企业官网建设流程全解析

AlphaFold2/multimer这个项目，我最早是在一次结构生物学的组会上听说的，当时同事讲激动了，直接拿一个蛋白复合物的预测结构投到屏幕上，配位关系、界面残基都标得清清楚楚。真正让我头疼的，反而是后来的环境配置。官方GitHub给的是Docker方案，一行命令启动确实优雅，可实验室集群上没root权限、没有公共Docker，我不得不转用Conda一点点搭。前后折腾了快两天，把GPU驱动、CUDA、JAX、OpenMM、数据库下载这些环节全踩了一遍。后来陆续帮几个课题组搭过同样的环境，也排过不少怪问题，于是把这份沉淀写成指南。这篇内容适合所有准备复现AlphaFold2/multimer的人，尤其是想在GPU上跑结构预测、又不想被各种环境报错劝退的研究生和工程师。

我默认你对Linux有一定基础，至少能打开终端、敲命令。如果你连Conda是什么都不太熟，也没关系，我会把每一步的“为什么”一起讲清楚。这样就算版本号变了、依赖更新了，你也能顺着思路自己排雷。

1. 项目整体思路与背景

1.1 Alphafold2/multimer解决什么问题

AlphaFold2是DeepMind在2021年发布的蛋白质结构预测工具，当年在CASP14上以接近实验精度的表现震了整个结构生物学界。输入一条氨基酸序列，它能输出一个高置信度的三维坐标模型。那几年大家开玩笑说“进实验室先跑AlphaFold”，因为很多蛋白的晶体结构一时解不出来，先用它预测一个模型做参考，是很普遍的工作流。

multimer是它的多链扩展，专门处理蛋白复合物预测。两条链怎么结合、同源二聚体还是异源多聚体、界面残基大概在哪，这类问题是传统对接方法的难点，AlphaFold2/multimer在这块的效果也相当能打。很多做蛋白设计、药物靶点分析、抗原抗体研究的人，如今都把multimer当成标准工具在用。

这套系统的核心结构其实是“MSA搜索 + 深度学习推理”的组合。先用jackhmmer等工具在大型序列数据库里找同源序列，构建多序列比对，再把这些信息喂给Transformer架构的模型。GPU加速主要作用于模型推理阶段，而MSA搜索阶段基本只吃CPU。这个定位关系很重要，后面优化时会反复提到。

1.2 为什么环境配置才是头号难点

AlphaFold2本身的环境依赖并不复杂：Python、JAX、TensorFlow、OpenMM、Biopython等。但麻烦在于三件事叠加在一起。

第一，模型训练和推理高度依赖JAX生态。JAX的GPU版本必须和CUDA、cuDNN版本精确匹配，稍有不一致就会出现“nvidia-smi能看到卡，但JAX说没有GPU”的诡异现象。这种问题最容易让新手心态爆炸。

第二，除了Python库，还需要一堆外部二进制工具，比如HHsuite里的hhblits、hhsearch，HMMER里的jackhmmer、hmmbuild，以及kalign多序列比对程序。这些工具如果自己编译，费时费力；如果直接apt安装，发行版版本往往老旧。Conda在管理这类生物信息工具上有天然优势，bioconda频道基本都能覆盖。

第三，数据库体积巨大。完整版数据大概需要2TB以上磁盘空间，其中BFD库、MGnify这些都是“下载五分钟，拷贝两小时”的巨型文件。如果网络环境一般，下载数据库本身比装环境还折磨。

所以，把这套东西装好，本质上是一场“版本对齐”的工程，而Conda正是做版本隔离和复现的利器。

1.3 Conda vs Docker：怎么选

官方推荐Docker方案，好处是镜像里什么都有，只要装好NVIDIA Container Toolkit，run一下就能用。但Docker在集群环境里经常受限，尤其在高性能计算中心，管理员一般不会给普通用户开Docker权限。

Conda方案不需要root权限，所有内容都装在自己目录的虚拟环境里，天然适合无权限场景。它还能通过conda-pack一键打包迁移环境，对多台机器部署非常友好，这点在做计算资源调度时价值很大。

我的建议是：如果只是自己单机玩，Docker确实省心；如果是课题组共用的GPU服务器或高性能计算集群，Conda几乎是唯一选择。这篇文章的核心就是讲透彻Conda路线下的所有细节，包括GPU加速，所以下面默认你已经准备好一台带NVIDIA显卡的Linux服务器。

2. 动手之前的GPU基础环境排查

2.1 驱动、CUDA到底由谁负责

很多人第一次配置GPU环境时，会被“CUDA”这个概念绕晕。我习惯用一个类比：显卡驱动是操作系统和GPU硬件之间的翻译官，装上驱动之后，nvidia-smi才能看到显卡信息。CUDA是NVIDIA提供的并行计算平台，程序通过它调用GPU计算能力；而cuDNN是在CUDA之上专门为深度学习的卷积、注意力等运算做加速的库。

关键在于“系统级CUDA”和“Conda环境级CUDA”并不是一回事。你完全不需要自己安装完整版CUDA Toolkit，nvidia-smi显示的是驱动支持的CUDA版本，不直接决定Python程序能不能用GPU。真正决定JAX能不能跑起来的是jaxlib内置的CUDA运行时，以及它需要的cuDNN版本。Conda环境里的cudatoolkit和cudnn包可以提供这套运行时，这也是后面配置的精髓。

我先说结论：驱动尽量装到足够新，至少支持CUDA 11以上；然后让Conda环境自己带一份匹配的CUDA运行时，和系统全局不冲突。这样做的好处是，你可以同时保留多个环境，一个环境跑AlphaFold2，另一个环境跑PyTorch，各自的CUDA版本互不干扰。

2.2 用Conda隔离CUDA运行时，省掉一堆系统级烦恼

在纯pip安装的世界里，经常会遇到“系统CUDA版本太旧，新库跑不起来”或“升级系统CUDA又怕影响其他项目”的两难境地。Conda方法可以直接绕开这个坑。在创建环境时或者之后，你可以用conda install cudatoolkit=11.3 cudnn=8.2这样的方式，把CUDA运行库放进虚拟环境内部。程序运行时优先加载环境内的库，就不会去碰系统全局版本。

这相当于给每个项目一个独立的“Windows系统目录”，里面放着项目自己需要的运行库。好处是明显的，但也要注意：不是所有库都能被Conda很好地虚拟化。比如TensorFlow的旧版本对cuDNN的加载路径偶尔会写死，因此你在环境里装好cudnn之后，有时候还需要设置LD_LIBRARY_PATH，让它明确去Conda环境目录下找.so动态库。

给一个判断标准：如果你的显卡是这几年的中高端型号，驱动版本通常足够新，直接用Conda环境的CUDA 11.x完全没问题；如果你的显卡特别老，比如还在用GTX 9系列，那可能要留意算力是否满足要求，AlphaFold2对老架构的支持不好。

2.3 三条命令确认GPU在计算栈里可见

在开始搭建环境前，先用下面三条命令确认硬件和驱动状态。

nvidia-smi

这条命令应该能看到显卡型号、驱动版本、显存占用和温度。如果这条命令都报错，说明驱动没装好，后面一切免谈。驱动安装我不展开，但建议用官方Runfile或发行版源来装，不要在安装过程中同时开着图形界面会话，那是另一个大坑。

装好Conda基础环境后，先别急着克隆项目，先创建一个小环境测试JAX是否认卡。这一步能尽早暴露问题。

conda create -n gpu_test python=3.9 -y conda activate gpu_test pip install "jax>=0.4" python -c "import jax; print(jax.devices())"

如果输出里有GpuDevice或以cuda标记的设备，说明驱动和JAX匹配正常；如果只有CpuDevice，问题基本确定在jaxlib安装的版本没带GPU支持。这是最常见的坑，后面我会提怎么精准修复。另外可以用python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"再验证一次TensorFlow，不过AF2的主推理不依赖TensorFlow，这里验证一下是为了排查上下游问题时少走弯路。

3. Conda环境创建与依赖安装全流程

3.1 创建独立虚拟环境，为什么不用base

很多人图省事，直接在conda的base环境里装AlphaFold2。短期看着没问题，但base环境往往还躺着别的项目依赖，时间一长必炸。我见过最典型的场景是base环境里装了一个特定版本的numpy，AlphaFold2依赖要升级它，另一个项目又要求锁死旧版本，升级完那个项目直接罢工。

Conda虚拟环境的本质就是“项目隔离”。每条命令自己玩自己的，互不污染。所以我强烈建议为AF2单独创建一个环境，名字随意，比如af2。

conda create -n af2 python=3.9 -y conda activate af2

这里选Python 3.9而非3.11，是因为官方的依赖测试和很多二进制包在3.9下最稳定。AlphaFold2主体的逻辑对Python小版本不算敏感，但JAX、OpenMM、Biopython这些库在旧版本Python上兼容性更成熟。等官方明确支持Python 3.11以上，再升级也不迟。

如果Conda下载速度慢，我建议先配置国内镜像源。这里以清华源为例：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ conda config --set show_channel_urls yes

顺便说一句，conda频道有优先级，顺序写反了可能导致包从冷门频道安装，引发冲突。把conda-forge放前，bioconda放后，基本够用。

3.2 用Conda精装“外部程序”这一层

进入af2环境后，先用Conda安装那些独立二进制工具。这一层是所有MSA搜索的基础，千万别跳过。

conda install -c conda-forge -c bioconda hmmer hhsuite kalign aria2 -y

hmmer提供jackhmmer和hmmbuild，作用是搜索同源序列；hhsuite提供hhblits和hhsearch，用来做更灵敏的profile搜索和模板检测；kalign做多重序列比对；aria2是高速下载工具，后面拉数据库全靠它。

为什么不用apt直接装？因为bioconda版本通常更新，而且会连带解决依赖，省得自己编译。好比你做饭，与其自己磨面粉，不如买质量有保障的成品面粉。

装完后顺手确认一下：

which jackhmmer which hhblits which kalign which aria2c

如果哪条命令没找到，说明Conda环境PATH没生效。重新激活环境，或者检查Conda是否装了但没有正确初始化。后面常见问题里我会讲conda init那一类报错。

3.3 pip安装JAX/TensorFlow/OpenMM那套Python依赖

外部工具到位后，接下来处理Python层的依赖。AlphaFold2的官方源码仓库里有一个requirements.txt，里面列了全部依赖，包括numpy、scipy、absl-py、biopython、dm-tree、ml-collections、pandas、matplotlib、jax、jaxlib、tensorflow、openmm、pdbfixer、tqdm等。最稳的安装方式是克隆源码后直接用pip安装。

git clone https://github.com/deepmind/alphafold.git cd alphafold pip install -r requirements.txt

但这里有一个非常重要的细节：官方requirements里的jax和jaxlib可能不一定带GPU支持，或者版本过于保守。AF2在设计上依赖JAX这套自动微分框架来跑模型推理，如果没有GPU版jaxlib，就算显卡再强也只能用CPU慢慢算。所以装完requirements后，建议再单独检查一次jax的设备列表，如果发现没有GPU，就手动安装匹配GPU版本的jaxlib。

以我当时配置时的组合为例：

pip install "jax==0.3.25" "jaxlib==0.3.25+cuda11.cudnn82" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html

注意这里的+cuda11.cudnn82后缀，指的是jaxlib针对CUDA 11和cuDNN 8.2的预编译版本。你不需要系统里有这些库，因为可以靠conda环境内的cudatoolkit和cudnn补上。

conda install -c conda-forge cudatoolkit=11.3 cudnn=8.2 -y

这个组合我实测下来非常稳。千万别在没确认需求的情况下随便升级jax版本，AF2源码有时对新版本jax不兼容，比如某些API被移除后直接崩。先跑通，再谈升级。

3.4 安装后的快速自检

环境装完，做一次快速自检，能省掉后面无数排查时间。

python -c "import jax; print(jax.devices())" python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))" python -c "import openmm; print(openmm.version.version)"

再验证一下外部程序：

jackhmmer -h | head -n 5 hhblits -h | head -n 5

如果这些命令都正常且JAX能识别GPU，恭喜，环境本体已经通了。接下来才是真正的“重头戏”：AF2源码组织、数据库准备和multimer多链预测。

4. 源码、数据库与multimer多链预测

4.1 源码获取和模型权重

源码直接克隆官方仓库：

git clone https://github.com/deepmind/alphafold.git

里面有几个关键目录和文件：run_alphafold.py是主入口，pipeline_jax.py是JAX推理管线，data/存放数据库相关逻辑。模型权重需要单独下载。权重参数是一个压缩包，解压后是一堆.npz文件，包括model_1到model_5这些单链模型，以及model_1_multimer_v2/v3这些多聚体模型。

下载地址官方GitHub的README里有，用wget或aria2拉下来即可。解压后把路径记住，运行脚本时通过--model_dir参数指向它。

这里提个醒：权重的年份版本会影响模型参数，比如2022-12-14这版是针对multimer增强后的官方参数。建议直接用官方最新参数包，不要用网上乱七八糟的旧包。

4.2 数据库准备：全量、reduced_dbs与断点续传

数据库是AlphaFold2最容易劝退新手的地方。完整版由好几组数据库组成，总共需要2TB以上的磁盘空间。我整理了一张常见数据库及其用途的表：

如果你只是想验证环境或者跑一个小蛋白，完全没有必要一上来就下载所有库。官方提供了reduced_dbs，体积只有十几GB，专门用来做流程验证和简单预测。我第一次测试就是用的reduced_dbs，从下载到跑通只花了一个下午。

下载时强烈推荐用aria2c，多线程加断点续传，比wget靠谱太多。

aria2c -x 16 -s 16 -d ./alphafold/data/ "https://storage.googleapis.com/alphafold-databases/reduced_dbs/reduced_dbs.tar.gz"

下载后解压，注意目录结构必须符合run_alphafold.py的预期。它主要通过--data_dir指定根目录，然后在里面找对应子目录。如果目录结构不对，运行时会报“找不到数据库文件”之类的错误。

如果你在校园网或科研网，可以优先找校内共享盘或同事之间的镜像拷贝，省时省力。数据库版本一旦固定，建议整个目录当成“只读资产”保存，不要反复删改。

4.3 multimer和单链模型的内核差异

单链预测主要用--model_preset=monomer；multimer预测改成--model_preset=multimer，它会调用独立的multimer模型权重。multimer与单链的本质区别在于，输入从单独一条序列变成了多条链的序列信息，MSA构建时既要考虑每条链自己的同源序列，又要考虑链间共有的同源信息，模型内部还会对链的排列组合做specialized处理。

在操作层面，输入FASTA文件时，多条链的序列放在同一个文件里。每条链可以有不同的名字；如果你想预测同源二聚体，两条序列写相同名字即可；异源二聚体就写不同名字。这个细节很多人第一次接触时会踩坑，因为单链预测根本不需要考虑这个。

一个很重要的注意点：multimer对显存的要求比单链高不少。同样长度的序列，两条链合起来推理，不仅仅是一倍显存那么简单，注意力交互的计算量会明显增加。我的经验是，如果跑两条长度为400残基的链，24GB显存的显卡基本够，但再多几条链或者链更长，就该考虑32GB及以上显存，或者用多卡并行和BF16来腾空间。

5. GPU加速优化：从OOM、BF16到五模型并行

5.1 合理理解pipeline里的“GPU瓶颈”

AlphaFold2的完整流程可以拆成四段：MSA搜索、特征构建、模型推理、结构弛豫。其中MSA搜索主要跑在CPU上，因为jackhmmer和hhblits这类工具根本不支持GPU；特征构建同样在CPU上完成；模型推理是真正吃GPU的环节；最后的弛豫用的是OpenMM，通常也是CPU负载。

这就引出很多人的第一个困惑：我明明有GPU，为什么看监控发现GPU使用率有时候很低？答案是整个流程大部分时间在做MSA搜索和特征构建，GPU只在推理阶段火力全开。所以如果你只跑一个小蛋白，可能感觉不到GPU加速明显；但跑大蛋白或多聚体时，推理时间会显著拉长，GPU的作用才会突显。

因此，GPU优化的目标不是让每个环节都吃满GPU，而是尽量压缩推理阶段的时间，同时避免显存成为瓶颈。另外，如果机器有多个CPU核心，在MSA阶段把线程数调上去，往往会比纠结GPU参数更能提升整体感受。很多“CPU、GPU、内存占用都不高但卡”的现象，其实就是MSA阶段的进程数没给够，或者磁盘IO在拖后腿。

5.2 显存预分配和OOM实战

JAX在GPU上有一个和PyTorch不太一样的行为：默认情况下，XLA会在第一次运行时就为自己预分配几乎全部显存。这本来是好事，因为避免了频繁分配释放带来的碎片，但代价是多进程共卡时容易互相抢显存。尤其在同一个实验室里，别人也在跑别的模型，你的AF2直接把显存占满，对方就OOM了。

解决方法是设置环境变量来限制预分配比例：

export XLA_PYTHON_CLIENT_MEM_FRACTION=0.9

这个值可以根据实际情况调整。如果你确定这张卡只给AF2用，可以设成0.95，把计算资源吃透；如果还要跟别人共享，建议设成0.5甚至更低。注意这个环境变量要在运行run_alphafold.py之前export，而且它影响的是JAX/XLA的分配策略。

另外还有一个容易忽视的参数：JAX_ENABLE_X64。如果你手贱设成了1，JAX会强制用64位浮点与整数，显存占用直接翻倍，很多OOM就是这么来的。默认情况下不要开它。

如果仍然OOM，就先从输入序列下手，把蛋白拆短，或者换成小一点的复合物验证流程。硬件该升级就升级，有些问题不是软件能解决的。

5.3 用BF16等技巧换速度

AlphaFold2源码默认用float32精度推理。理论上用更低精度能明显提速，特别是在Ampere架构及以后的GPU上。你可以用JAX的环境变量XLA_USE_BF16=1来强制XLA把部分计算转到bfloat16。

export XLA_USE_BF16=1

我在A100和RTX 4090上都实测过，开启BF16之后，推理速度通常能提升20%到40%，pLDDT分数几乎没有肉眼可见的差异。但必须承认，对于某些边界情况，低精度可能让结构局部区域的质量略微下降。所以我的建议是：先跑一个已知蛋白做对照，看看预测结构差异是否在可接受范围内，再决定生产环境是否开启。

另一个思路是减少不必要的模板搜索和MSA迭代次数。AF2本身把MSA视为限制步骤，如果可用的同源序列很少，也可以考虑调整迭代参数。但这是生物学层面的权衡，别为了快而牺牲预测质量。

5.4 多卡并行跑五个模型ensemble

AlphaFold2每次预测会跑5个模型（model_1到model_5），最终从结果里挑一个置信度最高的结构输出。官方脚本是串行执行这5个模型的，单卡耗时就是5倍模型推理时间。如果你手头有几张GPU，完全可以把这5个模型并行跑。

一种很实用的做法是手动拆成多个进程，每个进程绑定不同的CUDA_VISIBLE_DEVICES。举个例子：

for model in model_1 model_2 model_3 model_4 model_5; do CUDA_VISIBLE_DEVICES=0 python run_alphafold.py \ --fasta_paths=target.fasta \ --data_dir=./data \ --model_dir=./params \ --model_names=$model \ --output_dir=./output_$model & done wait

这个脚本会让5个模型同时跑在不同卡的显存切片上（如果只有两张卡，可以把0和1重复分配，让每张卡处理2到3个模型）。跑完后，从每个output_$model里找到对应的.pkl文件，读取里面的ranking_confidence分数，分数最高的那个就是最终推荐结构。

官方没有提供一键合并脚本，但自己写一个小工具读取pkl文件很简单，用Python的pickle加glob就能搞定。这样优化下来，五模型总耗时几乎等于单个模型的耗时，加速效果非常可观。

这里顺便提一下，JAX底层会以CTA（线程块）为单位在GPU上调度kernel，你不需要手动控制这些细节，但理解这一点能帮你判断为什么某些GPU型号在AF2上特别快：核心多、显存带宽高、Tensor Core支持好，效果自然好。老卡就算显存够，也可能因为Tensor Core能力弱而慢不少。

6. 常见问题与排查速查

6.1 一张速查表

把我在实践中遇到过的典型问题整理成一张表，方便你遇到时第一时间对照。

6.2 一个典型“内存不高但卡住”的排查实录

一次同事跑AF2，nvidia-smi看GPU利用率只有个位数，内存也不高，但程序就是卡住不出结果。他怀疑是GPU驱动问题。我登上去先看进程状态，发现一个jackhmmer的CPU占用接近100%，另一个hhblits的IO等待时间特别长。原因很快清楚了：他的数据库放在了挂载的NFS共享盘上，跨网络读小文件的速度极慢，MSA搜索阶段大量随机读写小文件，把IO活活拖死。

解决办法是把数据库复制到本地固态硬盘上再跑，同时给jackhmmer更多的CPU线程。换完磁盘后，同样的任务从“跑了一晚上没出结果”变成了“40分钟跑完”。这个案例说明，GPU优化只是整个系统的冰山一角，CPU和磁盘IO往往才是更隐蔽的瓶颈。

再分享一个conda相关的细节。有次运行conda install时提示某个包冲突，我试了半天才意识到是之前把defaults和conda-forge频道混用导致的。后来我干脆为这个项目固定频道的优先级，使用strict的channel priority，冲突少了很多。做法是：

conda config --set channel_priority strict

如果在配置过程中实在解决不了问题，还可以把环境导出重来，用conda env export > environment.yml记录下当前状态，再在干净的机器上重建。这比手动一个一个排查命令要高效。

最后再分享一个我常用的部署技巧：如果你需要在很多台机器上复现同一个环境，用conda-pack把它打包成tar.gz，拷到目标机器解压后激活就行，根本不用重新联网装依赖。这在没有外网的高性能计算节点上尤其好用。

pip install conda-pack conda pack -n af2 -o af2_env.tar.gz

解压到目标机器后执行:

mkdir -p ~/af2_env && tar -xzf af2_env.tar.gz -C ~/af2_env source ~/af2_env/bin/activate

我自己实际跑下来，最深的感触是：AlphaFold2/multimer本身对环境的要求不算夸张，但如果你把conda、驱动、数据库和JAX都一次性看成系统工程去理解，后面几乎所有报错都能靠“版本对齐”四个字解决。第一次上手先用reduced_dbs把一个短蛋白完整跑通，不要一上来就上两个TB的大库。跑通了流程，再加数据、调GPU、上集群，都会顺很多。祝各位一次复现成功。