用途：以编程方式访问 DeepMind 的 AlphaFold 蛋白质结构数据库，获取无实验结构的蛋白质三维坐标，评估预测质量，并下载结构文件用于可视化或对接。
主要能力：通过 UniProt 编号查询预测条目；获取 AlphaFold ID（格式 AF-{UniProt}-F{fragment}）；下载坐标文件（{id}-model_v4.cif）、置信度文件（{id}-confidence_v4.json，含逐残基 pLDDT 数组）和 PAE 矩阵（{id}-predicted_aligned_error_v4.json）；支持蛋白质组规模的数据集获取。
关键概念：pLDDT 为逐残基置信度（0-100，>90 可靠，<50 无序）；PAE 为预测对齐误差（<5Å 表示结构域位置高置信）。
使用方式：可用 Biopython 的 Bio.PDB.alphafold_db 获取预测并下载 CIF；或直接调用 API https://alphafold.ebi.ac.uk/api/prediction/{uniprot_id} 获取元数据。文件基础 URL 为 https://alphafold.ebi.ac.uk/files/。批量访问可通过 Google Cloud Storage：gsutil ls gs://public-datasets-deepmind-alphafold-v4/ 及 gsutil -m cp 下载蛋白质组 tar 包。安装依赖：pip install biopython requests numpy matplotlib pandas scipy，可选 pip install google-cloud-bigquery gsutil。
适用场景：为无实验结构的蛋白质获取三维坐标；通过 pLDDT 和 PAE 评估预测质量；下载结构文件用于可视化或对接；获取蛋白质组规模数据集进行计算分析。
限制：结果为预测而非实验，关键发现需实验验证；使用区域前应检查 pLDDT；仅单链，不含多聚体或复合物；无配体，缺少辅因子、离子和翻译后修饰。详细置信度解读见 references/confidence-scores.md，批量访问见 references/bulk-access.md。