技能介绍

要解决什么问题

做结构生物学、药物发现或蛋白质工程时，实验解析的 PDB 结构往往覆盖不全；AlphaFold DB 由 DeepMind 与 EMBL-EBI 维护，收录超过 2 亿条 AI 预测的 3D 蛋白结构，但 REST 端点、文件命名（如 AF-{UniProt}-F1）、以及 pLDDT / PAE 等置信度字段需要与 UniProt 登录号对齐，批量场景还要区分单文件下载与 Google Cloud 数据集。

技能如何工作

本技能围绕「查 → 下 → 评 → 批」组织工作流：

检索：用 Biopython 的 Bio.PDB.alphafold_db 或直连 REST API，按 UniProt ID 或蛋白名称定位预测；必要时先查 UniProt 再映射到 AlphaFold ID。
下载：按预测拉取 modelv4.cif（坐标）、confidencev4.json（残基 pLDDT）、predictedalignederror_v4.json（PAE 矩阵），也可选用 PDB 等格式。
解读置信度：pLDDT 写在结构文件的 B 因子列；PAE 用于判断结构域相对位置是否可信（例如 PAE < 5 Å 通常表示相对位置较稳）。
规模化：大规模蛋白组分析可走 Google Cloud Storage / BigQuery 元数据，或按物种批量拉取；也可用 3D-Beacons 联邦 API 作备选入口。
下游分析：用 BioPython 解析结构、批量处理多蛋白，并与实验结构对比。

适用边界与注意点

预测是计算模型，不是实验结构；高 pLDDT 不保证功能正确，低置信区可能是体内无序区。库中一般为单链，不含配体、翻译后修饰、辅因子，也不覆盖多链复合物预测。数据在 CC-BY-4.0 下使用，下游分析前务必看置信度；当前文件多为 v4 后缀，需留意版本更新。技能内附 references/api_reference.md 可查完整 REST 规范、GCS/BigQuery 模式与批量策略。