pLDDT erklärt: Wann man einer vorhergesagten Struktur trauen kann

Sie bekommen eine vorhergesagte Struktur mit einer einzigen angehängten Zahl zurück: pLDDT 83. Jemand will wissen, ob sich die Bindestelle andocken lässt. Der globale Mittelwert kann das nicht beantworten, und in einem unserer eigenen Läufe erreichte genau der Rest, um den es allen ging, nur die niedrigen 30er, während der Ketten-Durchschnitt überlebensfähig aussah. pLDDT ist nützlich, aber nur, wenn man ihn pro Rest liest und weiß, was ihn getrieben hat.

Was pLDDT tatsächlich misst

pLDDT ist der predicted local distance difference test-Score des Modells: eine Pro-Rest-Schätzung von 0 bis 100, wie gut die lokale Umgebung dieses Restes mit einer experimentellen Struktur übereinstimmen würde. Zwei Dinge folgen unmittelbar.

Er ist lokal, nicht global. Ein pLDDT von 95 bei Rest 12 sagt, dass die Nachbarschaft von Rest 12 wahrscheinlich richtig ist. Er sagt nichts darüber, ob die Domäne, in der er sitzt, relativ zu einer anderen Domäne korrekt platziert ist. Für die Platzierung zwischen Domänen oder Ketten braucht man stattdessen PAE (predicted aligned error), pTM oder ipTM.

Er ist eine Selbsteinschätzung, keine Validierung. Das Modell sagt vorher, wie gut seine eigene Antwort ist. Diese Schätzung ist auf Zielen, die der Trainingsverteilung ähneln, gut kalibriert und verschlechtert sich außerhalb davon - genau das zeigen die Zahlen unten.

Die oft zitierte Ketten-Gesamtzahl ist nur der Mittelwert über die Reste. Sie ist die Zusammenfassung einer Verteilung, und wie jeder Mittelwert leicht zu täuschen.

Die Bänder

Das sind die konventionellen, von AlphaFold abgeleiteten Bänder, und CovaFolds covafold_quality nutzt intern dieselben Schwellen (der High-Confidence-Anteil zählt Reste bei oder über 70; Low-Confidence-Reste sind die unter 50).

Die letzte Zeile wird am häufigsten missverstanden und bekommt daher einen eigenen Abschnitt.

Niedriger pLDDT ist nicht immer ein Fehler

Für intrinsisch ungeordnete Regionen ist ein Score unter 50 das Modell, das richtig liegt. Es gibt keine einzelne native Konformation vorherzusagen, und die publizierte AlphaFold-Arbeit hat gezeigt, dass niedriger pLDDT gut genug mit Unordnung korreliert, um selbst als Unordnungs-Prädiktor zu dienen. Eine flexible Schleife, ein terminaler Schwanz, ein Linker zwischen zwei gefalteten Domänen - diese liegen routinemäßig unter 50, während die gefalteten Kerne über 90 liegen.

Bevor man also ein Modell als schlecht bezeichnet: Welche Reste sind niedrig, und haben diese Reste überhaupt Grund, geordnet zu sein? covafold_quality meldet low_confidence_residues, largest_low_conf_region und total_low_conf_residues neben dem globalen Mittelwert, genau damit man das beantworten kann, ohne die PDB von Hand zu öffnen. Ein Modell mit einem 40 Reste langen ungeordneten Schwanz bei pLDDT 35 und einem Kern bei 95 ist ein gutes Modell mit einem globalen Mittelwert, der lügt.

Der Fehlermodus sieht anders aus: niedrige Confidence verstreut *innerhalb* einer Region, die eine gefaltete, konservierte Domäne sein sollte. Das ist das Modell, das sagt, dass es die Faltung nicht kennt.

Durchgerechnetes Beispiel: dasselbe Konstrukt, drei Engines, vier Zahlen

Das sind CovaSyns eigene gemessene Daten zu KRAS G12C (189 aa), alle über covafold_fold, und es ist die klarste Illustration, die wir haben, was pLDDT tatsächlich treibt.

Gleiche Sequenz. Gleiche Gewichte in Zeile 1, 3 und 4. Die einzige Variable ist, ob das Modell ein Multiple-Sequence-Alignment bekam.

Lesen Sie, was das für die Interpretation bedeutet. In der No-MSA-Zeile ist der Mittelwert von 49,4 ehrlich - fast nichts in diesem Modell ist vertrauenswürdig, und die Mutationsstelle selbst liegt bei 32 bis 37. Aber beachten Sie: Das ist *kein* intrinsisch niedrig-konfidentes Ziel - mit koevolutionärem Signal erreicht derselbe Rest 95,5. Hätte man nur den globalen Mittelwert um 50 gesehen, hätte man KRAS vielleicht achselzuckend als schweres Ziel abgetan. Das ist es nicht. Die Pipeline war ausgehungert.

Die zweite Lehre ist, dass die MSA-Tiefe sättigt. Von 3.913 auf 16.917 Sequenzen zu gehen, bewegte den Mittelwert um 0,15 pLDDT-Punkte, weit innerhalb des Lauf-zu-Lauf-Rauschens. Die Tiefe zählt enorm bis zu einem Punkt und bringt danach nichts mehr.

Zum Vergleich: Auf derselben Engine und derselben No-MSA-Konfiguration faltete eine Ubiquitin-Kontrolle auf 93,3 mit 97 % High-Confidence-Resten. Klein, kompakt, stark repräsentiert - die Engine war nie kaputt. Die Signatur war zielabhängig. Deshalb ist "unsere Faltung ist gut, wir haben 93 gemessen" eine Aussage, bei der man immer nach der dahinterliegenden Zielliste fragen sollte.

Unsere aktuellen dokumentierten Monomer-Läufe, nach MSA-Aktivierung:

Das sind Monomer-Faltungen, gemessen auf CovaSyn-Infrastruktur, drei Ziele, alle gut repräsentierte Proteine. Sie sind kein Benchmark und sollten nicht als erwartete Genauigkeit für eine neuartige oder verwaiste Sequenz gelesen werden.

Ein praktisches Entscheidungsverfahren

1. Das Pro-Rest-Profil vor dem Mittelwert ansehen. Liefert Ihr Tool nur einen Mittelwert, nehmen Sie ein anderes Tool. 2. Die Region bewerten, die Sie tatsächlich nutzen. Docking einer Tasche? Den pLDDT der Taschenreste lesen. Modellierung einer Punktmutation? Diesen Rest lesen. Ein globaler 83 mit einer 35 an Ihrer Stelle ist ein Nein. 3. Fragen, ob die niedrigen Regionen geordnet sein sollten. Termini und Linker unter 50 sind erwartet. Ein niedrig-konfidentes Beta-Faltblatt in einer konservierten Domäne nicht. 4. Die mit dem Lauf gemeldete MSA-Tiefe prüfen. Fehlt sie oder ist sie winzig, betrachtet man eine Einzelsequenz-Vorhersage, und die Confidence-Schätzung liegt außerhalb ihres kalibrierten Bereichs. 5. Bei Komplexen pLDDT nicht mehr verwenden. ipTM für Interface-Confidence und PAE für relative Platzierung nutzen. Zum Vergleich: Unser KRAS-G12C-Komplexlauf über covafold_cofold meldete ipTM 0,99, und der Ubiquitin-Komplex 0,63 - dieselbe Pipeline, völlig unterschiedliche Interface-Confidence. Der Monomer-pLDDT hätte das nicht gezeigt.

Was pLDDT nicht sagt

• Ob die Konformation die biologisch relevante ist. Apo vs. Holo, aktive vs. inaktive Kinase-Konformation, welcher von mehreren zugänglichen Zuständen - alles für pLDDT unsichtbar. Ein 95er-Modell kann sicher der falsche Zustand sein.
• Ob Domänen korrekt angeordnet sind. Das ist die Aufgabe von PAE.
• Irgendetwas über das Interface in einem Komplex. Das ist die Aufgabe von ipTM.
• Ob ein Ligand bindet. Strukturkonfidenz ist keine Affinität. Nachgelagerte Docking-Scores haben ihre eigene, separate Unsicherheit.
• Ob die Vorhersage richtig ist. Es ist eine kalibrierte Schätzung, und Kalibrierung ist eine Eigenschaft der Trainingsverteilung. Designte, synthetische oder verwaiste Sequenzen ohne Homologe liegen außerhalb davon.
• Irgendetwas, das man in ein Dossier schreiben kann. Vorhergesagte Strukturen sind Triage- und Design-Input. Experimentelle Bestimmung bleibt die Evidenz.

Häufige Fragen

Weiterführende Beiträge

Falten Sie eine Sequenz mit covafold_fold in der Free-Tier und lesen Sie das Pro-Rest-Profil aus covafold_quality statt der Schlagzeilen-Zahl. - AlphaFold3-Alternativen 2026: ein ehrlicher Vergleich - Druggability-Vorhersage von Bindestellen, ehrlich gelesen - Co-Folding vs. Docking: Welche Frage stellen Sie eigentlich?