企业官网建设流程全解析

OpenFold3（openfold-3）是一个完全开源、基于 AlphaFold3 的生物分子结构预测模型，由 Columbia 大学 AlQuraishi Lab 与 OpenFold 联盟开发。从>=0.5.0版本开始，其默认检查点换成了OpenBind-0（参数文件of3-ob-2025-06-30-174k.pt）。本文将用一份新手友好的指南，讲清楚 OpenFold3 的模型参数体系：有哪些检查点、OpenBind-0 为什么被推荐、以及如何在推理时正确下载与加载它，帮助你少走弯路、快速上手结构预测。

📊 OpenFold3 参数集总览：一张表看懂如何选择

OpenFold3 官方提供多套检查点，分别对应不同的训练数据截止时间和软件版本。选择检查点时最关键的三个维度：PDB 训练截止时间、训练步数、兼容的 OpenFold3 版本区间。

💡选择建议：日常使用直接选OpenBind-0；只有当你的流程明确依赖 OpenFold3-preview2 的旧权重时，才需要安装旧版本 OpenFold3（pip install openfold3<0.5）再运行setup_openfold重新下载。

完整的注册表逻辑在 openfold3/entry_points/parameters.py 中定义，每个条目都带有version_compatibility字段（如 OpenBind-0 要求>=0.5.0），这是后面版本校验的基础。

🏆 为什么 OpenBind-0 是默认检查点

OpenBind-0 采用最新的 OpenFold3 架构训练，数据截止时间为2025 年 6 月，训练步数达到 174k，是官方推荐的默认参数。官方在 README.md 中明确建议：

推荐日常使用 OpenBind-0 模型，优于 OpenFold3-preview2。

下图是 OpenFold3 的预测示例：左侧为蛋白-小分子复合物（蛋白口袋中结合配体），右侧分别为 RNA-蛋白复合物与蛋白复合物的预测结构对比。

在基准测试上，OpenFold3-preview2 与后续版本在 Runs n Poses 蛋白-配体基准上与 AlphaFold3 表现接近：

抗体-抗原（ABAG）任务上，随着随机种子数量增加，OpenFold3 的 DockQ 持续爬升，体现出开源模型在复合物预测上的竞争力：

⬇️ 一键下载 OpenBind-0 参数：setup_openfold 的三种用法

1️⃣ 标准两步走（推荐新手）

pip install openfold3 setup_openfold

setup_openfold交互式脚本会引导你完成：指定缓存目录（默认~/.openfold3）、选择下载默认检查点 / 全部参数 / 按名称指定、以及可选的强制重新下载。脚本源码见 openfold3/setup_openfold.py，其中OpenFoldSetupConfig的selected_parameters字段支持"default"、"all"或具体检查点名。

2️⃣ 非交互模式（适合服务器/CI）

setup_openfold --non-interactive

3️⃣ 自定义缓存目录

设置环境变量OPENFOLD_CACHE即可把参数放到自定义路径：

export OPENFOLD_CACHE=/custom/dir/.openfold3/

setup_openfold会把参数目录写入$OPENFOLD_CACHE/ckpt_root文件，OpenFold3 运行时读取该文件定位参数目录（见 openfold3/entry_points/parameters.py）。也可以跳过下载，用 AWS CLI 手动获取约 2GB 的参数文件：

aws s3 cp s3://openfold3-data/openfold3-parameters/of3-ob-2025-06-30-174k.pt <目标路径> --no-sign-request

🚀 OpenFold3 推理时加载检查点的 3 种方式

加载顺序由 openfold3/entry_points/validator.py 中的validate_ckpt_settings校验，规则如下（完整流程图见 docs/source/parameters_reference.md）：

方式一：直接指定文件路径（优先级最高）

run_openfold predict \ --query-json examples/example_inference_inputs/query_ubiquitin.json \ --inference-ckpt-path /path/to/of3-ob-2025-06-30-174k.pt

路径必须存在，否则直接报错。手动下载参数后通常走这条路。

方式二：按注册表名称指定

run_openfold predict \ --query-json examples/example_inference_inputs/query_ubiquitin.json \ --inference-ckpt-name openbind-2025-06-30-174k

名称必须存在于检查点注册表，且当前安装的 OpenFold3 版本与其version_compatibility匹配。

方式三：什么都不填，使用默认检查点

省略两个参数时，OpenFold3 自动选择DEFAULT_CHECKPOINT_NAME，即openbind-2025-06-30-174k（定义见 openfold3/entry_points/parameters.py），然后在缓存目录中查找对应.pt文件：

run_openfold predict --query_json=examples/example_inference_inputs/query_ubiquitin.json

用 runner.yml 配置检查点路径

如果你使用--runner-yaml做完整自定义，也可以在 YAML 中设置inference_ckpt_path与cache_path（参考 examples/reference_full_config/full_config.yml）：

inference_ckpt_path: $HOME/.openfold3/of3-ob-2025-06-30-174k.pt cache_path: $HOME/.openfold3

⚠️ 注意：命令行参数优先级高于 YAML，两者同时存在时以命令行覆盖。

🛠️ 常见加载错误与排查指南

更多细节可参考官方文档 docs/source/parameters_reference.md 与 docs/source/Installation.md。

✅ 小结：30 秒记住要点

1. 日常使用选 OpenBind-0（of3-ob-2025-06-30-174k.pt，默认检查点，OpenFold3>=0.5.0）
2. 一条命令搞定下载：pip install openfold3 && setup_openfold
3. 加载优先级：--inference-ckpt-path>--inference-ckpt-name> 默认检查点
4. 找不到参数文件时，检查OPENFOLD_CACHE与$OPENFOLD_CACHE/ckpt_root是否指向了正确的目录

掌握这套参数选择与加载流程后，你就可以在 OpenFold3 上稳定跑通蛋白、RNA、小分子复合物等结构预测任务了 🎯