AlphaFold实操：3步从一条序列到3D蛋白质结构预测

AlphaFold实操：3步从一条序列到3D蛋白质结构预测

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

拿到一条氨基酸序列，怎么看到它的三维结构

你手里只有一条氨基酸序列，想做蛋白质结构预测，看它的三维形状长什么样。手动装环境、下几十上百 GB 的序列数据库、配 GPU，每一步都能卡你半天。这个仓库就是 AlphaFold 的官方开源推理代码，干的事很单一：输入序列，输出排好序的结构文件和逐残基置信度。接下来我会带你把序列文件准备好、用容器提交一个结构预测任务、学会给多聚体和翻译后修饰写配置，以及看懂结果里的 pLDDT、PAE 这几个数到底意味着什么。

AlphaFold 是什么：一套容器化的蛋白质结构预测管线

这个项目是 AlphaFold v2 及其多链版 AlphaFold-Multimer 的官方实现。核心能力是：给你一条或几条序列，它自动完成多序列比对（MSA）搜索、结构模板搜索、5 个模型的推理，再加一轮几何弛豫，最后输出一组按置信度排序的结构。

自己搭环境的话，你要分别装 HH-suite、HMMER、OpenMM、JAX/TensorFlow 这一整条依赖链，再逐个下载 UniRef90、BFD、MGnify、PDB70 等 8 个数据库，装完再祈祷版本对得上。用这个仓库则不同：docker/Dockerfile把所有推理依赖打进了一个镜像，docker/run_docker.py负责把你的 FASTA 文件、数据库、输出目录挂载进容器，整条流程就是两条命令。代价是本地部署的硬件门槛：Linux 机器、NVIDIA GPU（显存越大能跑的蛋白越长）、最多 3 TB 磁盘（下载 556 GB，解压后 2.62 TB）。

原理一句话：序列经 JackHMMER 和 HHblits 去 UniRef90、BFD 等数据库建 MSA，HHsearch 查 PDB70 找模板，模型用 5 个不同随机种子各推一遍结构，最后 Amber 力场弛豫几何。

从输入到输出：单体结构预测完整走一遍

准备序列文件

AlphaFold 的入口是标准 FASTA 文件。一个文件里只放一条序列时按单体处理，放多条序列时按复合物处理。

>sequence_name <SEQUENCE>

来源：README.md Examples 部分。

提示：FASTA 文件的基础名会直接用作输出目录名，所以批量跑多个文件时，每个文件的基础名必须唯一。

文件放好之后，缺的就是数据库和镜像，下面一步把这两件事一次解决。

下载数据库并构建镜像

克隆仓库后用scripts/download_all_data.sh下载全部数据库和模型参数，体量很大，建议放后台跑；同一时间可以构建 Docker 镜像、装脚本依赖。

git clone https://gitcode.com/GitHub_Trending/al/alphafold cd ./alphafold scripts/download_all_data.sh <DOWNLOAD_DIR> > download.log 2> download_all.log &

docker build -f docker/Dockerfile -t alphafold . pip3 install -r docker/requirements.txt

来源：README.md 安装部分、docker/Dockerfile、docker/requirements.txt。

注意：<DOWNLOAD_DIR>千万不要放在仓库目录里面，否则构建镜像时大数据库会被拷进构建上下文，慢得离谱。机器小一点的话，给脚本追加参数reduced_dbs下载缩减版数据库，大约 600 GB 磁盘、8 核 CPU、8 GB 内存即可。

数据库和镜像都就位后，就可以提交预测任务了。

提交预测任务

先跑一句docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi，能列出 GPU 再往下走。然后执行预测，下面是单体模型配缩减数据库的组合：

python3 docker/run_docker.py \ --fasta_paths=your_protein.fasta \ --max_template_date=2022-01-01 \ --model_preset=monomer \ --db_preset=reduced_dbs \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/tmp/alphafold

来源：README.md 示例命令，完整参数含义见 docker/run_docker.py。

注意：--max_template_date限定只能用该日期之前入库的模板结构，折叠历史测试集（比如复现 CASP 目标）时必加。单体推理本身很快，参考值：A100 上 100 残基约 5 秒，2500 残基约 16 分钟，MSA 搜索时间另算。

下载并打开结果

任务结束后，输出目录里会为每个目标建一个子目录，结构如下：

<target_name>/ ranked_{0,1,2,3,4}.pdb relaxed_model_{1,2,3,4,5}.pdb unrelaxed_model_{1,2,3,4,5}.pdb ranking_debug.json result_model_{1,2,3,4,5}.pkl timings.json msas/

来源：README.md "AlphaFold output" 部分。

打开ranked_0.pdb就能看到置信度最高的结构，PyMOL 或 ChimeraX 直接载入即可。pLDDT 分数被写进了 PDB 的 B-factor 列（注意：和真 B-factor 相反，值越高越可靠），5 个种子的排序细节在ranking_debug.json里。想要 PAE 和 pTM 这两项指标，需要换用带 pTM 头的预设（monomer_ptm或multimer），两个数组存在result_model_*.pkl里。

提示：默认只对最优模型做 Amber 弛豫（--models_to_relax=best）。想 5 个全弛豫改成all，时间会明显拉长。

需求变复杂了：复合物、修饰与配体

要预测的体系一旦超过单条蛋白链，只需要换一种输入写法，推理代码本身不用动。

多聚体怎么配置：多序列 FASTA

蛋白-蛋白相互作用、同源多聚体、A2B3 这类异源寡聚体，做法都一样：把所有链的拷贝按顺序放进同一个 FASTA，预设换成multimer。这个预设额外要求下载过 UniProt 数据库。

>sequence_1 <SEQUENCE A> >sequence_2 <SEQUENCE A> >sequence_3 <SEQUENCE B>

来源：README.md "Folding a heteromer" 示例。命令只改一个预设，顺手把每个模型的种子数降下来：

python3 docker/run_docker.py \ --fasta_paths=heteromer.fasta \ --model_preset=multimer \ --num_multimer_predictions_per_model=1 \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/tmp/alphafold

注意：multimer 默认每个模型跑 5 个随机种子，5 个模型共 25 次预测；--num_multimer_predictions_per_model=1只跑 1 个种子，精度略降但快很多。

需要给蛋白加翻译后修饰或糖基化

研究磷酸化、糖基化等修饰态蛋白时，server/目录描述的批量任务格式可以用 JSON 把它们写出来：modifications里给 CCD 编码和残基位置，glycans描述糖链结构。

"proteinChain": { "sequence": "PREACHINGS", "modifications": [ { "ptmType": "CCD_P1L", "ptmPosition": 5 } ], "glycans": [ { "residues": "NAG(NAG)(BMA)", "position": 8 } ], "count": 1 }

来源：server/example.json。

提示：序列只接受 IUPAC 标准 20 种氨基酸；允许的修饰 CCD 编码共 23 个，完整清单在 server/README.md。

蛋白要带上 DNA/RNA、配体和离子

核酸、配体、离子在 JSON 里和蛋白链是平级的"实体"，往sequences数组里追加条目即可：dnaSequence和rnaSequence是单链序列，ligand与ion只要 CCD 编码和份数。

{ "dnaSequence": { "sequence": "TAGGACA", "count": 1 } }, { "ligand": { "ligand": "CCD_ATP", "count": 1 } }, { "ion": { "ion": "MG", "count": 2 } }

来源：server/example.json。

提示：dnaSequence是单链 DNA，双链要自己把反向互补链作为第二条dnaSequence加进来。允许的配体（ATP、HEM、FAD 等 19 种）和离子（MG、ZN、CA 等 10 种）名单同样在 server/README.md。

结果靠不靠谱：三个关键指标

拿到 PDB 之后别急着看形状，先检查置信度指标，它们决定这份结构能用到什么程度。

指标	范围	在哪里看	怎么读
pLDDT（逐残基置信度）	0–100，越高越可靠	PDB 的 B-factor 列、ranking_debug.json	低于 50 大概率是无序区，别拿去做对接；90 以上多为结构核心
PAE（预测对齐误差）	0 到上限值，0 最可靠	result_model_*.pkl（pTM 预设）	界面残基对 PAE 低，说明两条链的相对取向可信
pTM（预测 TM-score）	标量	result_model_*.pkl（pTM 预设）	评估整体折叠和结构域堆积是否站得住

实际怎么用：某个区域要拿去做对接或表位分析之前，先看它的 pLDDT 是否普遍高于 70；整条蛋白 pLDDT 大面积低于 50，那它很可能是内在无序蛋白，预测出的"结构"只是构象倾向，别当真。复合物场景看 PAE：两条链之间 PAE 低，相互作用界面才值得信，成片高值说明相对取向不确定。另外注意，默认monomer预设只输出 pLDDT，PAE 和 pTM 要用monomer_ptm或multimer。

上图是 CASP14 两个目标的预测（蓝色）对实验结构（绿色）：T1037 的 RNA 聚合酶结构域 GDT 90.7，T1049 的黏附素尖端 GDT 93.3，主链几乎完全重合，这就是"靠谱"长什么样。

踩坑记录：五个高频问题

GPU 检测列不出显卡

如果docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi打印不出 GPU 列表，说明 NVIDIA Container Toolkit 没装好 → 装 Toolkit 并重启 Docker 服务，这是 README 里排在安装前的前置步骤。

MSA 阶段报出莫名其妙的权限错误

如果你在比对阶段看到外部工具抛出的、看不出来源的错误，多半是数据库目录读写权限不全 → 对下载目录执行sudo chmod 755 --recursive "$DOWNLOAD_DIR"再重跑。

序列太长，被拒或内存不够

如果序列超过 2500 残基，单体模型这条路走不通 → 换multimer预设来建模，或在 notebooks/AlphaFold.ipynb 里勾选use_multimer_model_for_monomers（notebook 版硬上限：单体链 2500、总长 4000 残基）。超过 3000 残基的精度没有完整验证过，运行也慢，建议拆成结构域分别预测。

Docker 构建慢得反常

如果 build 在拷贝上下文阶段卡很久，说明下载目录放进了仓库目录里，大数据库正在被拷进构建上下文 → 把DOWNLOAD_DIR挪到仓库外再构建；run_docker.py检测到这种布局也会直接报错拦下你。

同一个目标重跑结果差异很大

如果你用相同序列重跑、结构波动明显，这是模型固有的随机性（CASP14 的 T1064 是著名的波动大目标）→ 系统默认用 5 个不同种子的模型、按 pLDDT 取最优来对冲这种差异，需要复现时把参数和数据库版本都记录下来。

继续深入

• docs/technical_note_v2.3.0.md：v2.3.0 技术说明，模型架构与推理细节，想改参数或复现结果前读它。
• server/README.md：JSON 任务格式完整字段参考，全部修饰、配体、离子的 CCD 编码名单都在这里。
• scripts/download_all_data.sh：数据库下载入口，加reduced_dbs参数可拿缩减版数据库，适合磁盘小的机器。
• notebooks/AlphaFold.ipynb：简化版 Colab notebook，没有本地 GPU 时可以先在浏览器里把整个流程跑通，再迁到本地容器。

打开终端，把你的 FASTA 文件放好，一条序列的三维结构就在接下来的几十分钟里出结果了。

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