AlphaFold：AI驅動的蛋白質結構預測與解析培訓

AlphaFold 介紹及其對生物研究的影响

• 蛋白質結構預測的發展：從同源建模到深度學習突破
• AlphaFold 在加速結構生物學、藥物發現和功能註釋中的角色
• 設定期望：能力、限制以及實驗整合點
• 實務練習： 探索 AlphaFold 蛋白質結構資料庫 (AFDB) 介面並進行初步序列搜尋

AlphaFold 如何運作？架構與核心組件

• 神經網路架構：Evoformer、結構模組和基於注意力的序列建模
• 多重序列對齊 (MSA) 生成與模板匹配（PDB、UniRef、BFD）
• 信心指標：解釋 pLDDT（殘基級信心）和 PAE（預測對齊誤差）
• 實務練習： 使用範例蛋白質序列映射 AlphaFold 的工作流程階段，並追蹤 MSA/模板輸入

存取 AlphaFold：平台、筆記本與部署

• 官方部署選項：AlphaFold DB、公開 API、Colab 筆記本以及本地/GPU 環境
• 設置可重現的 Colab 環境：依賴項安裝、GPU 配置和輸入格式化
• 準備蛋白質序列：FASTA 結構、鏈處理和多域考量
• 實務實驗室： 部署官方 AlphaFold Colab 筆記本，上傳自定義 FASTA 檔案，並啟動首次預測運行

AlphaFold 蛋白質結構資料庫與公共資源

• 瀏覽 AFDB：生物體覆蓋範圍、結構質量、下載格式（PDB/mmCIF、未弛豫/pLDDt 文件）
• 將 AFDB 與 UniProt、PDB 和功能資料庫（GO、KEGG、CATH）交叉比對
• 管理大規模數據集：批量預測限制、引用指南和數據許可
• 實務練習： 為目標路徑提取高信心的 AFDB 模型，並準備下游分析文件

解析 AlphaFold 預測與信心指標

• 閱讀 pLDDT 熱圖：識別結構核心、無序區域和低信心域
• 解碼 PAE 矩陣：檢測域邊界、域內/域間交互作用以及潛在的錯誤摺疊區域
• 預測可靠的時機：序列覆蓋率、進化深度和已知結構同源物
• 實務練習： 評估多域蛋白質的 pLDDT/PAE 輸出，標記低信心區域，並規劃誘變/驗證目標

AlphaFold 開源代碼與客製化途徑

• 存儲庫結構：核心模組、數據管道和配置文件
• 修改輸入：自定義 MSA、模板覆蓋和信心閾值調整
• 性能優化：減少運行時間、內存管理和檢查點保存
• 實務實驗室： 在 Colab 中運行修改後的 AlphaFold 管道，使用自定義模板約束並導出精細的 PDB 文件

AlphaFold 在生物研究與實驗整合中的應用案例

• 使用預測模型指導誘變、結晶和 cryo-EM 網格規劃
• 功能註釋：活性位點映射、配體對接準備和界面預測
• 限制與驗證：何時信任預測，何時進行實驗驗證，以及常見陷阱
• 工作坊： 設計預測結構的實驗驗證工作流程，並將 AI 輸出映射至實驗室檢測

總結、_capstone_應用與下一步

• 整合關鍵概念：架構、解析和實際部署
• _Capstone_： 參與者選擇感興趣的蛋白質，運行/獲取預測結果，解析信心指標，並概述研究應用計劃
• 開放問答、常見錯誤排除及資源分發
• 下一步：高級 AlphaFold3 整合、RoseTTAFold、trRosetta 和持續更新的社區工具