alphafold-database-access

AlphaFold データベースへのアクセス

概要

AlphaFold DB は、DeepMind と EMBL-EBI が管理する、2 億種類を超えるタンパク質の AI 予測 3D 構造を収録した公開リポジトリです。BioPython または REST API を使って予測結果にアクセスし、複数の形式で座標ファイルをダウンロードして、信頼度指標を分析できます。また、Google Cloud を通じてプロテオーム全体のデータセットを一括取得できます。

使用する場面

• UniProt アクセッションで AI 予測タンパク質構造を取得する
• 構造解析やドッキング用の PDB/mmCIF 座標ファイルをダウンロードする
• 予測信頼度（残基ごとの pLDDT、ドメインレベルの PAE）を分析する
• Google Cloud 経由でプロテオーム全体の予測結果を一括ダウンロードする
• 予測構造と実験で得られた PDB 構造を比較する
• 実験データがないタンパク質の構造モデルを構築する
• 創薬に向けて信頼度の高い結合部位を特定する
• 実験構造のみを扱う場合 → PDB を直接使用してください
• AlphaFold の予測を実行する場合 → ColabFold またはローカルの AlphaFold を使用してください

前提条件

# Core (BioPython for structure access)
pip install biopython requests numpy matplotlib

# Optional: Google Cloud for bulk access
pip install google-cloud-bigquery google-cloud-storage

クイックスタート

from Bio.PDB import alphafold_db, MMCIFParser
import requests, numpy as np

# 1. Get prediction for a protein
uniprot_id = "P00520"  # ABL1 kinase
predictions = list(alphafold_db.get_predictions(uniprot_id))
af_id = predictions[0]['entryId']  # AF-P00520-F1

# 2. Download structure
cif_file = alphafold_db.download_cif_for(predictions[0], directory="./structures")

# 3. Check confidence
conf = requests.get(f"https://alphafold.ebi.ac.uk/files/{af_id}-confidence_v4.json").json()
scores = conf['confidenceScore']
print(f"Mean pLDDT: {np.mean(scores):.1f}, High-conf residues: {sum(1 for s in scores if s > 90)}/{len(scores)}")

コア API

1. 予測結果の取得

BioPython（単一タンパク質の場合に推奨）：

from Bio.PDB import alphafold_db

# Get prediction metadata
predictions = list(alphafold_db.get_predictions("P00520"))
pred = predictions[0]
print(f"AlphaFold ID: {pred['entryId']}")
print(f"Gene: {pred['gene']}, Species: {pred['organismScientificName']}")

# Get Structure objects directly
structures = list(alphafold_db.get_structural_models_for("P00520"))

REST API（メタデータの取得または統合用）：

import requests

uniprot_id = "P00520"
url = f"https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id}"
response = requests.get(url)
data = response.json()

# Response includes download URLs for all file types
pred = data[0]
print(f"CIF: {pred['cifUrl']}")
print(f"PDB: {pred['pdbUrl']}")
print(f"PAE: {pred['paeDocUrl']}")

3D-Beacons フェデレーション API（複数の構造プロバイダーにクエリ）：

url = f"https://www.ebi.ac.uk/pdbe/pdbe-kb/3dbeacons/api/uniprot/summary/{uniprot_id}.json"
data = requests.get(url).json()
af_structures = [s for s in data['structures'] if s['provider'] == 'AlphaFold DB']

2. 構造ファイルのダウンロード

import requests

af_id = "AF-P00520-F1"
version = "v4"
base = "https://alphafold.ebi.ac.uk/files"

# mmCIF (recommended — full metadata, supports large structures)
cif = requests.get(f"{base}/{af_id}-model_{version}.cif")
with open(f"{af_id}.cif", "w") as f:
    f.write(cif.text)

# PDB format (legacy — limited to 99,999 atoms)
pdb = requests.get(f"{base}/{af_id}-model_{version}.pdb")
with open(f"{af_id}.pdb", "wb") as f:
    f.write(pdb.content)

# Confidence JSON (per-residue pLDDT scores)
conf = requests.get(f"{base}/{af_id}-confidence_{version}.json").json()

# PAE matrix JSON (inter-residue confidence)
pae = requests.get(f"{base}/{af_id}-predicted_aligned_error_{version}.json").json()

3. 信頼度指標の分析

pLDDT（残基ごとの信頼度、0～100）：

import numpy as np

conf_url = f"https://alphafold.ebi.ac.uk/files/{af_id}-confidence_v4.json"
conf = requests.get(conf_url).json()
scores = conf['confidenceScore']

# Classify residues by confidence
very_high = sum(1 for s in scores if s > 90)
high = sum(1 for s in scores if 70 < s <= 90)
low = sum(1 for s in scores if 50 < s <= 70)
very_low = sum(1 for s in scores if s <= 50)
print(f"Very high (>90): {very_high}, High (70-90): {high}, Low (50-70): {low}, Very low (<50): {very_low}")

PAE（予測アラインメント誤差）の可視化：

import matplotlib.pyplot as plt

pae_url = f"https://alphafold.ebi.ac.uk/files/{af_id}-predicted_aligned_error_v4.json"
pae = requests.get(pae_url).json()
pae_matrix = np.array(pae['distance'])

plt.figure(figsize=(10, 8))
plt.imshow(pae_matrix, cmap='viridis_r', vmin=0, vmax=30)
plt.colorbar(label='PAE (Å)')
plt.title(f'Predicted Aligned Error: {af_id}')
plt.xlabel('Residue')
plt.ylabel('Residue')
plt.savefig(f'{af_id}_pae.png', dpi=300, bbox_inches='tight')
# Low PAE (<5 Å) = confident relative positioning; >15 Å = uncertain domain arrangement

4. 一括データアクセス（Google Cloud）

# List available data
gsutil ls gs://public-datasets-deepmind-alphafold-v4/

# Download entire proteome by taxonomy ID
gsutil -m cp gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-9606-*_v4.tar .

# Download accession index
gsutil cp gs://public-datasets-deepmind-alphafold-v4/accession_ids.csv .

BigQuery メタデータクエリ：

from google.cloud import bigquery

client = bigquery.Client()
query = """
SELECT entryId, uniprotAccession, gene, organismScientificName,
       globalMetricValue, fractionPlddtVeryHigh
FROM `bigquery-public-data.deepmind_alphafold.metadata`
WHERE organismScientificName = 'Homo sapiens'
  AND fractionPlddtVeryHigh > 0.8
  AND isReviewed = TRUE
LIMIT 100
"""
df = client.query(query).to_dataframe()
print(f"Found {len(df)} high-confidence human proteins")

5. 構造のパースと分析

from Bio.PDB import MMCIFParser
import numpy as np
from scipy.spatial.distance import pdist, squareform

parser = MMCIFParser(QUIET=True)
structure = parser.get_structure("protein", f"{af_id}-model_v4.cif")

# Extract alpha-carbon coordinates
coords, plddt_scores = [], []
for model in structure:
    for chain in model:
        for residue in chain:
            if 'CA' in residue:
                coords.append(residue['CA'].get_coord())
                plddt_scores.append(residue['CA'].get_bfactor())  # pLDDT stored as B-factor

coords = np.array(coords)
print(f"Residues: {len(coords)}, Mean pLDDT: {np.mean(plddt_scores):.1f}")

# Contact map (Cα-Cα < 8 Å)
dist_matrix = squareform(pdist(coords))
contacts = np.where((dist_matrix > 0) & (dist_matrix < 8))
print(f"Contacts: {len(contacts[0]) // 2}")

主要な概念

信頼度の解釈

指標	範囲	解釈	適した用途
pLDDT >90	非常に高い	主鎖と側鎖の信頼性が高い	詳細な分析、ドッキング
pLDDT 70–90	高い	主鎖は概ね信頼できる	フォールド解析、ドメインの特定
pLDDT 50–70	低い	注意して使用	柔軟または無秩序な可能性あり
pLDDT <50	非常に低い	無秩序である可能性が高い	分析から除外
PAE <5 Å	信頼できる	ドメイン間の相対位置の信頼性が高い	マルチドメイン構造の組み立て
PAE 5–10 Å	中程度	配置が不確実	ドメインを個別に扱う
PAE >15 Å	不確実	ドメインが動く可能性あり	配向を信頼しない

AlphaFold ID の形式

形式：AF-{UniProt_accession}-F{fragment_number}（例：AF-P00520-F1）。大きなタンパク質は複数のフラグメント（F1、F2、...）に分割される場合があります。現在のデータベースバージョン：v4 — すべてのファイル URL にバージョン接尾辞を含めてください。

ファイルの種類

ファイル	URL 接尾辞	形式	用途
モデル座標	-model_v4.cif	mmCIF	構造解析（推奨）
モデル座標	-model_v4.pdb	PDB	レガシーツール（99,999 原子未満）
モデル座標	-model_v4.bcif	Binary CIF	圧縮（約 70% 小さい）
信頼度	-confidence_v4.json	JSON	残基ごとの pLDDT 配列
アラインメント誤差	-predicted_aligned_error_v4.json	JSON	N×N PAE 行列
PAE 画像	-predicted_aligned_error_v4.png	PNG	簡易的な視覚評価

よくあるワークフロー

ワークフロー 1：単一タンパク質の構造解析

from Bio.PDB import alphafold_db, MMCIFParser
import requests, numpy as np

uniprot_id = "P04637"  # p53 tumor suppressor

# Retrieve and download
predictions = list(alphafold_db.get_predictions(uniprot_id))
cif_file = alphafold_db.download_cif_for(predictions[0], directory="./structures")
af_id = predictions[0]['entryId']

# Parse structure
parser = MMCIFParser(QUIET=True)
structure = parser.get_structure("p53", cif_file)

# Extract pLDDT from B-factors
plddt = [r['CA'].get_bfactor() for m in structure for c in m for r in c if 'CA' in r]
print(f"Length: {len(plddt)}, Mean pLDDT: {np.mean(plddt):.1f}")

# Identify high-confidence regions for docking
high_conf_regions = [(i+1, s) for i, s in enumerate(plddt) if s > 90]
print(f"High-confidence residues: {len(high_conf_regions)}/{len(plddt)}")

ワークフロー 2：タンパク質のバッチ処理

from Bio.PDB import alphafold_db
import requests, numpy as np, pandas as pd, time

uniprot_ids = ["P00520", "P12931", "P04637", "P38398"]
results = []

for uid in uniprot_ids:
    try:
        preds = list(alphafold_db.get_predictions(uid))
        if not preds:
            continue
        af_id = preds[0]['entryId']
        conf = requests.get(f"https://alphafold.ebi.ac.uk/files/{af_id}-confidence_v4.json").json()
        scores = conf['confidenceScore']
        results.append({
            'uniprot': uid, 'alphafold_id': af_id,
            'length': len(scores), 'mean_plddt': np.mean(scores),
            'frac_high_conf': sum(1 for s in scores if s > 90) / len(scores)
        })
        time.sleep(0.2)  # Rate limit: 100-200ms between requests
    except Exception as e:
        print(f"Error {uid}: {e}")

df = pd.DataFrame(results)
print(df.to_string(index=False))

主要なパラメーター

パラメーター	モジュール	デフォルト	範囲	効果
uniprot_id	すべて	—	UniProt アクセッション	主なクエリ識別子
version	ダウンロード	v4	v1–v4	データベースのバージョン（常に最新を使用）
directory	BioPython	"."	パス	ダウンロード先
QUIET	MMCIFParser	False	bool	パーサーの警告を抑制
vmin/vmax	PAE プロット	0/30	Å	PAE カラーマップの範囲
taxonomy_id	GCS 一括処理	—	NCBI tax ID	プロテオームのダウンロード対象の種
fractionPlddtVeryHigh	BigQuery	—	0.0–1.0	高信頼度領域の割合によるフィルタリング
同時リクエスト数	API	—	≤10	API リクエストの最大並列数
リクエスト間隔	API	—	100–200ms	順次リクエスト間の遅延

ベストプラクティス

1. 単一タンパク質には BioPython、一括処理には Google Cloud を使用する — 個別の API ダウンロードは100個を超えるタンパク質では遅くなります。GCS の並列ダウンロードは桁違いに高速です
2. 下流解析の前に必ず pLDDT を確認する — 信頼度の低い領域（pLDDT <50）は無秩序である可能性が高く、ドッキング、接触解析、結合部位予測から除外する必要があります
3. アンチパターン — すべての領域を同等に信頼する：AlphaFold の予測にはリガンド、PTM、補因子、複数鎖のコンテキストが含まれません。pLDDT が高くても、機能的な正確性が保証されるわけではありません
4. ダウンロードしたファイルをローカルにキャッシュする — 同じ構造を再ダウンロードしないようにしてください。AlphaFold のファイルはバージョンごとに固定されています
5. 複数ドメインタンパク質には PAE を使用する — pLDDT でわかるのは残基ごとの信頼度ですが、PAE からはドメインの向きが信頼できるかどうかがわかります。ドメイン間 PAE が低い（<5 Å）場合は配置を信頼し、高い（>15 Å）場合は各ドメインを個別に扱います
6. 再現可能な解析ではデータベースのバージョンを固定する — URL に _v4 を含め、使用したバージョンを記録してください

よく使うレシピ

レシピ 1：種ごとのプロテオームのダウンロード

import subprocess

def download_proteome(taxonomy_id: int, output_dir: str = "./proteomes"):
    """Download all AlphaFold predictions for a species via GCS."""
    if not isinstance(taxonomy_id, int):
        raise ValueError("taxonomy_id must be an integer")
    pattern = f"gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-{taxonomy_id}-*_v4.tar"
    subprocess.run(["gsutil", "-m", "cp", pattern, f"{output_dir}/"], check=True)

# Human (9606), E. coli (83333), Mouse (10090)
download_proteome(9606)

レシピ 2：高信頼度領域の抽出

def extract_high_conf_residues(plddt_scores, threshold=90):
    """Extract contiguous high-confidence regions."""
    regions, start = [], None
    for i, score in enumerate(plddt_scores):
        if score > threshold and start is None:
            start = i
        elif score <= threshold and start is not None:
            regions.append((start + 1, i, i - start))  # 1-indexed
            start = None
    if start is not None:
        regions.append((start + 1, len(plddt_scores), len(plddt_scores) - start))
    return regions

# Usage: regions = extract_high_conf_residues(plddt_scores)
# Returns: [(start_res, end_res, length), ...]

レシピ 3：PAE に基づくドメイン分割

import numpy as np

def segment_domains(pae_matrix, threshold=10.0):
    """Simple domain segmentation from PAE matrix."""
    n = pae_matrix.shape[0]
    # Average PAE for each residue pair -> symmetric
    sym_pae = (pae_matrix + pae_matrix.T) / 2
    # Cluster: residues with low mutual PAE are in the same domain
    domains, current_domain = [0] * n, 0
    for i in range(1, n):
        if sym_pae[i-1, i] > threshold:
            current_domain += 1
        domains[i] = current_domain
    return domains

トラブルシューティング

問題	原因	解決策
API からの 404 Not Found	この UniProt ID の AlphaFold 予測がない	タンパク質が AlphaFold DB に登録されているか確認してください。一部の生物種は対象外です
429 Too Many Requests	レート制限を超過	リクエスト間に time.sleep(0.2) を追加してください。一括処理には GCS を使用してください
予測リストが空	UniProt ID がデータベースにない	alphafold.ebi.ac.uk で ID を確認してください。正準アイソフォームを試してください
大きなタンパク質が断片に分割される	タンパク質が2700残基を超えている	すべての断片（F1、F2、...）を確認し、必要に応じて手動で連結してください
pLDDT 値がすべて低い（<50）	天然変性タンパク質	想定された動作です。IDP の構造予測は信頼性が低くなります
PAE 行列が非対称	設計上、PAE[i][j] ≠ PAE[j][i]	PAE は残基 i に位置合わせした場合の誤差を測定します。クラスタリングでは対称化してください
ModuleNotFoundError: Bio.PDB.alphafold_db	BioPython のバージョンが古い	アップグレードしてください：pip install --upgrade biopython>=1.80
GCS のダウンロードに失敗	gsutil が設定されていない	gcloud auth login を実行するか、公開データには匿名アクセスを使用してください
BigQuery のクォータを超過	無料枠の上限（1 TB/月）	LIMIT を使ってクエリを最適化してください。一括ファイルアクセスには代わりに GCS を使用してください

同梱リソース

references/api_schemas_reference.md

詳細な API データスキーマとルックアップテーブル：REST API のレスポンスフィールド、mmCIF データカテゴリ、信頼度 JSON スキーマ、PAE JSON スキーマ、BigQuery メタデータテーブルのフィールド、HTTP エラーコード、レート制限のガイドライン、バージョン履歴（v1–v4）。API レスポンスの解析やカスタムクエリの作成時に、フィールドレベルの詳細を参照してください。スクリプトの機能はありません（原文にも記載なし）。元の api_reference.md の内容の一部は Core API（エンドポイント、一般的なコードパターン）と Key Concepts（信頼度のしきい値、ファイル形式の表）に移動され、スキーマ、フィールドカタログ、エラーコードはこのリファレンスに残されています。

関連スキル

• autodock-vina — AlphaFold 構造を受容体として用いた分子ドッキング
• biopython — AlphaFold 以外のタンパク質構造の解析と一般的なパース

参考資料

• AlphaFold DB：https://alphafold.ebi.ac.uk/
• API ドキュメント：https://alphafold.ebi.ac.uk/api-docs
• Jumper ら（2021）Nature 596, 583–589：https://doi.org/10.1038/s41586-021-03819-2
• Varadi ら（2024）Nucleic Acids Res. 52, D368–D375：https://doi.org/10.1093/nar/gkad1011
• BioPython AlphaFold モジュール：https://biopython.org/docs/dev/api/Bio.PDB.alphafold_db.html
• Google Cloud AlphaFold：https://console.cloud.google.com/marketplace/product/bigquery-public-data/deepmind-alphafold