alphafold

AlphaFold2 構造の検証

前提条件

要件	最小	推奨
Python	3.8+	3.10
CUDA	11.0+	12.0+
GPU VRAM	32GB	40GB (A100)
RAM	32GB	64GB
ディスク	100GB	500GB（データベース用）

実行方法

初めてですか？ Modal と biomodals のセットアップについては、はじめにをご覧ください。

オプション 1：Modal（AlphaFold-Multimer）

cd biomodals
modal run modal_alphafold.py \
  --input-fasta sequences.fasta \
  --out-dir output/

GPU：A100（40GB） | タイムアウト：デフォルトは 3600s

オプション 2：ローカルインストール

git clone https://github.com/google-deepmind/alphafold.git
cd alphafold

python run_alphafold.py \
  --fasta_paths=query.fasta \
  --output_dir=output/ \
  --model_preset=monomer \
  --max_template_date=2026-01-01

オプション 3：ESMFold2（単一配列を高速に処理）

printf '>protein|A\nMKTAYIAKQRQISFVK...\n' > seq.faa
uv run --with modal modal run modal_esmfold2.py --input-faa seq.faa

主なパラメーター

パラメーター	デフォルト	オプション	説明
--model_preset	monomer	monomer/multimer	モデルの種類
--num_recycle	3	1-20	リサイクルの反復回数
--max_template_date	-	YYYY-MM-DD	テンプレートのカットオフ日
--use_templates	True	True/False	テンプレート検索を使用

出力形式

output/
├── ranked_0.pdb           # Best model
├── ranked_1.pdb           # Second best
├── ranking_debug.json     # Confidence scores
├── result_model_1.pkl     # Full results
├── msas/                  # MSA files
└── features.pkl           # Input features

メトリクスの抽出

import pickle

with open('result_model_1.pkl', 'rb') as f:
    result = pickle.load(f)

plddt = result['plddt']
ptm = result['ptm']
iptm = result.get('iptm', None)  # Multimer only
pae = result['predicted_aligned_error']

出力例

実行成功時

$ python run_alphafold.py --fasta_paths complex.fasta --model_preset multimer
[INFO] Running MSA search...
[INFO] Running model 1/5...
[INFO] Running model 5/5...
[INFO] Relaxing structures...

Results:
  ranked_0.pdb:
    pLDDT: 87.3 (mean)
    pTM: 0.78
    ipTM: 0.62
    PAE (interface): 8.5

Saved to output/

良好な出力の目安：

• pLDDT：85 超（平均、0～100 スケール）または 0.85 超（正規化済み）
• pTM：0.70 超
• ipTM：複合体では 0.50 超
• PAE_interface：10 未満

判断フロー

Should I use AlphaFold?
│
├─ What are you predicting?
│  ├─ Single protein → ESMFold (faster)
│  ├─ Protein-protein complex → AlphaFold/ColabFold ✓
│  ├─ Protein + ligand → Chai or Boltz
│  └─ Batch of sequences → ColabFold ✓
│
├─ What do you need?
│  ├─ Highest accuracy → AlphaFold/ColabFold ✓
│  ├─ Fast screening → ESMFold
│  └─ MSA-free prediction → Chai or ESMFold
│
└─ Which AF2 option?
   ├─ Local installation → Full control, slow setup
   ├─ ColabFold → Easier, MSA server
   └─ Modal → Recommended for batch

一般的なパフォーマンス

キャンペーンの規模	時間（A100）	コスト（Modal）	備考
100 個の複合体	1-2h	~$8	MSA サーバー使用時
500 個の複合体	5-10h	~$40	標準的なキャンペーン
1000 個の複合体	10-20h	~$80	大規模なキャンペーン

複合体あたり：MSA サーバー使用時で約 30-60s です。

---

検証

find output -name "ranked_0.pdb" | wc -l  # Should match input count

---

トラブルシューティング

pLDDT が低い領域：構造の乱れ、または設計の不備を示している可能性があります ipTM が低い：インターフェースの信頼性が低いため、ホットスポットを確認してください 対角線外の PAE が高い：鎖同士が相互作用していない可能性があります OOM エラー：代わりに MSA サーバーを使って ColabFold を使用してください

エラーの解釈

エラー	原因	解決策
RuntimeError: CUDA out of memory	配列が長すぎます	A100 を使用するか、予測を分割してください
KeyError: 'iptm'	複合体に対してモノマーを実行しています	マルチマープリセットを使用してください
FileNotFoundError: database	MSA データベースがありません	ColabFold MSA サーバーを使用してください
TimeoutError	MSA 検索に時間がかかっています	num_recycles を減らしてください

---

次へ：フィルタリングとランキングには protein-qc を使用します。