alphafold置信度

### AlphaFold 预测结果的置信度信息及其解释

AlphaFold 的预测结果提供了两种主要方式来评估其预测的质量和可靠性：

#### 1. pLDDT (Predicted LDDT)

pLDDT 是一种用于衡量单个残基位置上模型预测可靠性的指标。该分数范围从 0 到 100，数值越高表示对该位置氨基酸坐标的预测越有信心。通常情况下，当 pLDDT 值大于 90 时，可以认为预测非常可信；而低于 50 的值则表明预测可能不可靠[^1]。

对于整个蛋白质链而言，还可以计算平均 pLDDT 分数作为整体模型质量的一个指示器。这有助于快速判断哪些区域具有较高的预测准确性以及哪些部分可能存在较大不确定性。

#### 2. PAE (Predicted Aligned Error)

除了提供每一对残基之间的距离误差估计外，PAE 还能展示不同片段间相对排列关系的信心水平。具体来说，较低的 PAE 数值意味着两个特定残基之间的真实空间距离很可能接近于所给出的最佳匹配路径上的对应距离；相反，高 PAE 表明这种配对存在较大的几何偏差风险[^2]。

通过可视化工具查看这些数据可以帮助研究人员更直观地理解预测结构中的不确定性和潜在错误源。例如，在 Jupyter Notebook 或其他支持图形渲染的应用程序中加载 AlphaFold 结果文件后，即可生成相应的热图或三维视图来进行深入分析。

import matplotlib.pyplot as plt
from alphafold.common import protein
from alphafold.model import utils

# 加载 AlphaFold 输出的数据
result = utils.get_model_confidence(pdb_file='example.pdb')

# 绘制 pLDDT 曲线
plt.figure(figsize=(8, 6))
plt.plot(result['plddt'])
plt.title('Per-residue Predicted Alignment Error')
plt.xlabel('Residue Index')
plt.ylabel('pLDDT Score')
plt.show()

# 显示 PAE 热图
plt.matshow(result['pae'], cmap='viridis', vmin=0, vmax=max_pae)
plt.colorbar(label='Predicted aligned error (Å)')
plt.title('Predicted Aligned Error Heatmap')
plt.xlabel('Scored residue')
plt.ylabel('Aligned residue')
plt.show()