alphafold

AlphaFold2 结构验证

前提条件

要求	最低配置	推荐配置
Python	3.8+	3.10
CUDA	11.0+	12.0+
GPU 显存	32GB	40GB（A100）
RAM	32GB	64GB
磁盘空间	100GB	500GB（用于数据库）

运行方法

第一次使用？ 请参阅入门指南，设置 Modal 和 biomodals。

选项 1：Modal（AlphaFold-Multimer）

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

GPU：A100（40GB） | 超时：默认 3600s

选项 2：本地安装

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

选项 3：ESMFold2（快速单序列预测）

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

关键参数

参数	默认值	选项	描述
--model_preset	monomer	monomer/multimer	模型类型
--num_recycle	3	1-20	循环迭代次数
--max_template_date	-	YYYY-MM-DD	模板截止日期
--use_templates	True	True/False	使用模板搜索

输出格式

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

提取指标

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']

输出示例

成功运行

$ 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/

良好输出的特征：

• pLDDT：> 85（平均值，范围为 0-100）或 > 0.85（归一化值）
• pTM：> 0.70
• ipTM：对于复合物，> 0.50
• PAE_interface：< 10

决策树

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

典型性能

项目规模	用时（A100）	成本（Modal）	备注
100 个复合物	1-2h	~$8	使用 MSA 服务
500 个复合物	5-10h	~$40	标准项目
1000 个复合物	10-20h	~$80	大型项目

每个复合物：使用 MSA 服务时约需 30-60s。

---

验证

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

---

故障排除

pLDDT 区域值较低：可能表示存在无序区域或设计不佳
ipTM 较低：界面可信度不足，请检查热点
PAE 非对角线值较高：链之间可能没有相互作用
OOM 错误：改用带有 MSA 服务的 ColabFold

错误解读

错误	原因	修复方法
RuntimeError: CUDA out of memory	序列过长	使用 A100 或拆分预测
KeyError: 'iptm'	对复合物运行了单体模型	使用 multimer 预设
FileNotFoundError: database	缺少 MSA 数据库	使用 ColabFold MSA 服务
TimeoutError	MSA 搜索速度较慢	减少 num_recycles

---

下一步：使用 protein-qc 进行筛选和排序。