企业官网建设流程全解析

AlphaFold这名字，做生科或者医药的应该都不陌生。这几年蛋白结构预测几乎就是它带火的，动不动看到“某个未知蛋白结构被解开”的新闻。但对绝大多数零基础的人来说，真正卡住的不是“不知道这东西厉害”，而是“我拿到手到底怎么跑起来、跑完又怎么判断结果靠不靠谱”。这篇就是把那段路替你铺平：从环境选择、序列准备、参数设置到结果解读、常见报错，全部按0基础能上手的标准来写。我自己从完全不会命令行开始，到现在能批量跑几十条序列，中间踩过的坑基本都会写出来，你照着走就行。

1. AlphaFold到底在做什么，为什么实验室都在用它

1.1 从一条氨基酸序列到一份三维坐标，中间发生了什么

先建立正确的心智模型。蛋白质本质是一条氨基酸序列，但这条链在细胞里会自己折叠成特定的三维结构，而结构又直接决定它怎么跟其他分子结合、怎么催化反应、怎么行使功能。过去想拿到结构，主要靠X射线晶体学、冷冻电镜、核磁共振这些实验手段，费时费力费钱，很多蛋白还根本养不出晶体、冻不出颗粒，实验路直接堵死。

AlphaFold干的事，就是输入一条氨基酸序列，输出一个预测的三维坐标文件。它内部用深度学习模型，通过多序列比对（就是MSA，Multiple Sequence Alignment）挖掘进化信息，再利用注意力机制去推断残基之间的空间接触关系。你不需要理解Transformer和注意力机制的数学细节，但必须记住一条核心逻辑：AlphaFold的预测不是凭空“画”一个结构，而是大量参考了自然界里同源蛋白的序列差异和共进化信息。这就是为什么它对于有丰富同源序列的蛋白预测得准，对孤儿序列（数据库里找不到亲戚的序列）就会明显吃力。

还有一点需要澄清，AlphaFold输出的不是实验验证过的“真实结构”，而是一个高置信度的计算模型。你可以把它理解为“根据进化证据推算出来的最合理折叠方式”，它足够用于很多科研和工业场景，但不能替代实验结构作为最终证据。

1.2 和实验结构相比，它快在哪、准在哪、坑在哪

实验结构的获取周期，我见过太多人年轻时候搭晶体搭一年都搭不出来的；冷冻电镜虽然进步快，但样品制备和数据处理也动不动以月为单位。AlphaFold的核心优势就是快，单条中等长度蛋白（300到500个残基），用一块中高端显卡，几分钟到几十分钟就能跑完；即使没显卡，用云端环境也能在可接受时间内拿到结果。

精度方面，这里要说得客观一点。AlphaFold2在公开基准上的预测精度，对于很多单结构域蛋白已经接近实验分辨率，这也是当年引起轰动的原因。但它不是万能的：

• 对长蛋白、多结构域蛋白，域与域之间的相对位置经常预测不准，但每个域内部结构可能是准的。
• 对 intrinsically disordered regions（内在无序区），它本质上预测不出固定结构，却会给你一个低置信度的“随机卷曲”形状，很多人第一次看结果容易被误导。
• 对点突变引起的局部构象变化，AlphaFold2并不敏感。它倾向于预测出野生型的折叠，突变体预测结果看起来几乎一样，这是模型原理导致的，不是设置错误。

把这些搞清楚，你就不至于拿着AlphaFold结果跟审稿人硬刚，知道什么时候该信、什么时候该补做实验或者改用其他工具。

1.3 哪些人适合马上用，哪些人应该再等一下

我接触过的用户基本分三类：

第一类是做药物研发早期的，需要快速评估某个靶点的可成药性，或者筛选一系列突变体，AlphaFold可以在几天内给出初步模型，作为分子对接、虚拟筛选的输入结构。这类人非常适合马上用，能极大压缩早期立项周期。

第二类是做抗体工程、酶工程、蛋白质设计改造的。需要理解抗原-抗体相互作用界面，或者想对某个酶做理性设计，AlphaFold预测的界面残基虽然有误差，但作为突变设计的起点非常香。需要注意不同体系有不同坑，后面会展开。

第三类是想用预测结构发结构生物学论文、做精细的分子机制研究的人。这类人我劝你别把AlphaFold当终点，它可以帮你快速拿到初始模型用于解析实验数据、辅助建模，但最终结论必须以实验数据为准。在投稿时如果只用预测结构，很多期刊是不认的。

2. 零基础怎么选路：数据库、云端、本地部署三条路线

2.1 先查数据库，这是成本最低的一步

很多零基础用户不知道，对大量已知蛋白，你根本不需要自己跑AlphaFold，直接去公共预测结构数据库查就行。这类数据库已经把AlphaFold预测结果批量算好，提供下载入口，你只需要输入蛋白名或者序列，找到对应条目，下载PDB文件就能用。

我建议所有人第一次接触AlphaFold时，先别急着跑，去数据库里翻一下你的目标蛋白有没有现成结果。查到的概率非常高，尤其是模式生物的蛋白组数据已经覆盖得很全。这一步能帮你建立“预测结构长什么样、PDB文件里有什么”的直觉，也能锻炼你判断结果好坏的能力。

下载到的文件通常是PDB格式，里面除了原子坐标，还包含每个残基的预测置信度打分（pLDDT），可以直接在PyMOL或ChimeraX里按颜色显示。就算你完全不懂生物信息学，这一步也能在十分钟内完成，属于真正的零基础体验。

2.2 云端笔记本（ColabFold）：不折腾环境的首选

如果你的目标蛋白在数据库里没有现成结果，或者你是想做点突变、多聚体预测这些数据库覆盖不到的场景，那就要自己跑了。此时我强烈建议零基础用户走的路线是云端笔记本，也就是ColabFold。

很多新手一上来就想在本地装AlphaFold，我非常不建议，原因后面会说。ColabFold的优势很明显：不需要你自己装Linux、配CUDA、下几百GB的数据库，只需要在网页上打开官方笔记本，按顺序执行单元格，填上你的序列，就能跑出结果。它背后已经帮你处理了MSA搜索和模型推理的大部分流程，相当于把AlphaFold封装成了“填表工具”。

你只要记住一条原则：先搜索“ColabFold 官方仓库”，打开说明里列出的笔记本链接，跟着里面标记好的步骤走。这个过程是点击操作，基本不会遇到环境问题。跑完后下载结果压缩包，里面已经有PDB文件、置信度分数和PAE矩阵图。

2.3 本地部署AlphaFold2：硬核路线，什么时候才值得

本地部署AlphaFold2是另一条路线，如果你本身不是在服务器上跑大批量任务，真没必要一开始就弄。AlphaFold2本地版需要下载的数据库总量在2.5TB以上（包括BFD、Uniref90、MGnify等），加上模型参数和代码，你至少得准备3TB左右的磁盘空间。显卡推荐显存24GB以上，虽然16GB也能跑短序列，但长了很容易爆显存。操作系统基本限定Linux，Windows需要借助Docker或WSL2，网络还要能稳定访问海外数据源，下载数据库这一步就能劝退大半新手。

那什么情况才值得本地部署？一是你有大量序列要跑，比如几百上千条，云端逐个跑既慢又贵。二是你要跑多聚体预测或者需要频繁调整参数。三是你在某高校或某公司的服务器上，管理员已经把环境配好了，你只是使用者。这种情况你懂基本命令就能跑。

如果你决定本地部署，两条路选一条：用官方脚本跑Docker容器，或者自己建conda环境。Docker路线最省心，官方脚本会帮你把数据库、模型参数、依赖全部装好，缺点是数据库下载时间很长，取决于网速，我曾经在某个实验室的服务器上跑了差不多两天才下完。conda路线适合喜欢手动控制的人，但也意味着你要自己处理CUDA版本、Python依赖、OpenMM补丁这些头疼事。新手乖乖走Docker。

3. 实战操作：从序列准备到跑出第一个结构

3.1 准备序列文件，四个细节决定成败

先讲序列文件准备，这一步出错率极高，但全是低级错误。

第一，格式必须是FASTA格式。第一行以大于号开头，后面跟一个你自己起的名字，名字里不要有空格，不要有特殊符号；第二行开始是氨基酸序列。示例：

>my_protein MKTIIALSYIFCLVFADYKDDDDKVEAGRLFDGQ

第二，序列里只能有标准氨基酸字母。常见错误是序列里混入了数字、空格、星号、或者小写字母混杂。你从某个数据库复制序列时，可能顺便复制了行号、起始位置、终止密码子之类的，都要清理干净。大小写一般不影响AlphaFold，但我建议统一用大写，避免各家工具处理不一致。

第三，检查有没有非标准残基或者修饰残基。比如磷酸化丝氨酸、乙酰化赖氨酸这种化学修饰，FASTA序列里体现不出来，AlphaFold也预测不了修饰对结构的影响，你只能预测修饰前的序列，然后结合实验信息去推测。磷半胱氨酸、硒代甲硫氨酸这类稀有位点同理。

第四，注意链的编号。如果你要做多聚体，不同链序列之间用冒号分隔，例如在ColabFold界面里输入“A链序列:B链序列”表示复合物，这个约定在不同的前端工具里可能不同，看界面提示。很多人一开始当成单链提交，结果跑出来的只是单体，白白浪费时间。

3.2 云端跑一次完整流程

不管你是用ColabFold的笔记本还是本地版，逻辑都是三步：给序列、设置参数、开始预测。云端版本更简单，我就以它为例。

打开笔记本之后，找到序列输入框，把FASTA格式的序列粘贴进去。接着有几个关键参数：

• jobname：给你的任务起个名，最好和蛋白名相关，方便后面认领结果。
• num_models：要跑几个独立模型。AlphaFold包含多个模型参数，预测同一序列会得到略有差异的结构，最后会选排名最高的。默认5个就够，穷一点跑3个也行。
• num_recycles：模型迭代次数。默认3到5次比较主流。迭代太多会让结果趋于收敛，但时间明显变长。
• model_type：是跑单链还是多聚体，预测复合物要选对应的multimer模型。

这些参数不用一次搞明白，初期直接用默认值就好。执行完所有单元格后，界面底部会出现结果下载链接，一般是一个zip压缩包，里面包含：

• 每个模型对应的PDB文件
• 排名机制生成的JSON文件
• 原始MSA文件
• PAE矩阵图、pLDDT曲线等可视化结果

下载到本地后解压，先看排名第一的PDB文件，这就是你这次预测的“最优结果”。很多新手下完压缩包就以为结束了，其实真正的工作才刚刚开始——你得学会看它到底靠不靠谱。

3.3 本地跑一次：命令与参数全解析

本地部署过之后，日常跑预测的命令其实不长。官方Docker方式下，核心是跑run_docker.py脚本，一个典型命令长这样：

python3 run_docker.py \ --fasta_paths=my_protein.fasta \ --max_template_date=2023-01-01 \ --output_dir=./af2_output \ --model_preset=monomer_ptm \ --db_preset=full_dbs

这里每个参数背后都有讲究：

--max_template_date是模板搜索的截止日期，作用是限定只使用这个日期之前入库的实验结构作为模板。日常预测设成当前日期即可，但如果你刻意想预测一个“新近才发现、不可能有模板”的蛋白构象，就把它设早一点，避免模板信息泄漏到评估里。做时间敏感研究时，这个参数尤其重要。

--model_preset有三个常见取值：monomer只输出单体结构，不带域间置信度信息；monomer_ptm会额外输出PAE矩阵，推荐做单链预测时都用它；multimer用于多聚体复合物预测。新手预测单体蛋白请直接用monomer_ptm，信息更全。

--db_preset有两个值：full_dbs（完整数据库）和reduced_dbs（精简数据库）。本地部署后如果磁盘紧张，装reduced版本也能跑，只是MSA搜索的召回率略低。除非你跑特别难的同源搜索任务，否则reduced在多数场景下够用。

跑起来之后，日志会一屏一屏地滚，内容包括MSA搜索进度、模板搜索进度、模型推理进度。第一次跑不要慌，看到“Total JAX model prediction time”之类的输出，说明模型推理已经开始。如果日志卡在某个步骤很久不动，多数是数据库读取或者网络请求超时。

3.4 跑完拿到哪些文件，各是什么

最终输出目录里通常是这样的结构：

output_dir/ 20240501_123456/ features.pkl ranked_0.pdb ranked_1.pdb ranking_debug.json msas/ uniref90_hits.a3m bfd_hits.a3m result_model_0_pred_0.pkl

你要重点关注的是ranked_0.pdb，这是综合排名最高的模型。result_model_0_pred_0.pkl里面存了详细预测数据，包括pLDDT分数、PAE矩阵，可视化工具常从这里读数据。ranking_debug.json记录了每个模型的排名依据，主要是pLDDT加权得分。features.pkl是特征文件，包含序列、MSA、模板信息，做深度学习二次分析的人才会用到，新手可以先忽略。

4. 怎么读懂结果，只看“像不像”会翻车

4.1 pLDDT：每个残基的可信度打分

PDB文件出来之后，很多人的第一反应是用PyMOL打开，看一眼“像不像一个蛋白”。外形直觉有用，但不能作为可信度判断依据。真正要看的第一个指标是pLDDT，数值范围0到100，代表每个残基的预测置信度。

AlphaFold输出PDB时，会把pLDDT存到B-factor那一列，所以各种分子可视化软件都可以直接按B-factor着色。判断标准已经被大量验证过：

观察pLDDT曲线特别有助于定位问题区域。如果蛋白N端前50个残基全在50以下，那基本可以判断这是一段无序尾巴，而不是“预测错了”。如果你知道你研究的蛋白确实有功能结构域，却在某个关键区域得到低pLDDT，那就要小心了，最好用其他工具交叉验证或者补实验。

4.2 PAE图：判断结构域之间的相对位置

pLDDT只能告诉你每个位置本身的置信度，但回答不了“两个结构域之间的空间摆位对不对”。这时候要看PAE矩阵。PAE的全称是Predicted Aligned Error，矩阵里每个位置代表残基i和残基j之间相对位置误差的预测值，单位是埃。

简单说，PAE图里颜色越蓝表示预测的相对位置越可靠，越红表示误差越大。如果整个矩阵大片蓝色，说明所有残基之间的相对位置都预测得很稳。如果某个结构域内部是蓝色，但跨域区域出现大片红色块，说明每个结构域内部折叠预测没问题，但两个域之间的相对朝向不可信。

这个判断非常实用，因为多结构域蛋白恰恰是AlphaFold最容易出问题的地方。很多人拿AlphaFold预测结果做全长蛋白的分子对接，如果不先看一眼PAE，很可能基于一个“域间朝向完全错掉”的模型得出结论，整个分子机制分析就白做了。

4.3 用PyMOL快速上手看结构

说几个可视化高频操作。PyMOL是结构生物学用得最多的免费软件之一，适合新手。

打开PDB文件后，先关掉原来的线条展示方式，用卡通图显示主链：

# 打开文件 load my_protein.pdb # 显示卡通 hide all show cartoon

然后按pLDDT着色，因为pLDDT存储在B-factor列，直接用spectrum命令：

spectrum b, blue_white_red, minimum=0, maximum=100

这样高置信度区域显示为蓝色，低置信度区域显示为红色，很直观。如果你想让卡通图按B-factor着色，需要先把B-factor赋值给卡通图：

cartoon putty spectrum b, blue_white_red, minimum=0, maximum=100, cartoon=1

选中某个残基看位置也很简单：

select residue 123 zoom sel

多花十分钟熟悉这几个命令，后续看结果效率能翻倍。如果你用的是ChimeraX，原理一样，界面更现代，菜单点击也能完成，不一定要记命令。

4.4 这个模型到底能不能信，我的综合判断顺序

我一般看一个新预测结构时，按这个顺序走：

第一，打开pLDDT曲线图，快速扫描低分区域，把所有低于50的片段标出来，确认是不是无序区或柔性接头。第二步，打开PAE矩阵，确认各结构域之间的关系是否可靠，如果有红色大块，就在后续分析中只做域内分析，不做过度的全长刚体对接。第三步，在PyMOL里按照pLDDT着色，看二级结构是否合理，比如跨膜蛋白有没有形成合理的跨膜螺旋，活性位点残基有没有聚在一起。第四步，有条件的话，和同源实验结构做叠合比对，算一下RMSD。如果RMSD小于2埃，这个模型对外围分析已经很够用；如果大于5埃，就要慎重。

5. 新手最容易踩的坑，我先替你踩了一遍

5.1 数据库下载失败、磁盘空间耗尽

本地部署时最崩溃的环节不是跑模型，而是下载数据库。常见报错是连接超时、下载中断、磁盘空间不足。我建议分两步走：第一步用df -h确认磁盘余量，至少留出3TB空间。第二步下载时用官方脚本的断点续传机制，某些版本脚本支持，如果不支持，就自己用支持断点的下载工具先下载好数据库文件，再手动放到指定目录并解压。

数据库文件下载齐全后，检查目录结构是否和工具预期一致。大多数人第一次跑失败，都是数据库文件放错位置或者解压了一半。启动前先用官方自带的检查脚本跑一遍，比直接跑预测快得多。

5.2 显存爆了怎么救

跑模型最常遇到的报错是CUDA out of memory。如果序列长度在800个残基以上，24GB显存也可能紧张。几个应急手段：

• 把--num_recycles调小，比如从5降到3，显存占用会下降，但精度略有损失。
• 用model_preset=monomer而不是monomer_ptm，省掉一部分额外输出计算。
• 拆分序列跑结构域，而不是跑全长。但注意这会丢失域间位置信息，你得结合PAE分析判断能不能接受。
• 换用ColabFold的云端环境，直接绕开本地显存限制。

如果以上手段都不行，那就不是参数问题，是硬件天花板。要么换大显存显卡，要么认真考虑断舍离——剪掉低复杂度或者无序区再跑。

5.3 结果太“完美”，反而要警惕

有一种情况我见得特别多：预测结果看起来极其漂亮，pLDDT大片蓝色，结构非常紧凑，但实际功能实验反复验证都对不上。这种情况往往发生在低复杂度序列区域，或者序列同源信息极度富集的蛋白上。

AlphaFold擅长从进化信息里找到强约束，但如果你预测的蛋白是一个融合蛋白、人工设计的嵌合体，或者序列来源非常特殊，模型给出的高置信度可能只是一种“过度自信”。判断标准仍要看PAE和与实验结构的比对，而不是只看平均pLDDT高就万事大吉。

5.4 多聚体、抗体、突变体的现实边界

很多人拿到AlphaFold后第一个想跑的是蛋白复合物预测，但多聚体预测的难度高于单体，而且对序列输入格式非常敏感。ColabFold提供了multimer模式，网上也有大量教程，但要注意：预测复合物时，两条链的序列都必须是完整序列，不能只喂一个结构域，否则界面预测会失真。

抗体这类体系，CDR区尤其是H3 loop的预测精度远低于框架区，所有做抗体设计的人都要有心理准备，不能只看整体pLDDT不错就认为CDR构象可信。对于点突变，AlphaFold2基本不敏感，如果你要评估突变对结构稳定性的影响，更合适的是突变扫描结合自由能变化，而不是直接用AlphaFold预测突变体结构。

6. 我现在的固定流程和建议

最后按我的经验，给一条目前用下来最顺的路径。新蛋白进来先查公共预测库，有就直接下载，不折腾。查不到，把序列丢到ColabFold跑一轮，拿到监控指标和可视化结果，做个初步评估。如果需要批量预测、多聚体变体扫描，或者涉及敏感数据只能在本地处理，才动用本地AlphaFold部署。本地跑的时候，我会把不同蛋白的序列文件分开放，每条序列一个目录，输出结果也按蛋白名命名，这样批量跑完不至于认领不到哪个是哪个。

还有一个小技巧，跑完结果不要只看排名第一的那个PDB，把五个模型都叠合看一眼。如果五个模型之间主体结构一致，只是在loop区域有摆动的区别，这是好迹象。如果五个模型彼此间差异巨大，说明这个蛋白的预测本身就不稳定，排第一的模型也只是“相对最优”，这时候一定记得把这个不确定性写进你的分析报告里。

工具是加速器，不是答案本身。AlphaFold让我这样以前不碰结构生物学的人也能快速做结构相关的判断，但它最厉害的地方不是“给你一个正确答案”，而是“给你一个高质量的候选假设”。拿着这个假设去设计实验、去和功能数据互相印证，才是这套流程真正有用的地方。