一串由 A、G、L、V、K 组成的字母，最后会在空间里变成什么形状？
对蛋白质研究来说，这不是看图识物。真正起作用的往往不是这串字符本身，而是氨基酸链折叠之后的三维结构：α 螺旋、β 折叠、结构域，以及它们和其他分子接触的界面。
实验上，这件事依赖 X 射线晶体学、核磁共振或冷冻电镜。AI 没有取消这些方法，但把另一条路走通了：从序列出发，计算模型可以给出许多蛋白质可能形成的结构。Google DeepMind 的 AlphaFold 是其中最有代表性的系统；它和欧洲生物信息研究所 EMBL-EBI 共建的 AlphaFold 蛋白质结构数据库，目前公开了超过 2.6 亿条预测模型。核心版本 v6 与蛋白质序列库 UniProt 2025_03 同步后，也已经超过 2.41 亿条。
结构预测因此成为 AI for Science 里最容易被看见的一项能力。对真正写论文的人来说，屏幕上出现一个彩色三维模型，并不是研究结束。
结构哪些地方可信？预测结果该怎么表述？怎样和实验、文献放在一起？最后又如何准确写进 Methods 和 Results？
科研写作工作台 Textira 把蛋白质结构预测放进科研工作流时，要解决的是后面这些问题。它调用的是专业结构模型，并不自己另做一套 AlphaFold。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/bd2a3f020933096162c257d89947bc89.png)
## 从一条 FASTA 开始

结构预测的输入通常很朴素。最常见的是氨基酸序列，例如绿色荧光蛋白 GFP（UniProt 编号 P42212）的开头：
>sp|P42212|GFP_AEQVI Green fluorescent protein MSKGEELFTGVVPILVELDGDVNGHKFSVSGEGEGDATYGKLTLKFICTTGKLPVPWPTLV…

第一行是标识，下面是 20 种标准氨基酸的单字母代码。对研究者来说，这是一维信息。蛋白质却生活在三维里：残基之间形成氢键、疏水堆积、盐桥和二硫键，整条链折叠成相对稳定、有时也会摆动的空间结构。
所以问题可以写成一句很硬的话：
已知残基顺序，能不能推断它们在三维空间中的相对位置？
早期方法依赖同源模板、能量函数和大量人工规则。深度学习之后，模型开始从海量已知序列和结构里学习这些关系。AlphaFold 2 把多序列比对里的进化信息、残基之间的约束，以及结构模块给出的坐标放进同一套计算里；AlphaFold 3 进一步把核酸、配体和离子等更复杂的体系纳入预测范围。无论哪一代，最后落到研究者手里的，仍然是坐标文件，外加一组必须一起看的置信度。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/a84983fccdf883e01ecf9b92f25da260.png)
## Textira 在这条链上做什么

传统做法里，结构预测是一段被切开的工序。
准备 FASTA，到预测服务器提交任务；下载结构文件，用 PyMOL 或 Chimera 打开；检查置信度、截图；再换到文献管理和论文编辑器里解释结果。数字、图、模型版本和正文，常常不在同一个地方。
Textira 的基本单位是一项 Research，不是一次聊天。结构预测如果要进入这项研究，合理的位置是：实验与分析负责把序列、模型和结果留下；文献检索负责对照已有结构与功能报道；论文写作负责让 Methods 和 Results 写回这次运行，而不是事后凭印象补一段“我们使用了 AI”。
需要说清楚的是职责边界。
结构预测本身由 AlphaFold、AlphaFold Server、ColabFold 这类专业模型完成。Textira 承担的是工作流：检查输入是不是合法氨基酸序列、这次任务是单体还是更复杂的分子关系、调用哪一个模型、把结构文件和置信度留在同一项研究里，并在后续写作中不被说成实验测定。
如果产品停在“生成一个 PDB 文件”，它和单独跑一次结构预测没有本质区别。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/61b77155bcdfcb6b70213f148daf62fb.png)
## 好看不等于能用：先看 pLDDT

AI 可以画出一个看起来完整的蛋白质。视觉完整不等于科学正确。
在 AlphaFold 体系里，pLDDT（predicted Local Distance Difference Test）是每个残基的局部置信度，范围 0 到 100。AlphaFold 数据库的经验规则是：
pLDDT 大于 90：很高。骨架和侧链往往都比较可靠，适合讨论结合位点一类需要局部精度的问题。
pLDDT 70 到 90：较有把握。骨架大体可信，部分侧链可能不准。
pLDDT 50 到 70：低。要谨慎，不能当作精细结构。
pLDDT 小于 50：很低。三维坐标常呈飘带状，不应解释成有序结构；这类分数也常与内在无序有关。
同一条蛋白质不能用“预测成功 / 失败”概括。更准确的说法是：模型在哪些残基上比较确定，在哪些残基上不确定。
下面两张图都来自 AlphaFold 数据库的公开模型，不是示意曲线。GFP 几乎全程很高：238 个残基里约 93% 的 pLDDT 大于 90，均值 96.6。人源 p53 就完全不是这样。它的 DNA 结合结构域和四聚化结构域可以很高，N 端、连接区和 C 端则大段低于 50。393 个残基里，有 117 个落在“很低”这一档。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/6e3afaf6afa24073f36c68f4dca5faf9.png)
低 pLDDT 有两类常见原因。一种是这段序列在生理条件下本来就柔、本来就无序，不存在单一确定结构；另一种是结构也许存在，但模型没有足够信息。两种情况看起来都像“模型没把握”，科学含义却不同。EMBL-EBI 的 AlphaFold 教程还提醒过一个容易误判的例子：蛋白质 4E-BP2（UniProt 编号 Q13542）会被预测成置信度不低的螺旋，而这个螺旋更接近它结合伴侣之后的状态，并不代表游离蛋白在细胞里一直这样折着。
把 p53 的碳α轨迹按同样规则上色，核心是一团深蓝，两端是橙色飘带。飘带被画出来了，不等于细胞里的 p53 真的长成这条固定曲线。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/a45ffb0a2d280ef660c09e96012fa715.png)
## 结构域各自可信，并不等于整体摆对：再看 PAE

pLDDT 看的是局部。要问两个结构域之间的相对位置可不可信，需要另一张图：PAE（Predicted Aligned Error，预测对齐误差）。
PAE 是残基对之间的矩阵。格子越绿，表示如果把结构在其中一个残基上对齐，另一个残基的预期位置误差越小；越红，表示相对位置越不确定。数据库把这类误差截断在约 31.75 埃。
人源钙调蛋白-1（UniProt 编号 P0DP23）是教科书式的双叶蛋白。两个叶内部的 pLDDT 都可以到 90 附近，但两叶之间怎么转、中间那截螺旋在没有钙离子时会不会松开，并不是 pLDDT 能回答的问题。它的 PAE 图把这件事画得很直白：对角线上两块绿色，是结构域内部；反对角线上大片偏红，是两叶之间的相对姿态。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/9a55139b1869538a30ee69281b4833b1.png)
因此，一次可以进入研究记录的结构预测，至少应同时留下：输入序列和标识；模型或数据库条目、版本；结构文件；逐残基 pLDDT；PAE（以及复合物场景下的界面置信度）；后续分析究竟用了结构的哪一部分。
少显示几个指标，后面的论文表述就会开始漂。
## 最容易写错的，是把预测写成事实

语言模型很会解释结构。给它一个 PDB，它可以很快写出：某段可能是稳定螺旋，某个结构域可能负责结合，某个残基可能位于功能位点。问题不在词汇是否专业，而在“可能”和“已经证明”之间的距离。
![image.png](https://developer.qcloudimg.com/http-save/yehe-7576217/7652a5350c3ac2109e80b12d48955b99.png)
AlphaFold 数据库自己写过一句必须听进去的话：这些分数表示的是模型对氨基酸链三维排布的信心，不是对预测模型生物学正确性的信心。
2023 年《Nature Methods》的一项工作把预测结构直接对照实验密度图，标题就是结论：AlphaFold 预测是有价值的假说，能加速研究，但不能替代实验结构测定。即使 pLDDT 大于 90 的残基，仍有一部分和实验模型差出 2 埃以上。高置信度的意思是模型相信自己的坐标，不是模型已经替你完成了机制证明。
所以论文里至少要守住三条。
第一，结构来自计算预测，就写 predicted，不要写成 experimentally determined。
第二，高 pLDDT 不能省略实验验证，也不能自动推出结合、催化或致病机制。
第三，若某项功能只是根据结构推断，句子里要留下相应的不确定性。
对比两种写法。
不合适：
我们使用 AI 预测了该蛋白质结构，结果表明 N 端形成稳定螺旋并负责结合 DNA。
更接近研究实际：
人源 p53 的结构取自 AlphaFold 蛋白质结构数据库（条目 AF-P04637-F1，模型 v6）。DNA 结合结构域的局部 pLDDT 普遍高于 90；N 端和 C 端大段低于 50，不作为有序结构解释。该预测用于对照已有晶体结构和后续实验设计，不替代实验测定。
营销文案写错一个形容词，影响有限。论文把预测写成实验事实，改的是结论的性质。
## 结构出现之后，研究才开始

三维模型是新的研究材料，不是终点。
接下来通常要问的，是证据链，而不是再让模型扩写一段功能故事：已有结构或文献是否报道过类似区域？同源蛋白里对应残基是否保守？自己的结合、突变或活性数据是否支持？有没有相反证据？预测的是哪一种构象，实验体系里会不会是另一种？
单独的结构预测服务器回答不了“这个结果对我的课题意味着什么”。这个问题要靠结构、文献、实验和写作之间的连接。这也是 Textira 这类科研工作台和“再生成一段分析”的差别：数字和图来自这次预测与这次实验，语言模型只负责把已经留下的结果写清楚。
## 结构预测怎样进入论文

论文不能只写“我们使用 AI 对蛋白质结构进行了预测”。按实际研究，Methods 至少应能回答：用了哪个模型、哪次数据库条目或哪个版本；输入是哪一条序列；关键参数是什么；如何评估 pLDDT 和 PAE；哪些区域进入了后续分析，哪些被明确排除；论文插图对应哪一个结构文件。
传统工作流里，实验、分析和正文是分开的。结果改了之后，数字、图和表述要靠人去对。语言模型最擅长的事情，恰恰是把不完整的信息补成一段很完整的话。所以更值得做的不是让 AI 自动得出更多蛋白质结论，而是让序列、模型、预测、置信度、分析和最终论文保持可回溯。
输入的是哪一条序列，运行的是哪一次预测，正文里的图来自哪一个文件，Methods 里的模型名是否和真实运行一致——这些听起来不如“生成一篇论文”震撼，但更接近投稿前真正会被问到的问题。
## AI 能预测结构，不能替代实验

蛋白质在细胞里的状态，还受配体、离子、pH、翻译后修饰、相互作用伙伴和多种构象影响。一个静态预测不会自动回答动力学和功能的全部问题；已知有多种构象时，模型通常也只给出其中一种，而且不容易被指定。AlphaFold 2 的公开数据库条目本身不包含配体和核酸；要用更复杂的体系，需要 AlphaFold 3 或相应实验。
把 AI 放在一个更准确的位置，工作流才会比较诚实：
它帮助缩小搜索空间、提出假说、整理已有信息和组织结果。最终要实验验证的，仍然要实验。最终要研究者判断的，仍然要研究者判断。
## 从一条序列开始，但不应该停在一张三维图

蛋白质结构预测之所以容易打动人，是因为它把一串无规律的字母变成了屏幕上的三维物体。站在研究者这边，那只是一个新的起点。
结构哪些区域值得讨论？它和已有晶体或电镜结构是什么关系？能不能解释手头的结合或突变数据？还缺哪类实验？论文里的每一句，能不能回到某一次预测、某一张置信度图、某一条文献或某一组实验？
Textira 把结构预测放进科研工作流，意义不在把“序列到三维结构”包装成一次神奇生成，而在让预测结果继续连着文献、实验、数据和论文，成为可以被检查、被引用、被验证的一部分。
从序列到结构，是模型的能力；从结构到结论，仍然是科研。
## 常见问题

Textira 自己做蛋白质结构预测模型吗？
不。结构预测由 AlphaFold 等专业模型完成。Textira 负责把序列、调用、结果、置信度和后续的文献、实验、论文留在同一项研究里。
有了 AlphaFold，还需要做晶体学或冷冻电镜吗？
需要。预测是计算结果，置信度不是生物学正确性。配体、修饰、多种构象和真实细胞环境，仍然经常要求实验。
pLDDT 很高，能不能直接写进 Results 当结论？
高 pLDDT 只说明局部坐标更值得参考。功能、结合和机制仍然要有实验或独立文献支持，并且正文应标明这是预测结构。
只看三维图够不够？
不够。至少要看 pLDDT；涉及多个结构域或复合物时，还要看 PAE 和相应的界面分数。平均分很高也可能掩盖局部或结构域之间的不确定。

一串由 A、G、L、V、K 组成的字母，最后会在空间里变成什么形状？对蛋白质研究来说，这不是看图识物。真正起作用的往往不是这串字符本身，而是氨基酸链折叠之后的三维结构：α 螺旋、β 折叠、结构域，以及它们和其他分子接触的界面。实验上，这件事依赖 X 射线晶体学、核磁共振或冷冻电镜。AI 没有取消这些方法，但把另一条路走通了：从序列出发，计算模型可以给出许多蛋白质可能形成的结构。Google DeepMind 的 AlphaFold 是其中最有代表性的系统；它和欧洲生物信息研究所 EMBL-EBI 共建的 AlphaFold 蛋白质结构数据库，目前公开了超过 2.6 亿条预测模型。核心版本 v6 与蛋白质序列库 UniProt 2025_03 同步后，也已经超过 2.41 亿条。结构预测因此成为 AI for Science 里最容易被看见的一项能力。对真正写论文的人来说，屏幕上出现一个彩色三维模型，并不是研究结束。结构哪些地方可信？预测结果该怎么表述？怎样和实验、文献放在一起？最后又如何准确写进 Methods 和 Results？科研写作工作台 Textira 把蛋白质结构预测放进科研工作流时，要解决的是后面这些问题。它调用的是专业结构模型，并不自己另做一套 AlphaFold。

从序列到三维结构，Textira AI 如何预测蛋白质

从氨基酸序列到三维结构，AI 已经能预测蛋白质可能的形态，但真正的科研工作，才从结构出现之后开始。

人工智能

AI蛋白质结构预测已成科研标配，但高置信度不等于实验事实。本文解析AlphaFold输出关键指标pLDDT与PAE，厘清预测与实证边界，指导如何将结构数据正确写入Methods与Results。

深度学习

数据库

服务器

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

从序列到三维结构，Textira AI 如何预测蛋白质-腾讯云开发者社区-腾讯云

从序列到三维结构，Textira AI 如何预测蛋白质

从序列到三维结构，Textira AI 如何预测蛋白质

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐