企业官网建设流程全解析

AlphaFold 蛋白质结构预测教程：用序列预测三维结构，附自部署避坑清单

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

你手里有蛋白质的氨基酸序列，但要做结合口袋分析或突变设计，缺的是它的三维结构。AlphaFold 是 DeepMind 蛋白质结构预测模型的开源实现，输入一个 FASTA 序列文件，输出预测的三维结构。这篇文章以自部署为主线，带你走通三件事：选运行路径、跑第一次预测、看懂输出。

选最轻量的入口：Colab 还是自部署

没有本地 GPU：先试 Colab 笔记本

仓库里的 notebooks/AlphaFold.ipynb 是官方提供的简化版笔记本，可以直接在 Colab 打开运行，不需要在本地准备任何环境。想先验证一条序列、看看输出长什么样，走这条路最快。

决定自部署：先对照硬件清单

完整版本只支持 Linux（Docker 环境），并需要 NVIDIA GPU。官方给出的三档配置：

完整数据库下载量 556 GB，解压后 2.62 TB，动手前先确认磁盘；reduced 版本小得多，运行命令里要加--db_preset=reduced_dbs与之配套。官方参考配置是 12 vCPU、85 GB 内存、A100 GPU 的机器，在该 A100 上 1000 残基的蛋白质结构预测约 96 秒（不含 MSA 和模板搜索时间），序列越长耗时按平方级增长，4000 残基约 5660 秒。

一句话结论：尝鲜用 Colab；认真跑就备一台 600 GB 空余磁盘的 Linux 机器，走 reduced_dbs。

跑第一次预测并看懂输出

一条命令预测单条蛋白

把序列写进 FASTA 文件（第一行>名称，下面一行序列），入口是docker/run_docker.py：

python3 docker/run_docker.py --fasta_paths=seq.fasta --model_preset=monomer --db_preset=reduced_dbs

数据库目录和输出目录参数按 README 补全即可。蛋白复合物同理：FASTA 里放多条序列，--model_preset改成multimer，但需要额外下载 UniProt 数据库。

看输出：从 ranked_0.pdb 和 pLDDT 入手

输出目录里每个目标一个子目录，关键文件有五份unrelaxed_model_*.pdb（模型原始输出）、relaxed_model_*.pdb（经 Amber 力场修正局部几何后的版本）、ranked_0.pdb到ranked_4.pdb（按置信度排序，ranked_0.pdb最优）。

重点是pLDDT（预测局部距离差异测试，0 到 100）：模型给每个氨基酸打一个置信度分，越高越可靠。它写在输出 PDB 的 B-factor 字段里，注意方向和常规 B-factor 相反——数值越高越好。用结构之前先看关键区域的 pLDDT，如果整段都偏低，这次预测就不可靠。

上图是官方在 CASP14 评估中的表现，两个目标的 GDT 分别为 90.7 和 93.3：蓝色预测结构与绿色实验结构高度重合，这就是可信预测的样子。

官方明确：输出是理论预测结果，不用于临床用途。判断结构是否可用，pLDDT 是第一标准。

⚠️ 这几个坑先绕开

• 只支持 Linux：其他操作系统无法运行，Windows 用户需要先准备虚拟机或远程服务器
• 数据库目录别放进仓库内：<DOWNLOAD_DIR>放在 AlphaFold 目录里会让 Docker 构建变慢，整个大数据库会被拷进镜像构建上下文
• 权限问题报的是模糊错误：数据库目录缺少读写权限时，MSA 工具会报难以定位的错，先检查权限（README 建议对下载目录chmod 755 -R）
• 个别目标多次运行有差异：官方以 T1064 为例说明波动，做法是跑 5 个模型按置信度取最优，别用单次运行下结论
• multimer 默认 25 次预测：每个模型 5 个种子共 5 个模型，机器不够强就加--num_multimer_predictions_per_model=1降到每模型 1 次

一句话结论：自部署出问题九成是环境而非模型——磁盘、权限、数据库位置，按这个顺序排查。

🎯 下一步 3 件事

1. 在 Colab 里跑通一次单链预测，练熟读ranked_0.pdb里的 pLDDT
2. 自部署：git clone https://gitcode.com/GitHub_Trending/al/alphafold，用scripts/download_all_data.sh <DOWNLOAD_DIR> reduced_dbs下载精简数据库，目录放在仓库外
3. 用--model_preset=multimer预测一个蛋白复合物，对比链间接触与置信度；模型迭代细节可查 docs/technical_note_v2.3.0.md

还有一个值得动手试的问题：同一条序列反复换参数预测时，开启--use_precomputed_msas=true复用 MSA 能省掉最耗时的序列检索，你跑批量预测的话，这一步实际省了多少时间？

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