企业官网建设流程全解析

用 5 段代码跑通 AlphaFold 蛋白质结构预测

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

jackhmmer 跑完，MSA 落了一目录，手里是一坨看着像 numpy 数组的 feature dict。模型吃的张量不是 PDB 文件，吐出来的置信度也不是人直接能读的结论。这篇文章用 AlphaFold Python API（蛋白质结构预测编程调用的主入口）5 段代码，把序列到坐标的路径走一遍。

30 秒判断：它能干什么、不能干什么

API 就一条主干：序列进去，三维坐标出来，置信度随行。它不做"一键云"——二进制、数据库、显存、磁盘都自备。建立信任的最快方式是用最小配置先验证一遍：haiku 参数加 reduced_dbs，单张 24G 卡就能端到端，确认路径再上生产。

主干走向：写 FASTA → DataPipeline 搜 MSA 出 feature dict → RunModel 出张量 → 装回原子坐标 → Amber 松弛修好几何，落盘 PDB。上面这张，就是整条路走完后的样子。

从序列到坐标：把整条主线走通

主线四个站点：写 FASTA、喂管道、拿张量、变回 PDB。下面全是单链示例，复合物放在段尾。

🔧 先把序列写成 FASTA 并搭好数据管道——MSA（多序列比对，同源序列列对齐）搜索全由它代办，这一步是全程最耗时的：

import shutil from alphafold.data import pipeline, templates from alphafold.data.tools import hhsearch seq = "MAAHKGAEHHHKAAEHHEQAAKHHHAAAEHHEKGEHEQAAHHADTAYAHHKHAEEHAAQAAKHDAEHHAPKPH" with open("query.fasta", "w") as f: f.write(">query\n" + seq) dp = pipeline.DataPipeline( jackhmmer_binary_path=shutil.which("jackhmmer"), hhblits_binary_path=shutil.which("hhblits"), uniref90_database_path=f"{data_dir}/uniref90/uniref90.fasta", mgnify_database_path=f"{data_dir}/mgnify/mgy_clusters_2022_05.fasta", # bfd / uniref30 / pdb70 路径同构，省略 template_searcher=hhsearch.HHSearch( binary_path=shutil.which("hhsearch"), databases=[f"{data_dir}/pdb70/pdb70"]), template_featurizer=templates.HhsearchHitFeaturizer( mmcif_dir=f"{data_dir}/pdb_mmcif/mmcif_files", max_template_date="2021-12-01", max_hits=20, kalign_binary_path=shutil.which("kalign"))) feat = dp.process(input_fasta_path="query.fasta", msa_output_dir="msas")

管道构造逻辑在alphafold/data/pipeline.py。feat就是 feature dict（模型直接吃的 numpy 数组字典）：aatype one-hot、MSA、deletion matrix、模板，全在一个字典里。

拿到 feature dict 之后，搭模型运行器、按预测键。模型加载逻辑在alphafold/model/model.py的RunModel里，配置和参数各给一份：

from alphafold.model import model, config, data cfg = config.model_config("model_1") # haiku 参数体积小，专用于验证管线；生产换成真实 params 文件 params = data.get_model_haiku_params("model_1", data_dir) runner = model.RunModel(cfg, params) proc = runner.process_features(feat, random_seed=42) out = runner.predict(proc, random_seed=42)

out是大家要追的东西：predicted_lddt（逐残基局部置信度）、predicted_aligned_error（PAE，预测对齐误差，任意残基对之间相对方位的置信矩阵）、structure_module（最终原子坐标）。此刻还是张量字典，变回 PDB 只差一步。

🧬 坐标和置信度都在out里，最后一步是装回蛋白质对象：

import numpy as np from alphafold.common import protein, residue_constants plddt = out["plddt"] # 置信度写进 PDB 的 B 因子列，下游工具可直接按残基读可信度 b = np.repeat(plddt[:, None], residue_constants.atom_type_num, axis=-1) prot = protein.from_prediction( features=proc, result=out, b_factors=b, remove_leading_feature_dimension=False)

装填逻辑在alphafold/common/protein.py的from_prediction，它从structure_module取坐标包成 Protein 对象，protein.to_pdb(prot)随时能拿 PDB 字符串。

⚡ 但 PDB 先别急着存：网络输出可能有键角和位阻问题，要再过一道分子力学打磨——Amber 松弛（alphafold/relax/relax.py的AmberRelaxation）把结构拉回物理合理的构象并补上氢原子：

from alphafold.relax import relax relaxer = relax.AmberRelaxation( max_iterations=0, tolerance=2.39, stiffness=10.0, exclude_residues=[], max_outer_iterations=3, use_gpu=True) pdb, _, _ = relaxer.process(prot=prot) with open("model_1_relaxed.pdb", "w") as f: f.write(pdb)

跑完松弛，文件就落盘了，单链主线结束。

multimer 复合物只换三处：数据管道换成pipeline_multimer.DataPipeline（多要一个 UniProt 库），模型名换成"model_1_multimer"，后面流程原样。显存差距记得留：24G 是单链的，复合物 80G 起步。至此无命令行结构预测全程在 Python 内完成，二进制只是被管道当工具调。

这个结构能不能信：判读 pLDDT 与 PAE 矩阵

📉 先把张量矩阵变成两个能直接看的数组，函数在alphafold/common/confidence.py：

from alphafold.common import confidence raw_plddt = confidence.compute_plddt(out["predicted_lddt"]["logits"]) pae = confidence.compute_predicted_aligned_error( logits=out["predicted_aligned_error"]["logits"], breaks=out["predicted_aligned_error"]["breaks"])["predicted_aligned_error"]

raw_plddt长度等于残基数，pae是残基数 × 残基数；不想重算的话，out["plddt"]里就是同一结果。

pLDDT（逐残基局部置信度，0-100）判读是三档硬标准：>80，局部结构可信，二级结构走向、侧链朝向基本不出错，可直接拿去做对接设计；70-80，中等可靠，骨架走向对，侧链细节要抽查；<50，基本无序，多为 linker 或 loop，坐标别信，只当锚点。

PAE 矩阵是二维版：域内块低、跨域块高，说明域内取向可信，两个域之间的相对朝向不可信。multimer 复合物看 PAE 比看 pLDDT 更要紧，先盯链间块，再决定界面能不能用。

这是 CASP14 留下的结果：蓝是网络预测，绿是实验结构，两者几乎叠在一起——但那是置信度先查过之后的事，流程和上文一致。

往下还能接什么：预测做完之后

• MD 模拟：松弛后 PDB 直接喂 GROMACS 或 Amber，平衡加生产轨迹，验证结构是不是稳定的能量极小。
• 突变效应评估：换掉一个残基重跑主线，对比该位置 pLDDT 落差，量化突变对局部结构的冲击。
• 反向设计：固定骨架，把结构交给序列生成工具反推序列，做从头设计。

三个容易卡住的点：现象、根因、绕过方式

显存爆掉

• 现象：predict在 24G 卡上 OOM，JAX 直接报 out of memory
• 根因：默认配置 num_ensemble=5、num_recycles=3，显存随序列长度平方级涨
• 绕过：单体先跑；紧张时调小 num_ensemble，复合物挪到 80G 卡

数据库体积

• 现象：全量库 2.2TB，磁盘和时间都顶不住
• 根因：full_dbs含 MGNIFY 全量，体积大头在这
• 绕过：run_alphafold.py里db_preset="reduced_dbs"切小库，或先用 haiku 参数验证管线

MSA 耗时

• 现象：单条序列 MSA 搜索几十分钟，批量蛋白预测看着像卡死
• 根因：jackhmmer 迭代检索大库本来就慢，不是挂死
• 绕过：MSA 已有现成时传use_precomputed_msas=True，跳过检索只跑模型段

那坨 MSA 跑完的 feature dict 再到手时，路径已经平了：喂管道、拿张量、变回 PDB，能不能信写在 pLDDT 和 PAE 里。明早先干一件事：用 haiku 参数加 reduced_dbs 把整条主线端到端验一遍，通了再换真实参数上生产。

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