1，选择如何访问 AlphaFold2

1个决定是否使用 AlphaFold2 的常见工作流程

先看数据库-colab等计算压力小的工具上初步预测/批量预测-高精度再用AF系列model

总体而言，如何评估你的结构预测任务是否需要升级？

核心准则：工作流程从计算量最小的步骤开始，只有在它不起作用时才升级

下面是三种访问 AlphaFold 方式的优缺点：

2，在 AlphaFold 数据库中访问预测的蛋白质结构

我们可以以多种方式搜索 AFDB，包括：蛋白质名称、基因名称、UniProt ID、生物体名称和氨基酸序列。

3，如何最佳地访问数据库？

4种方式：直接从官网数据库，通过FTP，从Google Cloud公共数据库获取，通过API接口访问

几种方法功能的比对：

如何通过 API、FTP 和 Big Query 访问？

使用 BigQuery 探索 AlphaFold 蛋白质结构数据库

官网提供的google notebook，其中code部分可以借鉴，以及在线运行：

https://colab.research.google.com/github/paulynamagana/AFDB_notebooks/blob/main/AFDB_BigQuery.ipynb

使用 API 获取 AlphaFold 结构

这个一般才是我们生信的手段，所以这一块是划重点的！

官方示例参考：https://colab.research.google.com/github/paulynamagana/AFDB_notebooks/blob/main/AFDB_API.ipynb

从 AlphaFold 数据库 FTP 区域下载蛋白质结构

同样，官方所提供的一个培训模板脚本参考：https://colab.research.google.com/github/PDBeurope/afdb-notebooks/blob/main/AFDB_FTP.ipynb

4，AlphaFold 蛋白质结构数据库在什么情况下不是选择？

这些情况同样可以类比于alphafold3

5，使用 AlphaFold 数据库进行分析

这节培训内容，主要是讲解AFDB数据库中内置的一些处理以及数据分析，

主要是聚类和Foldseek，目的是为了掌握以下目标：

结构相似性聚类（Structure similarity cluster）

‘’

先序列聚类，再进行结构聚类

如何在 AFDB 中访问聚类成员?

在 AFDB 中每个蛋白质的页面上，我们可以发现一个列出其聚类成员的表格。该表格提供了指向同一聚类中其他蛋白质页面的链接，使我们能够快速比较它们的结构并探索潜在的功能关系。

此处我以AFDB中的Striatin-interacting protein 1蛋白质为例，在AFDB中进行聚类搜索演示：
网址参考：https://alphafold.ebi.ac.uk/entry/AF-Q5VSL9-F1?activeTab=summary

我们正常进去的都是summary and model confidence这一块内容，

现在我们需要查看相似的蛋白，就点击similar proteins。

这一块其实还有很多其他的信息，比如说我们看一下Domains，

TED+CATH，更大的一个结构域注释数据库以及注释规则，这个也是重点，做结构生物学会用上。

注释这一块，确实也就是pLDDT+PAE等指标的可视化，在序列以及结构层面上：

然后就是相似蛋白的搜索：

点击中间这个蓝色的方框，然后它其实是在PDB以及AFDB中寻找与当前结构相似的蛋白质：

比如说我当前的结构在PDB中就找到了真实的4个相似的实验结构数据条目，还有一些指标，我们主要看E值，还有序列相似度，

另外右边还有一个align in 3D，其实就是看实际的相似结构（PDB中的）和预测的结构（AFDB中的）对齐重叠效果如何，

点击之后效果如右图，确实基本上重叠得很多，要深入评估的话，就是RMSD那一套。

使用 Foldseek 在 AlphaFold 数据库中进行基于结构的搜索

Foldseek 可以揭示什么？

6，使用 ColabFold 和 AlphaFold2 Colab预测蛋白质结构

总之，官方推荐，对于计算资源比较吃紧的lab，其实还是以使用ColabFold为主，毕竟也有很多顶刊用的也是ColabFold，

对于AlphaFold3也是同理类推，至少在高通量使用的部署难度上ColabFold要比AlphaFold好用多了。

如何运行 ColabFold 和 AlphaFold2 Colab?

使用 ColabFold 或 AlphaFold2 Colab 在线预测蛋白质结构，这些选项不需要我们安装 AlphaFold2 的源代码。

在Alphafold2刚出来的时候，我就用过ColabFold，只需要顺次执行所有notebook中的cell即可，也是给出5个候选的model预测结果，当时预测一个结构，时间大概在半小时左右（因为涉及到google colab的gpu申请资源吃紧，在批量处理上虽然比web server好多了，但是实际操作效率不见得有多高，但至少人人都能做结构预测）

或者是用自己本地的gpu去进行处理：

一些简单的运行示例demo：具体参考前面colabfold给出的colab notebook

复合物预测，这个是比较重要的，因为大多数人建模一般都是对复合物建模有需求，毕竟单体数据库里一大把而且单体数据也没有多少信息在里面。

主要需要注意的一点就是，复合物多个序列之间输入的时候需要使用：链接

另外需要注意的是我们所谓的5个候选模型中哪个置信度最高，其实是可以通过前面介绍过的一些简单的全局置信指标计算的：

比如说我对生成的所有model（给定数目阈值），按照这两个指标计算一个score，就是全局性置信度的指标，然后拿这个score排一个序，其中model_0我可以指定为score highest的。

7，使用 AlphaFold2 开源代码预测蛋白质结构

主要问题在于部署的问题，如果计算能力强的话就本地部署，简单询问自己是否能够实现alphafold模型源码仓库的各种基本计算注意要求，

当然，部分头部高校其实也会在自己的超算上部署alphafold模型，这个需要实验室lab和学校超算中心协商，看看有没有渠道消费换取访问权限。

安装 AlphaFold2 源代码

对于alphafold来说，真部署了之后运行时间开销主要在MSA多序列比对以及模板搜索上，

当然，我们知道alphafold3已经取消了MSA模块了。

还有就是种子参数seed，以及后续处理软件（评估矫正）的过程：

8，获取预测蛋白质结构的其他方法

这一块培训内容，是要我们跳出AFDB以及alphafold系列模型，查看更大型的结构数据库。

The 3D-Beacons Network

网址链接参考：https://www.ebi.ac.uk/pdbe/pdbe-kb/3dbeacons/

总的来说，3D-Beacons Network 是一个开放性的大分子结构提供合作网络。我们可以比较来自不同提供者的实验测定和预测的大分子结构，包括 AlphaFold 数据库。

这个网站目的非常明确，就是用来搞计算生物学的人来分析、下载数据的：

支持访问 AlphaFold2 的软件包

这里重点提一下奇美拉，因为一般最后结构可视化+画图的时候，基本上大家用的都是pymol+奇美拉这两种。

pymol也行，能够从AFDB中获取数据

如何引用 AlphaFold

这个没什么好说的了，就是最终文献引用的一些注意点，不得不说，alphafold这个体系还是挺完善的，整体引用下来差不多10篇文献了。

参考：https://www.ebi.ac.uk/training/online/courses/alphafold/accessing-and-predicting-protein-structures-with-alphafold/how-to-cite-alphafold/

三，预测蛋白质结构的先进建模与应用

本节将涵盖如何使用 AlphaFold 进行高级建模，例如预测蛋白质-蛋白质相互作用、建模大型蛋白质复合物和替代结构状态。我们将学习如何使用 AlphaFold 深入了解蛋白质结构和功能。

最终培训的目的如下：

1，定制 AlphaFold2 结构预测

这一节内容，说白了就是调参，就像机器学习一样，广义以及狭义的调参，如何在原始的baseline上调节处更好的结果。

ColabFold 中可用的参数

构象采样这一块，聚类也许用于用于降维。

官方提供的一个关于如何使用 ColabFold 的简短示例（多构象蛋白结构预测示例）

这个例子我觉得很重要，启发性很大

考虑到这一点，我们如何使用 AlphaFold2 预测 OCT1 的多构象结构？

ColabFold 的输出

颜色编码这一块参考：https://github.com/sokrypton/ColabFold#faq

2，利用 AlphaFold2 预测的结构解决更深层次的问题

AlphaFold2 有助于揭示蛋白质的功能和进化关系（本质就是功能预测的task）

这一块其实没什么好说的了，生物化学里最基础的原则就是序列-结构-功能-进化，当然对于IDR也就是无序序列我们的结果不是固定的，而是一个动态的构象集合，但是也大致遵守序列-构象集合-功能-进化功能。

我们之所以关注结构，是因为我们关心功能，而结构对于功能非常重要。

所以alphafold其实能够帮我们快速的建立起来一种“从结构预测功能”的范式，而因为功能与保守性相关，而结构相比序列更加保守，所以**“从结构预测功能”比单纯“从序列预测功能”会更加科学合理一点**。

而且一般来说，在功能上结构的保守性比序列更强，也就是结构比序列更加保守，这一点很重要。

简单来说，传统的通过氨基酸序列相似性来预测蛋白质功能的方法有一定的局限性。因为具有相似氨基酸序列的蛋白质可能由于序列的微小变化而具有不同的功能，而蛋白质结构的保守性使得我们可以更准确地预测功能。例如，如果两个蛋白质的三维结构非常相似，它们很可能具有相似的功能，即使它们的氨基酸序列只有部分相似。

例如，有些蛋白质家族的成员在氨基酸序列上差异很大，但它们的结构却很相似，因此它们的功能也相似。通过结构比较，我们可以发现这些蛋白质家族成员之间的功能联系，而仅仅通过序列比较可能会错过这些联系。

说到这里，其实我想起之前的一篇博客（详细链接参考：https://blog.youkuaiyun.com/weixin_62528784/article/details/151230484?spm=1001.2014.3001.5502），

主要是讲如何在序列水平上简单分析一个新蛋白质序列，简单来说就是进化分析、系统发生分析。

虽然与序列无关，但是我这里还是补充一点，光光是做进化，也就是功能分析、进化分析的话，其实从结构上看会更加靠谱一点，因为功能是进化保守的，而结构的保守性一般比序列的保守性更好，所以如果有新序列了，其实可以从结构层面进行进化保守性分析，比如说使用Foldseek或MMseq2（也就是本篇博客讨论的内容），可以将新序列的结构与结构数据库进行比对，这个道理其实类似于用BLAST系列工具将新序列的序列与序列数据库进行比对。