AlphaFold：DeepMind蛋白质结构预测系统

为什么需要 AlphaFold：从实验试错到原子级预测

传统蛋白结构解析高度依赖大型实验设施：X 射线晶体学需要先拿到高纯度晶体，冷冻电镜需要昂贵的设备与熟练的样品制备经验，NMR 则受蛋白分子量限制。单个结构的解析周期常以年计，对于无法结晶的膜蛋白或瞬时复合物更是困难。与此同时，以同源建模和 Rosetta 片段组装为代表的传统计算方法，对无同源模板的「孤儿蛋白」预测精度远达不到实验可用标准。

AlphaFold 的解决思路是让模型直接从 MSA 中学习残基间的共进化信号，再映射为原子坐标。MSA 即多序列比对（Multiple Sequence Alignment），将目标序列与大量同源序列对齐后，共同进化的残基对在空间上往往彼此靠近，这一信号成为结构推断的核心依据。AlphaFold 2 将 Evoformer 注意力网络与 SE(3)-等变结构模块端到端串联，在 CASP14 上中位 GDT 达到 92.4，超过 90 分即被认为接近实验解析精度。

相比 RoseTTAFold、ESMFold 等同类工具，AlphaFold 的差异在于「精度优先」：依赖深度 MSA 搜索换来了最高的基准得分，但牺牲了推理速度与轻量化部署能力。选型时需在精度、速度与算力成本之间做权衡。

安装与环境配置：4 步就绪

完整运行 AlphaFold 2 需要四个前置：Python 3.8-3.10 环境、NVIDIA GPU（官方建议高显存型号，生产实践常用 A100 40GB/80GB）、约 2.6TB 磁盘存放数据库，以及约 400GB 内存用于索引加载。数据库包括 Uniprot、BFD、MGnify、PDB70、PDB mmCIF、UniRef90、UniRef30 等，官方提供脚本 scripts/download_all_data.sh 一键拉取。

步骤一：克隆官方仓库并创建 conda 环境；步骤二：安装 requirements.txt 中的依赖（核心为 JAX、TensorFlow、Haiku）；步骤三：运行下载脚本获取全部数据库，注意确认磁盘配额；步骤四：准备单条序列的 FASTA 文件，调用 run_alphafold.py 完成预测。AlphaFold 3 则采用 Docker 镜像方式部署，模型权重需通过官方表单单独申请下载。

# 1. 克隆 AlphaFold 2 仓库并创建环境git clone https://github.com/google-deepmind/alphafold.gitcd alphafoldconda create -n alphafold python=3.8conda activate alphafoldpip install -r requirements.txt # 2. 下载数据库（完整清单见 README，总量约 2.6TB，此处仅示意）chmod +x scripts/download_all_data.shmkdir -p databases && ./scripts/download_all_data.sh databases/ 2>&1 | tail -n 20 # 3. 运行单体结构预测python run_alphafold.py \  --fasta_paths=target.fasta \  --max_template_date=2024-01-01 \  --model_preset=monomer \  --data_dir=$PWD/databases \  --uniref90_database_path=databases/uniref90/uniref90.fasta \  --mgnify_database_path=databases/mgnify/mgy_clusters_2018_12.fa \  --bfd_database_path=databases/bfd/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt \  --uniref30_database_path=databases/uniref30/UniRef30_2021_03 \  --pdb70_database_path=databases/pdb70/pdb70 \  --template_mmcif_dir=databases/pdb_mmcif/mmcif_files \  --obsolete_pdbs_path=databases/pdb_mmcif/obsolete.dat \  --output_dir=output

快速上手：20 分钟跑通第一个预测

最快的路径不是本地部署，而是用 DeepMind 官方托管的 AlphaFold Server：无需下载 2.6TB 数据库，浏览器上传序列即可。适合先验证流程、再决定是否投入本地算力。步骤一：访问 alphafoldserver.com，用 Google 账号登录；步骤二：在输入框粘贴 FASTA 格式的氨基酸序列（单链直接粘贴，多链用 : 分隔）；步骤三：按需调整 Job 名称与运行参数（默认预测 2 个模型，可改为 4 个以提升置信度评估）；步骤四：提交任务，等待数分钟到数小时，页面会显示排队状态；步骤五：任务完成后下载 zip 包，内含 ranked_0.pdb（置信度排序第一的模型）、ranking_debug.json（各模型得分）与 *_predicted_aligned_error.json（PAE 矩阵）。

对序列不超过 400 残基的小蛋白，ColabFold 是另一条零配置路径：它把 MSA 搜索放到云端，用 MMseqs2 加速同源序列检索，单条序列通常在几分钟内返回结果。若追求更高精度或需要批量处理，再回到本地部署路线。进阶技巧：本地跑完后，重点看 ranked_0.pdb 每个残基的 B-factor 字段，它实际编码的是 pLDDT 置信度分数，用于判断哪些区域可信。

# 本地部署完成后，检查输出目录结构ls output/target/# 预期输出: ranked_0.pdb  ranked_1.pdb  ranking_debug.json  timings.json  ...

核心能力详解：4 大支柱

支柱一 · Evoformer 注意力架构。 Evoformer 是 AlphaFold 2 的主干网络，维护「MSA 表征」与「残基对表征」两条并行通道，通过 48 层注意力模块反复交换信息。它取代了 AlphaFold 1 里先预测残基间距、再手工搭建能量函数的两阶段流程，让共进化信号直接驱动结构推断，端到端可微训练。

支柱二 · SE(3)-等变结构模块。 结构模块（Structure Module）接收 Evoformer 输出的残基表征，在三维空间中迭代精修每个残基的主链框架（Backbone Frame），最后通过侧链角度解码生成全原子坐标。所谓 SE(3)-等变，是指模块对坐标的旋转和平移保持一致的数学对称性，保证预测结果不随坐标系改变而失真。这一设计让 AlphaFold 2 不再需要传统的循环精化（recycling）后处理。

支柱三 · 多聚体与复合物预测。 v2.2.0 起支持同源多聚体（homomer），v2.3.0 支持异源多聚体（heteromer），只需在 FASTA 中用 : 连接多个序列并将模型预设切换为 multimer。CASP15 评测中，AlphaFold 2.3 在蛋白质组装预测中表现领先，证明了共进化信号在复合物界面上同样有效。

支柱四 · AlphaFold 3 的扩散模型架构。 AlphaFold 3 改用扩散模型（Diffusion Model）直接生成原子坐标，输入从 FASTA 升级为 JSON 格式，可同时定义蛋白链、DNA/RNA 链、小分子配体、金属离子与共价修饰。它的 Pairformer 网络取代 Evoformer，并引入 Bonded Token 描述分子间连接关系，将预测范围从「蛋白折叠」扩展到「分子复合物结构」。

生产部署与监控：从单机推理到集群批处理

单机批处理。 单条 400 残基蛋白在 A100 上约需 5-30 分钟，瓶颈主要耗在 MSA 搜索而非 GPU 推理。批量场景应将全部数据库只下载一次，存放于共享存储（如 NFS），多个作业复用同一数据目录；输出目录按任务名隔离，避免并发写冲突。推荐用 SLURM 或 PBS 提交 GPU 作业，每个任务申请 1 卡、预留 64GB+ 内存，避免 OOM。

集群规模部署。 对药物研发团队，通常维护一套固定的数据库快照，用 rsync 增量同步保持版本一致；模型权重目录（params/）单独管理，与代码、数据库分离。运行中若出现 CUDA OOM，优先降低 --max_template_date 或拆分长序列；若 MSA 搜索失败，需检查网络对 EBI/JGI 数据库的连通性，可预置代理或内网镜像。

可观测性。 用 nvidia-smi dmon 记录 GPU 利用率与显存占用，确认利用率是否达到预期（低于 40% 说明 MSA 阶段占比过高，可加并行 worker）；每次任务结束后读取 timings.json 记录各阶段耗时；汇总所有输出的 pLDDT 分布，将平均 pLDDT 低于 70 的任务标记为低置信度，触发人工复核或参数调整。对面向外部用户的服务形态，AlphaFold Server 的架构是「前端任务队列 + 后端 GPU 推理池」，可作为自建服务的参考模板。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>数据库没有下载完整就运行——直接报「file not found」或 MSA 检索为空，完整数据库约 2.6TB，别只下 uniref90；用官方脚本可校验全部文件。</li><li>预测多聚体却用了 --model_preset=monomer——多链序列需切换为 multimer 预设，否则各链会被当作独立单体，复合物界面完全错误。</li><li>把预测结构直接当实验结构提交或用于药物设计决策——pLDDT 低于 50 的区域（如柔性 loop）无结构意义，需结合 PAE 矩阵判断域间相对位置是否可信。</li><li>下载 AlphaFold 3 仓库后直接跑——模型权重需在官网单独申请，且协议为非商业（CC BY-NC-SA 4.0），商用前必须评估合规。</li><li>忽视磁盘 I/O 与内存——加载 BFD 等大索引文件时需要约 400GB 内存，内存不足会导致进程被杀或极慢。</li></ul>

版本迭代

AlphaFold 以 2018 年 CASP13 夺冠为起点，2021 年开源 v2.0.0 后持续补全多聚体能力，2023-2024 年转向复合物与配体预测，最终以 AlphaFold 3 的扩散模型架构重新定义能力边界。

AI 应用场景

常见误区

面试题

参考来源

• webpageDeepMind AlphaFold 官网官方产品介绍与里程碑说明
• webpageAlphaFold 2 GitHub 仓库源码、安装手册与数据库清单
• webpageAlphaFold 3 GitHub 仓库第三代代码、Docker 部署与 JSON 示例
• webpageColabFold GitHub免配置的 AlphaFold2 云端实现，MMseqs2 加速 MSA