企业官网建设流程全解析

一条序列进一个PDB出：AlphaFold Python API 蛋白质结构预测完整流程

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

手里有一条蛋白序列，想要拿到带残基级置信度的三维结构，AlphaFold 的 Python API 是最直接的路径：DataPipeline 构建 MSA 与模型特征，RunModel 输出原子坐标，pLDDT 置信度直接写进 PDB。跑完这段流程，你能直接得到一个经过结构松弛、可渲染的 PDB 文件和逐残基置信度。

1️⃣ 最小闭环：FASTA 输入，PDB 输出

这节解决"先让整条链路跑通"的问题。下面是一段可独立运行的脚本：target.fasta里放一条>名称\n序列，其余交给 API。

import os, shutil from alphafold.common import protein, residue_constants from alphafold.data import pipeline, templates from alphafold.data.tools import hhsearch from alphafold.model import config, data, model from alphafold.relax import relax DB = "/data/alphafold-db" # 数据库与模型参数所在目录 dp = pipeline.DataPipeline( jackhmmer_binary_path=shutil.which("jackhmmer"), hhblits_binary_path=shutil.which("hhblits"), uniref90_database_path=f"{DB}/uniref90/uniref90.fasta", mgnify_database_path=f"{DB}/mgnify/mgy_clusters_2022_05.fasta", bfd_database_path=f"{DB}/bfd/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt", uniref30_database_path=f"{DB}/uniref30/UniRef30_2021_03", template_searcher=hhsearch.HHSearch(binary_path=shutil.which("hhsearch"), databases=[f"{DB}/pdb70/pdb70"]), template_featurizer=templates.HhsearchHitFeaturizer( mmcif_dir=f"{DB}/pdb_mmcif/mmcif_files", max_template_date="2022-01-01", max_hits=20, kalign_binary_path=shutil.which("kalign"))) mr = model.RunModel(config.model_config("model_1"), data.get_model_haiku_params("model_1", DB)) os.makedirs("out/msas", exist_ok=True) feats = dp.process(input_fasta_path="target.fasta", msa_output_dir="out/msas") proc = mr.process_features(feats, random_seed=0) p = mr.predict(proc, random_seed=0) # 执行一次模型前向推理 prot = protein.from_prediction(features=proc, result=p, b_factors=p["plddt"][:, None].repeat(residue_constants.atom_type_num, axis=1), remove_leading_feature_dimension=False) open("out/relaxed.pdb", "w").write( relax.AmberRelaxation(use_gpu=False).process(prot)[0]) # 写出松弛后的 PDB

关键输出说明：

• out/msas/：MSA 多序列比对文件，可留作下次复用（use_precomputed_msas=True时直接读取）。
• out/relaxed.pdb：最终结构。B-factor 列即 pLDDT，数值越高残基越可信（0-100）。
• p['plddt']是逐残基置信度向量；p['predicted_aligned_error']是 PAE 矩阵，描述残基对之间距离预测的可靠程度。

官方流水线会按ranking_confidence对多个模型排序，只松弛最优的那个；上面脚本跑单模型，直接松弛唯一结果。

🧩 2. 关键模块拆解：特征、推理与松弛

这节把闭环里的三个核心类拆开看，方便你按需替换参数。

DataPipeline：序列 → 模型输入特征。内部依次用 jackhmmer、hhblits 检索各同源性数据库，组装 MSA，再检索模板结构，产出一个特征字典。

feats = dp.process(input_fasta_path="target.fasta", msa_output_dir="out/msas") # feats['msa'] 为多序列比对，'seqres' 为参考序列，'template_*' 为模板命中

实现见 alphafold/data/pipeline.py。

RunModel：模型推理引擎。加载 Haiku 参数后，负责特征预处理与一次完整前向。

mr = model.RunModel(config.model_config("model_1"), data.get_model_haiku_params("model_1", DB)) proc = mr.process_features(feats, random_seed=0) # 截断/补齐、加噪等预处理 p = mr.predict(proc, random_seed=0)

process_features和predict分开调用是刻意的：预处理结果可缓存，多个模型共享同一份。实现见 alphafold/model/model.py。

AmberRelaxation：修复立体化学违规。对原始预测做短程能量最小化，消除原子碰撞、键角异常。

relaxer = relax.AmberRelaxation(max_iterations=0, tolerance=2.39, stiffness=10.0, max_outer_iterations=3, use_gpu=False) pdb, energy, violations = relaxer.process(prot=prot)

参数取值与 run_alphafold.py 保持一致；实现见 alphafold/relax/relax.py。

3. 资源与参数：磁盘、依赖与显存要备多少

这节解决"跑之前需要准备什么"的问题。先备环境和文件：

git clone https://gitcode.com/GitHub_Trending/al/alphafold alphafold cd alphafold && pip install -r requirements.txt && pip install . conda install -c conda-forge hmmer hhpred kalign2 # jackhmmer/hhblits/hhsearch/kalign 等 bash scripts/download_alphafold_params.sh # 下载 params_*.npz 模型参数

显存方面：单条 ≤2048 残基的序列在 10GB 级别显存即可推理；序列更长时 JAX 会直接 OOM，建议截短或分块。数据库下载可用 scripts/download_all_data.sh 一键完成。

🚀 4. 进阶用法：预测蛋白质复合物（多聚体）

这节解决"手里不是单链而是复合物"的问题。与单体流程的差异只有三处，重复步骤用注释省略。

from alphafold.data import pipeline_multimer dp_m = pipeline_multimer.DataPipeline( monomer_data_pipeline=dp, # 同上，复用第 1 节的单体管道 jackhmmer_binary_path=shutil.which("jackhmmer"), uniprot_database_path=f"{DB}/uniprot/uniref20_percent_identity.fasta") mr_m = model.RunModel(config.model_config("model_1_multimer"), data.get_model_haiku_params("model_1_multimer", DB)) feats = dp_m.process(input_fasta_path="complex.fasta", msa_output_dir="out_m/msas") p = mr_m.predict(mr_m.process_features(feats, random_seed=0), random_seed=0) # 同上：构造 prot、松弛、写 PDB，仅下面一行取值不同 prot = protein.from_prediction(features=proc, result=p, b_factors=b, remove_leading_feature_dimension=True) # 多聚体保留维度

两个注意点：多聚体的 FASTA 必须包含多条>序列，每条对应一个链；模板检索改用hmmsearch.Hmmsearch+ pdb_seqres 数据库，而非单体的hhsearch+ pdb70，构造dp_m的单体管道时相应替换template_searcher即可。

⚠️ 5. 排错速查：高频问题对照表

这节汇总跑 API 时最常踩的五个坑。

收尾

到这里，序列→特征→坐标→松弛的链路已经打通，产出的 PDB 自带 pLDDT。往下延伸有三个方向：对松弛结构跑分子动力学看稳定性；做单点突变后对比 pLDDT/PAE 评估影响；直接拿预测结构做结合位点分析或蛋白质设计。更多细节见 docs/technical_note_v2.3.0.md 与 run_alphafold.py。

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