如何用AlphaFold从蛋白序列预测3D结构5分钟跑通附pLDDT读数完整指南【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold你手里有一段蛋白序列跑实验之前想先看看它的三维结构长什么样——这正是AlphaFold这个开源蛋白质结构预测工具最核心的用途把序列丢进去出来的是带原子坐标的PDB文件和每个残基的置信度分数。但第一次打开仓库你会看到556 GB的数据库下载脚本和一堆Docker命令不知道从哪下手网上有些文章还让你加--mutations参数做突变而官方代码里根本没有这个参数。本文带你走一遍最短路径安装、跑通第一条预测、读懂输出再覆盖突变对比和复合物两类常见场景。全景AlphaFold能做什么、不能做什么先说边界避免踩空。AlphaFold做的是给定FASTA格式的单条或多条蛋白序列它先做多序列比对MSA即从数据库里找近亲序列和模板搜索然后默认跑5个模型输出按置信度排序的结构预测并附逐残基pLDDT分数pLDDT可以理解为模型对自己预测的多有把握0-100分越高越可信。它不做没有专门的突变模式突变序列直接当新序列预测即可、不预测配体结合、不做动力学模拟且只支持Linux加NVIDIA GPU。详细流程可参考官方技术笔记。AlphaFold Docker安装与首次运行最短路径先准备好Linux机器、NVIDIA GPU显存越大可预测的蛋白越长、Docker和NVIDIA Container Toolkit。以下命令逐条执行每条后附预期结果。克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/al/alphafold cd alphafold预期仓库出现在本地ls能看到run_alphafold.py和docker/目录。下载遗传数据库和模型参数。硬盘紧张就加reduced_dbs参数只下缩减版数据库约600 GB磁盘即可完整版下载量是556 GB、解压后2.62 TBscripts/download_all_data.sh /data/af_db reduced_dbs预期目录下生成params/、small_bfd/等子目录。注意/data/af_db不要放在仓库目录内否则Docker构建会慢很多。验证Docker能调用GPUdocker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi预期终端列出你的GPU型号和显存。如果输出为空说明NVIDIA Container Toolkit没装好。构建镜像并安装启动脚本依赖docker build -f docker/Dockerfile -t alphafold . pip3 install -r docker/requirements.txt预期构建结束打印Successfully tagged alphafold:latest。最后运行预测输入是FASTA文件行是名字下一行是单字母序列--db_preset必须与你下载的数据库版本一致--output_dir必须是绝对路径python3 docker/run_docker.py \ --fasta_pathsyour_protein.fasta \ --max_template_date2022-01-01 \ --db_presetreduced_dbs \ --data_dir/data/af_db \ --output_dir/home/user/output--max_template_date限制模板结构的最晚发布日期。预期输出目录下出现以FASTA文件名不含扩展名命名的子目录里面有ranked_0.pdb——1000残基的蛋白纯结构预测在A100上约96秒加上数据库搜索时间会再长一些。结果怎么读输出文件与pLDDT置信度对照表每个目标的输出子目录内容如下文件内容ranked_0.pdb~ranked_4.pdb按置信度排序的预测结构ranked_0最高逐残基pLDDT存在PDB的B-factor列confidence_model_*.json每个模型的逐残基pLDDT及D/L/M/H分级unrelaxed_model_*.pdb/relaxed_model_*.pdb松弛前后的原始结构ranking_debug.json5个模型各自的排名分数relax_metrics.json松弛后剩余几何违规数timings.json各阶段耗时pLDDT读数对照分级逻辑见 alphafold/common/confidence.py指标取值范围含义异常时怎么办pLDDT90-100H结构高度可靠—70-90M结构较可靠—50-70L置信度偏低结合5个模型互相印证不要单独依赖一个0-50D可能是无序区域该区域的局部结构别做结论remaining_violations_count0最佳松弛后剩余几何违规数非0时检查结构或换--models_to_relax重跑ptm仅monomer_ptm/multimer0-1整体结构装配的把握偏低说明域间排布不可靠上图是CASP14目标蛋白的预测过程结构按置信度着色颜色越深代表预测越可靠。三个典型使用场景场景一单条蛋白预测结构默认用法上面那条run_docker.py命令默认就是monomer预设5个模型各跑一次取pLDDT最高的。适合你手里只有一条序列、想要最可信的一个结构的绝大多数情况。判断结果看ranked_0.pdb对应的pLDDT主体落在H/M区间即可放心引用。场景二评估氨基酸突变对结构的影响再强调一次官方代码没有--mutations参数正确做法是把突变后的序列直接当新序列预测再和野生型对比。流程取野生型序列把目标位置改成单字母代码存成A25D.fastawt.fasta同理。一条命令依次预测两个文件python3 docker/run_docker.py \ --fasta_pathswt.fasta,A25D.fasta \ --max_template_date2022-01-01 \ --db_presetreduced_dbs \ --data_dir/data/af_db \ --output_dir/home/user/output预期输出目录出现wt/和A25D/两个子目录。对比两份confidence_model_*.json如果突变位点pLDDT从H跌到M/L说明模型对突变后的局部结构拿不准值得警惕再把两个ranked_0.pdb在可视化工具里叠加看侧链朝向是否改变。官方提供的notebooks/AlphaFold.ipynb用py3Dmol即可在浏览器里按置信度着色旋转查看。注意pLDDT衡量的是模型自信程度不等于蛋白热力学稳定性两者相关但不是一回事。场景三蛋白复合物预测一个FASTA里放多条序列就是复合物输入换multimer预设python3 docker/run_docker.py \ --fasta_pathscomplex.fasta \ --model_presetmultimer \ --max_template_date2021-11-01 \ --data_dir/data/af_db \ --output_dir/home/user/output预期默认每个模型跑5个随机种子共25次预测想提速可加--num_multimer_predictions_per_model1。判断结果除了pLDDT重点看ptm和PAE残基对之间的预测对齐误差越小越好域间排布可靠才能谈结合界面。避坑与边界只支持LinuxNVIDIA GPU没有GPU就租一台A100或用社区维护的Singularity方案HPC集群常见。完整数据库太大磁盘不够就用reduced_dbs速度换质量官方明确两者是配对使用的下载时加参数运行时--db_presetreduced_dbs。数据库别放进仓库目录run_docker.py会直接报错或让构建极慢放独立盘、独立目录。B-factor列的pLDDT反着普通B-factor越大越无序这里pLDDT越大越好拿PDB去做分子替换时容易用错方向。--use_precomputed_msas复用MSA不校验序列是否变了只对同一条序列调参数时使用换序列后禁用。同一蛋白多次运行结果可能有差异官方点名T1064这类靶点5模型取最优已能缓解需要可复现结果就固定--random_seed。输出仅供理论建模官方声明不用于临床用途置信度低的区域务必谨慎引用。收尾自查清单跑nvidia-smi能看到GPUDocker构建无报错输出目录里存在ranked_0.pdb和confidence_model_*.json关键区域的pLDDT落在H/M区间而非Drelax_metrics.json的remaining_violations_count接近0做了突变对比的话野生型和突变型用了相同的--max_template_date和数据库版本核心入口是主预测脚本和Docker启动脚本数据库脚本在scripts/。先跑通场景一再扩展到突变和复合物你就掌握了AlphaFold日常使用的主要路径。【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考