企业官网建设流程全解析

Science Skills结构生物学实战：AlphaFold数据库技能快速完成pLDDT置信度与PAE结构域分析

【免费下载链接】science-skillsGDM Science Skills to speed up agentic scientific workflows with better grounding and higher token efficiency. Integrate insights from AlphaGenome, AFDB, UniProt and 30+ other databases and tools.项目地址: https://gitcode.com/gh_mirrors/sc/science-skills

Science Skills是一个面向 AI 科研工作流的开源智能体技能库，集成 AlphaFold 数据库、UniProt、AlphaGenome 等 30+ 数据库与工具。其中AlphaFold 数据库技能（alphafold-database-fetch-and-analyze）只需一个 UniProt 编号，即可一键下载蛋白结构预测文件，并自动完成pLDDT 置信度评估与PAE 结构域边界分析两大结构生物学核心任务——无需手写任何代码，新手也能在几分钟内得到专业的结构可靠性报告。

🧬 技能速览：这个技能能帮你做什么？

该技能适合回答这类问题："这个蛋白预测得可靠吗？""它有独立的结构域吗？""哪些区域是高度无序的？"

⚠️ 使用前请确认你手里有UniProt 编号（如 P00520）。如果只有蛋白名称或基因名，请先在 UniProt 网站查到编号；如需搜索结构同源物或获取实验结构，应使用 Foldseek 或 RCSB PDB 等对应工具。

✅ 第一步：安装 Science Skills 与 uv 运行环境

Skill 脚本统一使用 Python 包管理器uv执行，依赖会在首次运行时自动安装。安装技能库只需一条命令：

npx skills add google-deepmind/science-skills/

如果需要在本地克隆仓库查阅技能文档，可使用：

git clone https://gitcode.com/gh_mirrors/sc/science-skills

uv 的安装细节可参考技能库内的 uv SKILL.md。首次触发技能时，AI 代理会征求你的同意并自动装好 uv，装完后建议重启代理应用。

📥 第二步：一键下载 AlphaFold 结构预测文件

核心脚本是 fetch_structure.py，它会自动执行限速请求（1 次/秒），并智能处理等异构体选择与超大蛋白（>2700 残基）的片段回退：

uv run skills/alphafold_database_fetch_and_analyze/scripts/fetch_structure.py P04637 -o ./data/

运行成功后，输出目录会生成三类文件：

脚本遇到查无此 ID（404）、使用了等异构体回退或超大蛋白截断时，都会打印醒目的[!] WARNING，请务必留意转达。

📊 第三步：pLDDT 置信度分析——判断蛋白预测是否可靠

pLDDT（predicted Local Distance Difference Test）是 AlphaFold 给出的逐残基置信度（0–100，越高越可信）。analyze_plddt.py 会读取上一步的元数据文件，输出整体评分与四级占比：

uv run skills/alphafold_database_fetch_and_analyze/scripts/analyze_plddt.py ./data/AF-P04637-F1-metadata.json

输出包含：

• Overall Global pLDDT：整条蛋白的全局置信度
• 四级占比：Very Low（<50）/ Low（50–70）/ Confident / Very High
• pLDDT Conclusion：基于阈值（如 Confident+Very High 合计 ≥70% 视为高置信）给出的结论，区分"完全有序"、"含显著无序区"、"结构域与无序区混合"、"高度内在无序"等情形

拿到结论后，你就可以决定后续是放心做对接/结构比较，还是只针对有序片段做分析。

🧩 第四步：PAE 结构域分析——自动识别蛋白结构域边界

PAE（Predicted Aligned Error，预测对齐误差）描述任意两个残基之间相对位置的不确定性：局部值低 = 空间关系可信，跨区值高 = 两个部分可独立摆动。analyze_pae.py 内置了滑动窗口启发式算法：以 7 Å 为切分阈值扫描 PAE 矩阵切出子域，再以 15 Å 阈值合并为全局结构域（>50 残基才保留），并计算平均/最大误差与"高置信残基对（PAE<5 Å）"占比：

uv run skills/alphafold_database_fetch_and_analyze/scripts/analyze_pae.py ./data/AF-P00527-F1-predicted_aligned_error_v6.json

你会得到：

1. PAE 统计：矩阵形状、Mean / Max / Min Error（Å）、高置信残基对百分比
2. Domain Boundary Analysis：检测到的刚性结构域数量及每个域的残基区间（如Domain 1: residues 12 - 186）
3. PAE Structural Conclusion：单域（单一刚性折叠体）、多域（由柔性铰链连接的独立结构域）或"可能整体无序"三类结论

对多结构域蛋白，这个残基区间可以直接作为后续 Foldseek 搜索、分子对接或 PyMOL 可视化的分析范围。

📖 如何综合解读结果（避坑清单）

1. 先看警告：若输出出现等异构体回退或超大蛋白片段警告，必须在报告中显著说明，不能省略。
2. 两条结论合成一句话：把 pLDDT 结论 + PAE 结论合并成整体判断——整体折叠可靠性、无序区位置、结构域布局。
3. 高度无序要单独警告：若 Very Low 占比高或检测不到刚性结构域，请勿对整条蛋白做 Foldseek/对接等下游分析，而应限定到小的有序域残基区间。
4. 可视化技巧：下载好的 mmCIF 文件 B-factor 列即逐残基 pLDDT，可直接用 PyMOL 按 B-factor 着色画置信度条带。

🗂️ 技能文件清单

🎯 小结

借助 Science Skills 的 AlphaFold 数据库技能，结构生物学入门工作流被压缩成"一条下载命令 + 两条分析命令"：pLDDT告诉你预测可不可信，PAE告诉你结构域在哪——两者结合，就能快速判断蛋白是否适合下游结构分析，并精确圈定有序区间的残基范围。对于希望提升代理式科研工作流效率的普通用户，这正是开箱即用的结构生物学实战模板。

【免费下载链接】science-skillsGDM Science Skills to speed up agentic scientific workflows with better grounding and higher token efficiency. Integrate insights from AlphaGenome, AFDB, UniProt and 30+ other databases and tools.项目地址: https://gitcode.com/gh_mirrors/sc/science-skills