AlphaFold：人工智能驅動的蛋白質結構預測與解讀培訓

AlphaFold簡介及其對生物學研究的影響

• 蛋白質結構預測的演變：從同源建模到深度學習的突破
• AlphaFold在加速結構生物學、藥物發現和功能註釋中的作用
• 設定期望：能力、侷限性和實驗整合點
• 實踐練習：探索AlphaFold蛋白質結構數據庫（AFDB）界面並進行初始序列搜索

AlphaFold的工作原理：架構與核心組件

• 神經網絡架構：Evoformer、結構模塊和基於注意力的序列建模
• 多序列比對（MSA）生成和模板匹配（PDB、UniRef、BFD）
• 置信度指標：pLDDT（每個殘基的置信度）和PAE（預測對齊誤差）解釋
• 實踐練習：使用樣本蛋白質序列映射AlphaFold的工作流程階段，並追蹤MSA/模板輸入

訪問AlphaFold：平臺、筆記本與部署

• 官方部署選項：AlphaFold DB、公共API、Colab筆記本和本地/GPU環境
• 設置可重複的Colab環境：依賴安裝、GPU分配和輸入格式化
• 準備蛋白質序列：FASTA結構、鏈處理和多域考慮
• 實踐實驗室：部署官方AlphaFold Colab筆記本，上傳自定義FASTA並啓動首次預測運行

AlphaFold蛋白質結構數據庫與公共資源

• 導航AFDB：生物覆蓋範圍、結構質量、下載格式（PDB/mmCIF、未鬆弛/pLDDt文件）
• 將AFDB與UniProt、PDB和功能數據庫（GO、KEGG、CATH）進行交叉引用
• 管理大規模數據集：批量預測限制、引用指南和數據許可
• 實踐練習：爲目標路徑提取高置信度的AFDB模型，併爲下游分析準備文件

解讀AlphaFold預測與置信度指標

• 閱讀pLDDT熱圖：識別結構化核心、無序區域和低置信度域
• 解碼PAE矩陣：檢測域邊界、鏈內/鏈間相互作用和潛在錯誤摺疊區域
• 預測的可靠性：序列覆蓋範圍、進化深度和已知結構同源物
• 實踐練習：評估多域蛋白的pLDDT/PAE輸出，標記低置信度區域並規劃突變/驗證目標

AlphaFold開源代碼與定製路徑

• 倉庫結構：核心模塊、數據管道和配置文件
• 修改輸入：自定義MSA、模板覆蓋和置信度閾值調整
• 性能優化：減少運行時間、內存管理和檢查點保存
• 實踐實驗室：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煉的PDB文件

AlphaFold在生物學研究與實驗整合中的應用

• 使用預測模型指導突變、結晶和冷凍電鏡網格規劃
• 功能註釋：活性位點映射、配體對接準備和界面預測
• 侷限性與驗證：何時信任預測、何時進行實驗驗證以及常見陷阱
• 研討會：爲預測結構設計實驗驗證工作流程，並將AI輸出映射到溼實驗室實驗

總結、頂點應用與下一步

• 鞏固關鍵概念：架構、解讀和實際部署
• 頂點項目：學員選擇一個感興趣的蛋白質，運行/提取預測，解讀置信度指標，並制定研究應用計劃
• 開放式問答，常見錯誤排查和資源分發
• 下一步：高級AlphaFold3集成、RoseTTAFold、trRosetta和持續發展的社區工具