企业官网建设流程全解析

AlphaFold蛋白质结构预测实操指南

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

下午三点，PI 把一段刚测序得到的氨基酸序列甩给小王：“明天组会前，我要看到它的三维结构。”小王打开 AlphaFold 跑蛋白质结构预测，把序列贴进一个 FASTA 文件，十几分钟后，屏幕上就转出一帧按置信度着色的三维模型——这就是 AlphaFold 的全部卖点：吃进一条氨基酸序列，吐出一份能直接在 PyMOL 里打开的 PDB 结构文件，外加每个残基的置信度分数。它由 DeepMind 开源，是 AlphaFold 2 推理管线的完整实现，代码以 Apache 2.0 授权。

AlphaFold蛋白质结构预测，本地跑和托管服务怎么选

先说清你手里有什么。托管的网页服务把环境和数据库都藏起来，代价是序列受它限制、管线改不动；而这个仓库给的是全部源码和 Docker 镜像构建逻辑，数据库自己下、模型权重自己拉，换来对每条 MSA、每个残基的完全控制。硬件分两档：走reduced_dbs预设，8 个 CPU 核心、8 GB 内存、600 GB 磁盘就能跑通；上完整数据库则是 556 GB 下载量、解压后 2.62 TB，得配 SSD 和一块 A100。精度上，它在 CASP14 的两个代表靶点 T1037、T1049 拿到 90.7 与 93.3 的 GDT 分，下图把计算预测（蓝）与实验结果（绿）叠在一起，几乎重合。

把一段FASTA变成3D结构：完整流程走一遍

输入端只需要一个 FASTA 文件，单体蛋白最简写法：

>my_protein MAVTG...（你的氨基酸序列）

💡 若是多链复合物，就在同一 FASTA 里按链序写多条>记录，运行时把--model_preset设成multimer；注意单体模型单条序列上限 2500 残基、总长上限 4000，超长的单体要借 multimer 模型来跑。

执行端分两步。先git clone https://gitcode.com/GitHub_Trending/al/alphafold，进仓库后用docker build -f docker/Dockerfile -t alphafold .构建镜像，数据库用 scripts/download_all_data.sh 提前下好、放到仓库外。然后调 docker/run_docker.py：

python3 docker/run_docker.py \ --fasta_paths=my_protein.fasta \ --max_template_date=2022-01-01 \ --model_preset=monomer \ --db_preset=reduced_dbs \ --data_dir=$DOWNLOAD_DIR \ --output_dir=/home/user/out

命令跑起来后，日志依次经过 MSA 检索（查 UniRef90、BFD 等）、5 个随机种子的模型推理，再到 Amber 力场弛豫；timings.json记录各段耗时，A100 上一条 1000 残基的蛋白推理约 96 秒，relax_metrics.json则给出弛豫后剩余的几何违规数，数字越小说明局部构型越干净。

产出端是一个以靶点命名的子目录（默认落在/tmp/alphafold下）：

my_protein/ ranked_0.pdb # 置信度最高的结构 ranked_{1..4}.pdb relaxed_model_*.pdb # 弛豫后 unrelaxed_model_*.pdb # 原始输出 result_model_*.pkl # pLDDT、PAE 等原始数组 ranking_debug.json timings.json msas/ # 各数据库命中的 MSA

判断标准很直接：打开ranked_0.pdb，在 PyMOL 或 ChimeraX 里能正常展开、没有明显穿模，再去看下面这个分数。

pLDDT怎么读：结构预测置信度的判断标准

每个残基的 pLDDT 落在 0–100，越高越可信，官方把它切成四档着色：90–100 深蓝、70–90 浅蓝、50–70 黄、0–50 橙（定义见 notebooks/AlphaFold.ipynb 第 383 行的PLDDT_BANDS）。这个数同时存在 PDB 的 B-factor 字段、result_model_*.pkl的plddt数组和ranking_debug.json里，三处可以互查。经验上，核心区普遍 90+ 说明折叠可信；某段连续低于 50，多半是无序区或同源信息不足，别拿那一段去下结论。若是复合物，再看同文件的predicted_aligned_error（PAE，0 最可信），它告诉你两个结构域之间的相对方位稳不稳——PAE 低代表界面可靠，PAE 高则提示构象异质，需要谨慎解读。

文档与源码入口：接着往哪走

🔗 想深挖模型与推理细节看 docs/technical_note_v2.3.0.md；要复现或改管线，源码集中在 alphafold/model 目录与 docker/run_docker.py；批量提交、配体与修饰等任务格式参考 server/README.md。把序列换成你的靶点，这条从 FASTA 到结构文件的链路就完整了。

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