从一段氨基酸序列到三维结构：AlphaFold蛋白质结构预测上手实战-平芜编程栈

从一段氨基酸序列到三维结构：AlphaFold蛋白质结构预测上手实战

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

当你手里只有一段氨基酸序列，却需要知道它在空间里怎么折叠时——X射线晶体学等实验手段昂贵且以月计，而 AlphaFold 蛋白质结构预测只需要一个 FASTA 文件和一块 GPU，就能还给你一份带原子坐标的三维结构。这个开源项目就是 AlphaFold v2 的官方推理管线：输入序列，它完成多序列比对、模板检索、神经网络推理和物理精修，最后输出一组 PDB 结构文件。下面按「准备 → 运行 → 判读 → 排障」的顺序，把整条链路走一遍。

能力速览：30 秒建立合理预期

动手装环境之前，先明确它能做什么、不做什么：

核心能力是单链蛋白（monomer）的三维结构预测，蛋白质-蛋白质复合物也能做，但 multimer 属于实验性质，官方明确说不如单链稳定
每个预测都自带置信度：逐残基的 pLDDT，部分模型还会给 pTM 和 PAE，后面会教怎么看
只支持 Linux 加 NVIDIA GPU，没有 Windows 或 Mac 版本；显存越大能预测的蛋白越长
它不预测配体结合、不做构象动态分析，输出仅用于理论建模，不能用于临床
全套遗传数据库解压后约 2.62 TB，磁盘规划要放在第一步考虑

最后一点最容易被低估。官方 README 写明完整数据库下载量约 556 GB、解压后 2.62 TB；如果空间紧张，reduced 版（reduced_dbs）只需约 600 GB 磁盘，后面跑的时候加一个参数就行。

落地准备：环境、依赖、数据一次到位

硬件底线是 Linux 系统、一块较新的 NVIDIA GPU（官方在 A100 上做的性能基准）、SSD 存储——序列检索阶段 I/O 很密集，机械盘会明显拖慢 MSA（多序列比对，就是把同源序列对齐成一张矩阵，是预测精度的主要来源）。软件侧需要 Docker、NVIDIA Container Toolkit（让容器能直通 GPU）和 aria2c（并行下载工具）。

三步装好

第一步，拿代码和数据。克隆仓库后，用官方脚本一次性拉下全部遗传数据库和模型参数：

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

这里有几个容易踩的坑：

<DOWNLOAD_DIR>不要放在仓库目录里面，否则几 TB 的数据库会被拷进 Docker 构建上下文，镜像构建会慢到怀疑人生
556 GB 的数据量，务必放后台跑，别守在终端前
磁盘不够就改成scripts/download_all_data.sh <DOWNLOAD_DIR> reduced_dbs下载精简版，但运行时必须配套加--db_preset=reduced_dbs
数据目录要有完整读写权限，否则 MSA 工具会以各种莫名其妙的报错方式提醒你

第二步，构建镜像并验证 GPU。

docker build -f docker/Dockerfile -t alphafold . docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

第二条命令应当列出你的 GPU；列不出来说明 NVIDIA Container Toolkit 没配好，先解决它再往下走。构建时若遇到 CUDA 源的 GPG 签名报错，README 指向了一个已知的 workaround，按提示处理即可。

第三步，安装启动器依赖。宿主机上执行pip3 install -r [docker/requirements.txt](https://link.gitcode.com/i/2461fa81779dd912bebff5f463a3c4e8)（建议放虚拟环境里，免得污染系统 Python），再确认输出目录（默认/tmp/alphafold）存在且可写。

核心工作流：从 FASTA 到 PDB

第 1 步：准备输入序列

用 FASTA 格式写下氨基酸序列。单链就是一个序列；想预测复合物的话，把多条序列放进同一个文件——一个文件里有多条序列，工具就会按 multimer 输入处理。同型寡聚体（比如三条相同序列）也照样写三份就行。

第 2 步：发起预测

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=/home/user/absolute_path_to_output

几个关键参数值得记住：

--model_preset选模型：monomer（默认，CASP14 原始配置）、monomer_ptm（带 pTM 置信度头）、multimer（复合物，需要额外下载 UniProt 和 pdb_seqres 数据库）
--db_preset是速度/质量权衡：reduced_dbs只需 8 vCPU、8 GB 内存、600 GB 磁盘，full_dbs则是 CASP14 的完整数据库配置
--max_template_date限制模板结构的最晚发布日期，主要用于复现历史基准，日常预测可以不设
--models_to_relax控制精修范围：best（默认，只精修置信度最高的）、all或none
--gpu_devices指定用哪几块卡，默认吃满所有可见 GPU

第 3 步：内部在跑什么

一次预测实际分四段：先用 JackHMMER 等工具去 BFD、MGnify、UniRef90 里搜同源序列并拼成 MSA——进化信息是精度的主要支柱；再到 PDB 里找结构上已知的相似模板；然后 5 个独立模型各自推理出一份结构；最后置信度最高的那份送进 Amber 力场做能量最小化，修掉局部立体化学问题。

时间预期（单块 A100，不含 MSA 和模板搜索）：100 残基约 5 秒，500 残基约 30 秒，1000 残基约 1.5 分钟，2000 残基约 7.5 分钟，4000 残基超过 1.5 小时。长蛋白的 MSA 检索时间往往比推理本身还长，别盯着 GPU 利用率等。

结果判读：不只看结构，还要看置信度

跑完后，--output_dir下会生成一个以靶名为名的子目录：

文件	内容
`ranked_0.pdb`~`ranked_4.pdb`	按置信度排序的 5 个预测，`ranked_0`最优
`unrelaxed_model_*.pdb`	模型原始输出，未经精修
`relaxed_model_*.pdb`	经过 Amber 力场精修的结构
`result_model_*.pkl`	模型原始张量：pLDDT、distogram，pTM 模型还有 ptm 和 PAE
`msas/`	各检索步骤产出的 MSA 中间文件
`features.pkl`	喂给模型的输入特征数组
`timings.json`等	各阶段耗时、排序依据、精修后的违规统计

pLDDT 分数怎么看

pLDDT（0~100，越高越可信）存在输出 PDB 的B 因子字段里。注意它和晶体学 B 因子的方向正好相反——那里越高代表越无序，所以拿去做分子替换之类下游任务时要格外小心。

pLDDT 区间	含义	典型位置
> 90	极高置信	核心结构域、进化上高度保守的区域
70–90	高置信	大多数有功能的结构域
50–70	中等置信	连接肽、保守性较弱的区域
< 50	低置信	可能是本征无序区，结论需谨慎

如果整条链的平均 pLDDT 都压在 50 以下，先怀疑序列本身或 MSA 里同源证据不足，而不是急着否定结构。

PAE 和 pTM 怎么看

这两个只有monomer_ptm和multimer模式才会输出。PAE 是一个 N×N 矩阵，记录任意两个残基之间的预测对齐误差：对角线块高说明域内部还算稳，非对角线块高则说明两个结构域的相对摆位不可信——多结构域蛋白判断「整体形状对不对」，主要看它。pTM 是单个标量，对标 TM-score，用来评估整体结构域的打包是否可信。

这段动图来自 CASP14 竞赛：左侧 RNA 聚合酶结构域 GDT 90.7，右侧粘附素尖端结构域 GDT 93.3，可以看出预测结果（蓝）与实验结构（绿）的贴合程度。

排障与调优：六个常见卡点

现象一：容器里nvidia-smi看不到 GPU。原因：NVIDIA Container Toolkit 未安装或未正确配置。解法：先在宿主机跑docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi做隔离验证，仍不可见就重装 Toolkit 并检查 Docker 守护进程配置。

现象二：Docker 镜像构建异常慢。原因：下载目录是仓库的子目录，大数据库被拷进了构建上下文。解法：把数据目录挪到仓库外再重新构建。

现象三：MSA 阶段抛出莫名其妙的报错。原因：数据目录读写权限不足。解法：给数据目录及其子目录授予足够权限，例如chmod 755 -R <DOWNLOAD_DIR>，再重跑。

现象四：大蛋白跑不完或 OOM。原因：推理时长随链长增长很快，4000 残基在 A100 上超过 1.5 小时，显存同样有上限。解法：先确认 GPU 显存余量；超长序列可考虑按结构域拆分预测；reduced_dbs能省掉 MSA 阶段的大部分等待。

现象五：同一条序列两次跑出不同结果。原因：模型本身存在跨运行的随机方差，近期新沉积序列多的靶点（比如 CASP14 的 T1064）尤其明显。解法：这是预期行为而非故障，默认的 5 模型集成就是在对冲它；需要复现特定结果时，固定数据库版本和--max_template_date。

现象六：换了参数想快速试错，每次都从头跑。原因：MSA 检索占了大头。解法：加--use_precomputed_msas=true复用首次运行算好的 MSA，前提是序列不变且输出目录结构还在。

延伸方向

复合物预测：AlphaFold-Multimer 需要额外下载 UniProt 和 pdb_seqres 两个库，默认每个复合物跑 25 次预测，时间紧张可把--num_multimer_predictions_per_model设为 1，用少量精度换速度
技术细节：v2.3.0 的模型架构与推理流程见技术笔记，仓库还附带一套完整的 CASP15 基线预测可作对照
轻量体验：不想搭完整环境时，可以先用 Colab 简化版 notebook 跑通流程，熟悉输入输出后再上完整管线

许可方面提醒一句：代码是 Apache 2.0，模型参数是 CC BY 4.0，发表结果时记得引用 AlphaFold 原文，用了 multimer 的话把对应论文也加上。