企业官网建设流程全解析

AlphaFold蛋白质结构预测新手指南：5分钟跑通第一次预测

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

只给一串氨基酸序列，AlphaFold就能预测蛋白质的三维结构，并给每个残基附上置信度分数。这个仓库提供了完整的开源推理代码，你可以部署在本地。按下面的步骤走，5分钟内能跑完一次预测，并读懂输出的PDB结构文件和pLDDT分数。

它解决什么问题

测定蛋白质结构长期依赖X射线晶体学或冷冻电镜。设备贵，样品准备周期长，一套结构做出来往往要几个月。另一条路是手工建模，结果质量依赖操作者经验，而且做不出可靠性分数。

AlphaFold吃进序列，吐出结构加逐残基置信度。适合这几类场景：实验前先看看新蛋白的构象大致长什么样；想确认某段区域是有序还是无序；想判断两个结构域的相对朝向能不能信。

核心功能一览

上手体验

硬件前提：Linux系统、NVIDIA GPU、足够磁盘。完整数据库下载556GB，解压后约2.62TB，建议用SSD。

第一步：装环境、拉数据

先装好Docker和NVIDIA Container Toolkit（GPU支持），再拉代码：

git clone https://gitcode.com/GitHub_Trending/al/alphafold cd alphafold

此时你会看到：当前路径下出现alphafold目录，里面有run_alphafold.py和docker、scripts、alphafold三个子目录。

接着下载数据库和模型权重。注意下载目录不要放在代码仓库内部，否则Docker构建会变慢：

scripts/download_all_data.sh /data/alphafold_dbs

此时你会看到：下载任务在后台运行，跑完后/data/alphafold_dbs下出现bfd、mgnify、params等目录。

第二步：构建镜像并确认GPU

构建镜像：docker build -f docker/Dockerfile -t alphafold .。安装运行器依赖：pip3 install -r docker/requirements.txt。然后验证GPU能否被容器看见：

docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

此时你会看到：终端打印出你的GPU型号列表。如果没打印，回到NVIDIA Container Toolkit的安装步骤检查。

第三步：跑第一次预测

把序列写进monomer.fasta：一行以>开头的标题，下面一行是氨基酸单字母序列。然后执行：

python3 docker/run_docker.py \ --fasta_paths=monomer.fasta --model_preset=monomer --db_preset=reduced_dbs \ --data_dir=/data/alphafold_dbs --output_dir=/tmp/alphafold

此时你会看到：终端依次输出MSA搜索、模板搜索和5轮预测的日志。结束后输出目录里生成monomer/子目录，包含ranked_0.pdb到ranked_4.pdb和relaxed_model_*.pdb等文件。ranked_0.pdb就是置信度最高的结构。

关键概念怎么看

下面三个数字最容易被误读。每个都按"定义、类比、带数值的例子"拆开讲。

H/M/L/D的档位阈值在_confidence_category里：H为90及以上，M为70到89，L为50到69，D低于50。pLDDT低不代表预测失败，它可能对应天然无序区。

常见问题与解决

Q：磁盘只有几百GB，装不下556GB的完整数据库，还能跑吗？

能。下载精简库：scripts/download_all_data.sh /data/alphafold_dbs reduced_dbs，运行时加--db_preset=reduced_dbs。reduced_dbs预设要求8个CPU核、8GB内存、600GB磁盘，代价是MSA覆盖度下降、精度略降。README的Genetic databases一节有完整说明。

Q：docker里nvidia-smi找不到GPU？

原因基本是NVIDIA Container Toolkit没装好或没生效。用docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi复测，仍不行就重装toolkit并重启docker服务。对应README安装章节的第4步。

Q：跑得特别慢，多久算正常？

预测本身快，大头在MSA搜索。A100官方参考值（不含MSA）：100残基约5秒，500残基约29秒，1000残基约96秒。蛋白越长越慢，大蛋白还会先走数据库搜索，这部分在CPU上。完整数字见README的prediction speed表。

Q：输出目录一堆.pdb，到底该用哪个？

用ranked_0.pdb。它是松弛后pLDDT最高的候选，默认只松弛最好的模型（--models_to_relax=best）。松弛指标看relax_metrics.json里的rmsd和剩余violations，排名明细在ranking_debug.json。各文件定义见README的AlphaFold output一节。

进阶与最佳实践

执行清单：

• 做学术评估时设置--max_template_date为研究开始日期，避免模型看到目标蛋白的已知实验结构
• 同一序列反复调参时加--use_precomputed_msas=true，复用已算好的MSA，省掉数据库搜索
• 需要PAE和pTM输出时改用--model_preset=monomer_ptm
• 每次跑完先看ranking_debug.json里5个模型的pLDDT分布，再看relax_metrics.json确认松弛收敛
• 预测复合物时FASTA写多条序列、--model_preset=multimer，用--num_multimer_predictions_per_model=1把每模型5个种子降为1个以省时间

下一步建议：拿一段100残基的短序列跑一遍，跑的同时打开alphafold/common/confidence.py，对照compute_plddt函数看logits是怎么变成pLDDT的。

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