企业官网建设流程全解析

AlphaFold蛋白复合物预测实战：三步跑通第一个多聚体结构

【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold

AlphaFold 是蛋白质结构预测的开源实现，给一段 FASTA 序列加一条 Docker 命令，就能拿到单链或多亚基蛋白的三维结构和逐残基置信度。下面按"第一次跑通 → 复合物预测 → 判断结果"的顺序走一遍完整流程。

上图是 CASP14 预测结构与实验结构的叠合对比，两者高度一致，可以直观感受这套流程的精度。

先把单链蛋白跑起来

安装与数据库下载

运行环境要求 Linux 系统加一块 NVIDIA GPU，官方以 Docker 镜像方式分发。克隆仓库后，用自带脚本下载数据库和模型参数：

git clone https://gitcode.com/GitHub_Trending/al/alphafold cd alphafold scripts/download_all_data.sh <DOWNLOAD_DIR> > download.log 2> download_all.log &

注意两点：<DOWNLOAD_DIR>不要放在仓库目录内，否则 Docker 构建会明显变慢；完整数据库下载约 556 GB、解压后 2.62 TB。机器条件有限时，脚本追加第二个参数reduced_dbs，缩减版只需约 600 GB 磁盘、8 核 CPU 和 8 GB 内存，足够入门使用。

最小预测命令

把序列放进 FASTA 文件（首行>开头是名称，次行是序列），然后执行：

python3 docker/run_docker.py \ --fasta_paths=monomer.fasta \ --max_template_date=2022-01-01 \ --model_preset=monomer \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/home/user/output

--max_template_date会把模板结构限制在该日期之前，避免"偷看"目标蛋白已发表的实验结构。跑完后输出目录里直接就是预测好的结构文件。

复合物输入：多聚体 FASTA 怎么写

多聚体预测和单体只差一步：--model_preset换成multimer，所有亚基序列放进同一个 FASTA 文件。规则很简单——每个亚基一个独立条目，同源多聚体就是把同一条序列重复几遍。同源三聚体示例：

>chain_1 <SEQUENCE A> >chain_2 <SEQUENCE A> >chain_3 <SEQUENCE A>

A2B3 类型的异源五聚体则是 2 条 A 加 3 条 B，同样每个亚基各占一个条目。条目顺序建议与已知复合物的链顺序保持一致，模型不会替你"猜"哪些亚基该配对。另外 multimer 还依赖 UniProt 和 PDB seqres 两个数据库，下载时务必包含，详见 README。

预测参数怎么选：4 个关键开关

命令行参数大多可以保持默认，需要留意的是这四个：

默认只松弛置信度最高的模型（--models_to_relax=best）；超大复合物建议改--enable_gpu_relax=false走 CPU 松弛，速度慢一些但更稳定。

耗时参考（A100，不含 MSA 与模板搜索）：

蛋白越长耗时越陡增。跑小蛋白时可以把 alphafold/model/config.py 里的global_config.subbatch_size调大，GPU 利用率上来后速度明显变快。

结果可信度怎么看：输出目录解读

每个目标会在输出目录下生成独立子目录，文件布局固定：

<target_name>/ ranked_0.pdb # 置信度最高的结构 relaxed_model_*.pdb # Amber 松弛后的结构 result_model_*.pkl # pLDDT / pTM / PAE 原始数据 ranking_debug.json # 各模型排序用的 pLDDT timings.json # 各阶段耗时 msas/ # 各数据库检索结果

判断可信度主要看三个指标，都在result_model_*.pkl里：

• pLDDT（0–100）：逐残基置信度，低于 50 的区域基本属于无序或不可靠；它同时写进 PDB 的 B-factor 列，注意方向和常规 B-factor 相反，数值越大越好。
• pTM：整体质量的标量分数，偏低说明模型对自身域间组装没有把握。
• PAE（预测对齐误差）：残基两两之间的相对位置不确定性矩阵，0 最可信。同一亚基内数值通常较低，跨亚基偏高；若两个亚基之间的 PAE 区域明显偏低，说明预测的界面接触是可信的。

5 个模型各出一份预测，按 pLDDT 排序后ranked_0.pdb就是最可靠的那份。

避坑速查

下一步

• v2.3.0 的 multimer 权重改用 2021-09-30 前的数据训练，训练窗口从 384 残基扩到 640、最多支持 20 条链，对大型复合物精度提升明显，详见技术说明。
• 需要绘制 PAE 矩阵或深入分析结果时，Jupyter Notebook 里有现成脚本；multimer 的前向推理逻辑在 folding_multimer.py 中。

【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold