alphafold-database-access

AlphaFold 数据库访问

概述

AlphaFold DB 是一个公开数据库，收录了由 AI 预测的超过 2 亿种蛋白质的 3D 结构，由 DeepMind 和 EMBL-EBI 维护。可通过 BioPython 或 REST API 获取预测结果，下载多种格式的坐标文件，分析置信度指标，并通过 Google Cloud 获取蛋白质组批量数据集。

适用场景

• 根据 UniProt 登录号检索 AI 预测的蛋白质结构
• 下载 PDB/mmCIF 坐标文件，用于结构分析或对接
• 分析预测置信度（逐残基 pLDDT、结构域级 PAE）
• 通过 Google Cloud 批量下载整个蛋白质组的预测结果
• 将预测结构与实验 PDB 结构进行比较
• 为缺少实验数据的蛋白质构建结构模型
• 为药物发现识别高置信度结合位点
• 仅需要实验结构时 → 直接使用 PDB
• 运行 AlphaFold 预测时 → 使用 ColabFold 或本地 AlphaFold

前置条件

# 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

快速入门

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)}")

核心 API

1. 获取预测结果

BioPython（推荐用于单个蛋白质）：

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（用于元数据或集成）：

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 联合 API（查询多个结构提供方）：

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. 下载结构文件

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. 分析置信度指标

pLDDT（逐残基置信度，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（预测对齐误差）可视化：

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. 批量数据访问（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 元数据查询：

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. 结构解析与分析

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}")

核心概念

置信度解读

指标	范围	解读	适用场景
pLDDT >90	非常高	主链和侧链均可靠	详细分析、对接
pLDDT 70–90	高	主链总体可靠	折叠分析、结构域识别
pLDDT 50–70	低	谨慎使用	可能具有柔性或无序
pLDDT <50	非常低	可能无序	从分析中排除
PAE <5 Å	可信	结构域间相对位置可靠	多结构域组装
PAE 5–10 Å	中等	排布不确定	将各结构域独立处理
PAE >15 Å	不确定	结构域可能会移动	不要相信其相对方向

AlphaFold ID 格式

格式：AF-{UniProt_accession}-F{fragment_number}（例如，AF-P00520-F1）。大型蛋白质可能会拆分为多个片段（F1、F2、……）。当前数据库版本：v4 — 所有文件 URL 均须包含版本后缀。

文件类型

文件	URL 后缀	格式	用途
模型坐标	-model_v4.cif	mmCIF	结构分析（推荐）
模型坐标	-model_v4.pdb	PDB	旧版工具（<99,999 个原子）
模型坐标	-model_v4.bcif	二进制 CIF	压缩（体积约小 70%）
置信度	-confidence_v4.json	JSON	逐残基 pLDDT 数组
对齐误差	-predicted_aligned_error_v4.json	JSON	N×N PAE 矩阵
PAE 图像	-predicted_aligned_error_v4.png	PNG	快速目视评估

常见工作流

工作流 1：单个蛋白质结构分析

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)}")

工作流 2：批量处理蛋白质

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))

关键参数

参数	模块	默认值	范围	作用
uniprot_id	所有	—	UniProt 登录号	主要查询标识符
version	下载	v4	v1–v4	数据库版本（始终使用最新版本）
directory	BioPython	"."	路径	下载目标位置
QUIET	MMCIFParser	False	bool	禁止解析器警告
vmin/vmax	PAE 图	0/30	Å	PAE 色图范围
taxonomy_id	GCS 批量处理	—	NCBI 分类 ID	下载蛋白质组的物种
fractionPlddtVeryHigh	BigQuery	—	0.0–1.0	按高置信度比例筛选
并发请求数	API	—	≤10	API 请求的最大并行数
请求间隔	API	—	100–200ms	连续请求之间的延迟

最佳实践

1. 单个蛋白质使用 BioPython，批量处理使用 Google Cloud — 对于超过 100 个蛋白质，单独通过 API 下载速度很慢；使用 GCS 并行下载快几个数量级
2. 下游分析前始终检查 pLDDT — 低置信度区域（pLDDT <50）可能是无序区域，应从对接、接触分析或结合位点预测中排除
3. 反模式 — 对所有区域一视同仁：AlphaFold 预测缺少配体、PTM、辅因子和多链上下文。高 pLDDT 并不保证功能准确性
4. 在本地缓存下载的文件 — 避免重复下载相同结构；每个版本的 AlphaFold 文件都是静态的
5. 多结构域蛋白质使用 PAE — pLDDT 告诉你每个残基的置信度，而 PAE 则揭示结构域的相对取向是否可靠。低结构域间 PAE（<5 Å）= 相信其排列；高 PAE（>15 Å）= 将结构域视为彼此独立
6. 在可复现的分析中固定数据库版本 — 在 URL 中加入 _v4，并记录所用版本

常见方案

方案 1：按物种下载蛋白质组

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)

方案 2：提取高置信度区域

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), ...]

方案 3：基于 PAE 的结构域分割

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

故障排除

问题	原因	解决方案
API 返回 404 Not Found	此 UniProt ID 没有 AlphaFold 预测	检查该蛋白质是否收录于 AlphaFold DB；部分生物未覆盖
429 Too Many Requests	超出速率限制	在请求之间添加 time.sleep(0.2)；批量处理时使用 GCS
预测列表为空	数据库中不存在该 UniProt ID	在 alphafold.ebi.ac.uk 上验证 ID；尝试规范异构体
大型蛋白质被拆分为片段	蛋白质超过 2700 个残基	检查所有片段（F1、F2、...）；如有需要，手动拼接
pLDDT 值全部偏低（<50）	内在无序蛋白质	属于预期情况；对 IDP 而言，结构预测不可靠
PAE 矩阵不对称	PAE[i][j] ≠ PAE[j][i] 是设计使然	PAE 衡量以残基 i 为基准对齐时的误差；聚类时可将其对称化
ModuleNotFoundError: Bio.PDB.alphafold_db	BioPython 版本过旧	升级：pip install --upgrade biopython>=1.80
GCS 下载失败	未配置 gsutil	运行 gcloud auth login，或对公开数据使用匿名访问
超出 BigQuery 配额	免费层限制（1 TB/月）	使用 LIMIT 优化查询；批量访问文件时改用 GCS

捆绑资源

references/api_schemas_reference.md

详细的 API 数据架构和查找表：REST API 响应字段、mmCIF 数据类别、置信度 JSON 架构、PAE JSON 架构、BigQuery 元数据表字段、HTTP 错误代码、速率限制指南和版本历史（v1–v4）。解析 API 响应或构建自定义查询时，可查阅此文档了解字段级详情。脚本功能（原文中没有）。原 api_reference.md 的部分内容已移至 Core API（端点、常见代码模式）和 Key Concepts（置信度阈值、文件类型表）；架构、字段目录和错误代码保留在此参考文档中。

相关技能

• autodock-vina — 使用 AlphaFold 结构作为受体进行分子对接
• biopython — 用于 AlphaFold 之外的通用蛋白质结构解析与分析

参考资料

• AlphaFold DB：https://alphafold.ebi.ac.uk/
• API 文档：https://alphafold.ebi.ac.uk/api-docs
• Jumper 等人（2021），Nature 596，583–589：https://doi.org/10.1038/s41586-021-03819-2
• Varadi 等人（2024），Nucleic Acids Res. 52，D368–D375：https://doi.org/10.1093/nar/gkad1011
• BioPython AlphaFold 模块：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