企业官网建设流程全解析

AlphaFold 蛋白质结构预测实战：从 FASTA 序列到可信三维结构（附 pLDDT 判读）

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

输入一条蛋白质序列，AlphaFold 就能输出它的三维结构和每个残基的置信度。这是 DeepMind 开源的 AlphaFold 2 结构预测推理管线，把过去靠 X 光晶体学才能做的解析，变成一次可复现的 GPU 推理。

绿色为实验结果，蓝色为计算预测

🧬 第一次跑预测：FASTA 序列和环境要准备什么

第一次预测的目标很明确：拿到一条序列的三维结构文件。输入只需一个 FASTA 文件，装着目标蛋白的氨基酸序列；多序列会按复合物处理。

环境上它要求 Linux 和 NVIDIA GPU，官方推荐用 Docker 跑，构建逻辑在 docker/Dockerfile。真正的大头是遗传数据库，scripts/download_all_data.sh 一次拉全库约 556 GB，解压后 2.62 TB，建议放 SSD。如果你的磁盘紧张或只是试水，那么改用reduced_dbs预设，它用缩小的 BFD 库，8 核、8 GB 内存、600 GB 磁盘就能跑，牺牲一点比对深度换速度。

多序列比对和模板搜索数据怎么准备

这一步决定预测上限。alphafold/data/pipeline.py 会先调用 JackHMMER 和 HHblits，把目标序列和 UniRef90、MGnify、BFD 比对，拼出一张多序列比对表，也就是 MSA。

MSA 是进化留下的痕迹：同一位点在多个物种里反复出现的氨基酸，往往是结构上动不得的关键位点。模型再叠加模板，用 HHsearch 从 PDB70 里找同折区参考，alphafold/data/parsers.py 把这些工具的输出解析成张量。如果你的序列太短或太新，比对库几乎捞不到近亲，那么 MSA 会偏薄，结构就容易不稳。

pLDDT 和 PAE 分数怎么读：判断预测可不可信

跑完，输出目录里每个残基都有一个 pLDDT 分数，预测它和参考结构的吻合度。alphafold/common/confidence.py 把 0~100 分四档：D 是 0~50 的无序区，L 是 50~70，M 是 70~90，H 是 90~100。高分残基放心看，低分残基多半是柔性区或无序尾。

单看 pLDDT 不够。它只说这个残基本身像不像，不告诉你两个残基的相对位置对不对。选monomer_ptm或multimer预设时，模型会额外输出 PAE，预测每对残基的对齐误差，域间关系就看它。如果你的蛋白是复合物而 PAE 交叉区偏高，那么亚基间朝向不确定，界面别当定论。

单链还是复合物：模型预设怎么选

模型不是只有一个。alphafold/model/config.py 里用--model_preset切换：monomer是 CASP14 原版；monomer_casp14加 8 次集成，耗时翻 8 倍、GDT 只多约 0.1，复现时才用；monomer_ptm多输出 pTM 和 PAE；multimer处理多链，需要多序列 FASTA 加 UniProt 库。

如果你的目标是复现 CASP14，那么选monomer_casp14；想日常批量跑，monomer或monomer_ptm更划算。跑多链默认每个模型 5 个种子共 25 次预测，嫌慢可用--num_multimer_predictions_per_model降到 1，牺牲一点精度。

🔧 结构松弛步和输出结果：跑完之后注意什么

预测坐标是网络直接吐出来的，未必满足化学键的几何约束。松弛步用 Amber 力场做能量最小化，把局部键长键角调到物理合理。默认只松弛 pLDDT 最高的模型，--models_to_relax可改成 all 或 none。

alphafold/relax/relax.py 和 alphafold/relax/amber_minimize.py 是这块核心。GPU 上更快但偶有波动，求稳可关--enable_gpu_relax。最后输出目录里有 PDB 结构、置信度 JSON 和 PAE 图；想换参数重跑同一序列，开--use_precomputed_msas=true复用 MSA，省下最慢的比对那步。

把序列存成 FASTA、把库下完、run_docker.py指过去，等进度条走完。输出目录里那份带置信度曲线的结构文件，就是你下一个实验的起点。

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