AlphaFold Database

Overview

AlphaFold DB は DeepMind と EMBL-EBI により保守される、200 百万以上のタンパク質に関する AI 予測 3D 構造の公開リポジトリです。信頼度メトリクス付きの構造予測にアクセスでき、座標ファイルをダウンロードでき、大規模データセットを取得でき、計算ワークフローに予測を統合できます。

このスキルを使用する場合

このスキルは以下のようなシナリオで AI 予測タンパク質構造を扱う場合に使用すべきです:

• UniProt ID またはタンパク質名によるタンパク質構造予測の取得
• 構造解析用の PDB/mmCIF 座標ファイルのダウンロード
• 信頼度メトリクス (pLDDT、PAE) の解析による信頼性の評価
• Google Cloud Platform 経由での大規模プロテオーム データセットへのアクセス
• 予測構造と実験データの比較
• 構造ベースの創薬またはタンパク質工学の実施
• 実験構造が存在しないタンパク質の構造モデル構築
• AlphaFold 予測を計算パイプラインに統合

主な機能

1. 予測の検索と取得

Biopython の使用 (推奨):

Biopython ライブラリは AlphaFold 構造を取得するための最もシンプルなインターフェースを提供します:

from Bio.PDB import alphafold_db

# UniProt アクセッション番号のすべての予測を取得
predictions = list(alphafold_db.get_predictions("P00520"))

# 構造ファイルをダウンロード (mmCIF 形式)
for prediction in predictions:
    cif_file = alphafold_db.download_cif_for(prediction, directory="./structures")
    print(f"Downloaded: {cif_file}")

# Structure オブジェクトを直接取得
from Bio.PDB import MMCIFParser
structures = list(alphafold_db.get_structural_models_for("P00520"))

API への直接アクセス:

REST エンドポイントを使用して予測をクエリできます:

import requests

# UniProt アクセッション番号の予測メタデータを取得
uniprot_id = "P00520"
api_url = f"https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id}"
response = requests.get(api_url)
prediction_data = response.json()

# AlphaFold ID を抽出
alphafold_id = prediction_data[0]['entryId']
print(f"AlphaFold ID: {alphafold_id}")

UniProt を使用したアクセッション番号の検索:

タンパク質アクセッション番号を最初に見つけるために UniProt を検索します:

import urllib.parse, urllib.request

def get_uniprot_ids(query, query_type='PDB_ID'):
    """UniProt をクエリしてアクセッション ID を取得"""
    url = 'https://www.uniprot.org/uploadlists/'
    params = {
        'from': query_type,
        'to': 'ACC',
        'format': 'txt',
        'query': query
    }
    data = urllib.parse.urlencode(params).encode('ascii')
    with urllib.request.urlopen(urllib.request.Request(url, data)) as response:
        return response.read().decode('utf-8').splitlines()

# 例: タンパク質名の UniProt ID を検索
protein_ids = get_uniprot_ids("hemoglobin", query_type="GENE_NAME")

2. 構造ファイルのダウンロード

AlphaFold は各予測に複数のファイル形式を提供します:

利用可能なファイルタイプ:

• Model coordinates (model_v4.cif): mmCIF/PDBx 形式の原子座標
• Confidence scores (confidence_v4.json): 残基ごとの pLDDT スコア (0-100)
• Predicted Aligned Error (predicted_aligned_error_v4.json): 残基ペア信頼度の PAE マトリックス

ダウンロード URL:

import requests

alphafold_id = "AF-P00520-F1"
version = "v4"

# モデル座標 (mmCIF)
model_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-model_{version}.cif"
response = requests.get(model_url)
with open(f"{alphafold_id}.cif", "w") as f:
    f.write(response.text)

# 信頼度スコア (JSON)
confidence_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_{version}.json"
response = requests.get(confidence_url)
confidence_data = response.json()

# Predicted Aligned Error (JSON)
pae_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-predicted_aligned_error_{version}.json"
response = requests.get(pae_url)
pae_data = response.json()

PDB 形式 (代替方法):

# mmCIF の代わりに PDB 形式でダウンロード
pdb_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-model_{version}.pdb"
response = requests.get(pdb_url)
with open(f"{alphafold_id}.pdb", "wb") as f:
    f.write(response.content)

3. 信頼度メトリクスの処理

AlphaFold 予測には解釈に不可欠な信頼度推定値が含まれています:

pLDDT (残基ごとの信頼度):

import json
import requests

# 信頼度スコアを読み込む
alphafold_id = "AF-P00520-F1"
confidence_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_v4.json"
confidence = requests.get(confidence_url).json()

# pLDDT スコアを抽出
plddt_scores = confidence['confidenceScore']

# 信頼度レベルの解釈
# pLDDT > 90: 非常に高い信頼度
# pLDDT 70-90: 高い信頼度
# pLDDT 50-70: 低い信頼度
# pLDDT < 50: 非常に低い信頼度

high_confidence_residues = [i for i, score in enumerate(plddt_scores) if score > 90]
print(f"High confidence residues: {len(high_confidence_residues)}/{len(plddt_scores)}")

PAE (Predicted Aligned Error):

PAE は相対的なドメイン位置の信頼度を示します:

import numpy as np
import matplotlib.pyplot as plt

# PAE マトリックスを読み込む
pae_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-predicted_aligned_error_v4.json"
pae = requests.get(pae_url).json()

# PAE マトリックスを可視化
pae_matrix = np.array(pae['distance'])
plt.figure(figsize=(10, 8))
plt.imshow(pae_matrix, cmap='viridis_r', vmin=0, vmax=30)
plt.colorbar(label='PAE (Å)')
plt.title(f'Predicted Aligned Error: {alphafold_id}')
plt.xlabel('Residue')
plt.ylabel('Residue')
plt.savefig(f'{alphafold_id}_pae.png', dpi=300, bbox_inches='tight')

# 低い PAE 値 (<5 Å) は信頼度の高い相対位置を示唆
# 高い PAE 値 (>15 Å) は不確実なドメイン配置を示唆

4. Google Cloud 経由での大規模データアクセス

大規模解析の場合、Google Cloud データセットを使用します:

Google Cloud Storage:

# gsutil をインストール
uv pip install gsutil

# 利用可能なデータをリスト表示
gsutil ls gs://public-datasets-deepmind-alphafold-v4/

# 完全なプロテオームをダウンロード (分類学 ID 別)
gsutil -m cp gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-9606-*.tar .

# 特定のファイルをダウンロード
gsutil cp gs://public-datasets-deepmind-alphafold-v4/accession_ids.csv .

BigQuery メタデータアクセス:

from google.cloud import bigquery

# クライアントを初期化
client = bigquery.Client()

# メタデータをクエリ
query = """
SELECT
  entryId,
  uniprotAccession,
  organismScientificName,
  globalMetricValue,
  fractionPlddtVeryHigh
FROM `bigquery-public-data.deepmind_alphafold.metadata`
WHERE organismScientificName = 'Homo sapiens'
  AND fractionPlddtVeryHigh > 0.8
LIMIT 100
"""

results = client.query(query).to_dataframe()
print(f"Found {len(results)} high-confidence human proteins")

種別によるダウンロード:

import subprocess

def download_proteome(taxonomy_id, output_dir="./proteomes"):
    """種のすべての AlphaFold 予測をダウンロード"""
    pattern = f"gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-{taxonomy_id}-*_v4.tar"
    cmd = f"gsutil -m cp {pattern} {output_dir}/"
    subprocess.run(cmd, shell=True, check=True)

# 大腸菌プロテオームをダウンロード (分類学 ID: 83333)
download_proteome(83333)

# ヒトプロテオームをダウンロード (分類学 ID: 9606)
download_proteome(9606)

5. 構造の解析と分析

ダウンロードした AlphaFold 構造を BioPython で処理します:

from Bio.PDB import MMCIFParser, PDBIO
import numpy as np

# mmCIF ファイルをパース
parser = MMCIFParser(QUIET=True)
structure = parser.get_structure("protein", "AF-P00520-F1-model_v4.cif")

# 座標を抽出
coords = []
for model in structure:
    for chain in model:
        for residue in chain:
            if 'CA' in residue:  # アルファ炭素のみ
                coords.append(residue['CA'].get_coord())

coords = np.array(coords)
print(f"Structure has {len(coords)} residues")

# 距離を計算
from scipy.spatial.distance import pdist, squareform
distance_matrix = squareform(pdist(coords))

# 接触を特定 (< 8 Å)
contacts = np.where((distance_matrix > 0) & (distance_matrix < 8))
print(f"Number of contacts: {len(contacts[0]) // 2}")

B-factor (pLDDT 値) を抽出:

AlphaFold は pLDDT スコアを B-factor 列に格納します:

from Bio.PDB import MMCIFParser

parser = MMCIFParser(QUIET=True)
structure = parser.get_structure("protein", "AF-P00520-F1-model_v4.cif")

# B-factor から pLDDT を抽出
plddt_scores = []
for model in structure:
    for chain in model:
        for residue in chain:
            if 'CA' in residue:
                plddt_scores.append(residue['CA'].get_bfactor())

# 高信頼度領域を特定
high_conf_regions = [(i, score) for i, score in enumerate(plddt_scores, 1) if score > 90]
print(f"High confidence residues: {len(high_conf_regions)}")

6. 複数タンパク質のバッチ処理

複数の予測を効率的に処理します:

from Bio.PDB import alphafold_db
import pandas as pd

uniprot_ids = ["P00520", "P12931", "P04637"]  # 複数のタンパク質
results = []

for uniprot_id in uniprot_ids:
    try:
        # 予測を取得
        predictions = list(alphafold_db.get_predictions(uniprot_id))

        if predictions:
            pred = predictions[0]

            # 構造をダウンロード
            cif_file = alphafold_db.download_cif_for(pred, directory="./batch_structures")

            # 信頼度データを取得
            alphafold_id = pred['entryId']
            conf_url = f"https://alphafold.ebi.ac.uk/files/{alphafold_id}-confidence_v4.json"
            conf_data = requests.get(conf_url).json()

            # 統計量を計算
            plddt_scores = conf_data['confidenceScore']
            avg_plddt = np.mean(plddt_scores)
            high_conf_fraction = sum(1 for s in plddt_scores if s > 90) / len(plddt_scores)

            results.append({
                'uniprot_id': uniprot_id,
                'alphafold_id': alphafold_id,
                'avg_plddt': avg_plddt,
                'high_conf_fraction': high_conf_fraction,
                'length': len(plddt_scores)
            })
    except Exception as e:
        print(f"Error processing {uniprot_id}: {e}")

# サマリー DataFrame を作成
df = pd.DataFrame(results)
print(df)

インストールとセットアップ

Python ライブラリ

# 構造アクセス用に Biopython をインストール
uv pip install biopython

# API アクセス用に requests をインストール
uv pip install requests

# 可視化と分析用
uv pip install numpy matplotlib pandas scipy

# Google Cloud アクセス用 (オプション)
uv pip install google-cloud-bigquery gsutil

3D-Beacons API の代替

AlphaFold は 3D-Beacons フェデレーション API でもアクセスできます:

import requests

# 3D-Beacons 経由でクエリ
uniprot_id = "P00520"
url = f"https://www.ebi.ac.uk/pdbe/pdbe-kb/3dbeacons/api/uniprot/summary/{uniprot_id}.json"
response = requests.get(url)
data = response.json()

# AlphaFold 構造をフィルタリング
af_structures = [s for s in data['structures'] if s['provider'] == 'AlphaFold DB']

一般的な用途

構造プロテオミクス

• 完全なプロテオーム予測をダウンロードして解析
• タンパク質全体にわたる高信頼度構造領域を特定
• 予測構造と実験データを比較
• タンパク質ファミリーの構造モデルを構築

創薬

• ドッキング研究用の標的タンパク質構造を取得
• 結合部位の配置を解析
• 予測構造内のドラッグ可能なポケットを特定
• ホモログ間で構造を比較

タンパク質工学

• pLDDT を使用して安定/不安定領域を特定
• 高信頼度領域での変異設計
• PAE を使用してドメイン構造を解析
• タンパク質変異体と変異をモデル化

進化研究

• 種を超えたオルソログ構造を比較
• 構造的特徴の保存を解析
• ドメイン進化パターンを研究
• 機能的に重要な領域を特定

重要な概念

UniProt アクセッション: タンパク質の主要識別子 (例: "P00520")。AlphaFold DB のクエリに必要です。

AlphaFold ID: 内部識別子形式: AF-[UniProt accession]-F[fragment number] (例: "AF-P00520-F1")。

pLDDT (predicted Local Distance Difference Test): 残基ごとの信頼度メトリクス (0-100)。値が高いほど予測の信頼度が高いことを示します。

PAE (Predicted Aligned Error): 残基ペア間の相対位置の信頼度を示すマトリックス。低い値 (<5 Å) は信頼度の高い相対位置を示唆します。

データベースバージョン: 現在のバージョンは v4 です。ファイル URL にはバージョンサフィックスが含まれます (例: model_v4.cif)。

フラグメント番号: 大きなタンパク質はフラグメントに分割される場合があります。フラグメント番号は AlphaFold ID に表示されます (例: F1、F2)。

信頼度解釈ガイドライン

pLDDT 閾値:

• >90: 非常に高い信頼度 - 詳細な解析に適している
• 70-90: 高い信頼度 - 一般に信頼性の高いバックボーン構造
• 50-70: 低い信頼度 - 慎重に使用、柔軟な領域
• <50: 非常に低い信頼度 - おそらく無秩序またはそれほど信頼性なし

PAE ガイドライン:

• <5 Å: ドメインの相対位置を確信的に配置
• 5-10 Å: 配置の信頼度が中程度
• >15 Å: 相対位置が不確実、ドメインは可動的である可能性

資料

references/api_reference.md

以下をカバーする包括的な API ドキュメント:

• 完全な REST API エンドポイント仕様
• ファイル形式の詳細とデータスキーマ
• Google Cloud データセットの構造とアクセスパターン
• 高度なクエリ例とバッチ処理戦略
• レート制限、キャッシング、およびベストプラクティス
• 一般的な問題のトラブルシューティング

詳細な API 情報、大規模ダウンロード戦略、または大規模データセット処理時はこのリファレンスを参照してください。

重要な注意事項

データの使用と表記

• AlphaFold DB は CC-BY-4.0 ライセンスで自由に利用可能です
• 引用: Jumper et al. (2021) Nature および Varadi et al. (2022) Nucleic Acids Research
• 予測は計算モデルであり、実験構造ではありません
• ダウンローム解析の前に必ず信頼度メトリクスを評価してください

バージョン管理

• 現在のデータベースバージョン: v4 (2024-2025 現在)
• ファイル URL にはバージョンサフィックスが含まれます (例: _v4.cif)
• 定期的にデータベース更新を確認してください
• 古いバージョンは時間経過とともに廃止される場合があります

データ品質に関する考慮事項

• 高い pLDDT は機能的正確性を保証しません
• 低信頼度領域は生体内で無秩序である可能性があります
• PAE は相対的なドメイン信頼度を示し、絶対位置ではありません
• 予測はリガンド、翻訳後修飾、および補因子を含みません
• マルチチェーン複合体は予測されません (単一チェーンのみ)

パフォーマンスのヒント

• 単一タンパク質へのアクセスには Biopython を使用してください
• 大規模ダウンロードには Google Cloud を使用してください (個別ファイルより高速)
• ダウンロードしたファイルをローカルにキャッシュして重複ダウンロードを避けてください
• BigQuery 無料ティア: 月 1 TB の処理データ
• 大規模ダウンロードのネットワーク帯域幅を考慮してください

その他の資料

• AlphaFold DB ウェブサイト: https://alphafold.ebi.ac.uk/
• API ドキュメント: https://alphafold.ebi.ac.uk/api-docs
• Google Cloud データセット: https://cloud.google.com/blog/products/ai-machine-learning/alphafold-protein-structure-database
• 3D-Beacons API: https://www.ebi.ac.uk/pdbe/pdbe-kb/3dbeacons/
• AlphaFold 論文:
  • Nature (2021): https://doi.org/10.1038/s41586-021-03819-2
  • Nucleic Acids Research (2024): https://doi.org/10.1093/nar/gkad1011
• Biopython ドキュメント: https://biopython.org/docs/dev/api/Bio.PDB.alphafold_db.html
• GitHub リポジトリ: https://github.com/google-deepmind/alphafold