AlphaFold这名字做生科或者医药的应该都不陌生。这几年蛋白结构预测几乎就是它带火的动不动看到“某个未知蛋白结构被解开”的新闻。但对绝大多数零基础的人来说真正卡住的不是“不知道这东西厉害”而是“我拿到手到底怎么跑起来、跑完又怎么判断结果靠不靠谱”。这篇就是把那段路替你铺平从环境选择、序列准备、参数设置到结果解读、常见报错全部按0基础能上手的标准来写。我自己从完全不会命令行开始到现在能批量跑几十条序列中间踩过的坑基本都会写出来你照着走就行。1. AlphaFold到底在做什么为什么实验室都在用它1.1 从一条氨基酸序列到一份三维坐标中间发生了什么先建立正确的心智模型。蛋白质本质是一条氨基酸序列但这条链在细胞里会自己折叠成特定的三维结构而结构又直接决定它怎么跟其他分子结合、怎么催化反应、怎么行使功能。过去想拿到结构主要靠X射线晶体学、冷冻电镜、核磁共振这些实验手段费时费力费钱很多蛋白还根本养不出晶体、冻不出颗粒实验路直接堵死。AlphaFold干的事就是输入一条氨基酸序列输出一个预测的三维坐标文件。它内部用深度学习模型通过多序列比对就是MSAMultiple Sequence Alignment挖掘进化信息再利用注意力机制去推断残基之间的空间接触关系。你不需要理解Transformer和注意力机制的数学细节但必须记住一条核心逻辑AlphaFold的预测不是凭空“画”一个结构而是大量参考了自然界里同源蛋白的序列差异和共进化信息。这就是为什么它对于有丰富同源序列的蛋白预测得准对孤儿序列数据库里找不到亲戚的序列就会明显吃力。还有一点需要澄清AlphaFold输出的不是实验验证过的“真实结构”而是一个高置信度的计算模型。你可以把它理解为“根据进化证据推算出来的最合理折叠方式”它足够用于很多科研和工业场景但不能替代实验结构作为最终证据。1.2 和实验结构相比它快在哪、准在哪、坑在哪实验结构的获取周期我见过太多人年轻时候搭晶体搭一年都搭不出来的冷冻电镜虽然进步快但样品制备和数据处理也动不动以月为单位。AlphaFold的核心优势就是快单条中等长度蛋白300到500个残基用一块中高端显卡几分钟到几十分钟就能跑完即使没显卡用云端环境也能在可接受时间内拿到结果。精度方面这里要说得客观一点。AlphaFold2在公开基准上的预测精度对于很多单结构域蛋白已经接近实验分辨率这也是当年引起轰动的原因。但它不是万能的对长蛋白、多结构域蛋白域与域之间的相对位置经常预测不准但每个域内部结构可能是准的。对 intrinsically disordered regions内在无序区它本质上预测不出固定结构却会给你一个低置信度的“随机卷曲”形状很多人第一次看结果容易被误导。对点突变引起的局部构象变化AlphaFold2并不敏感。它倾向于预测出野生型的折叠突变体预测结果看起来几乎一样这是模型原理导致的不是设置错误。把这些搞清楚你就不至于拿着AlphaFold结果跟审稿人硬刚知道什么时候该信、什么时候该补做实验或者改用其他工具。1.3 哪些人适合马上用哪些人应该再等一下我接触过的用户基本分三类第一类是做药物研发早期的需要快速评估某个靶点的可成药性或者筛选一系列突变体AlphaFold可以在几天内给出初步模型作为分子对接、虚拟筛选的输入结构。这类人非常适合马上用能极大压缩早期立项周期。第二类是做抗体工程、酶工程、蛋白质设计改造的。需要理解抗原-抗体相互作用界面或者想对某个酶做理性设计AlphaFold预测的界面残基虽然有误差但作为突变设计的起点非常香。需要注意不同体系有不同坑后面会展开。第三类是想用预测结构发结构生物学论文、做精细的分子机制研究的人。这类人我劝你别把AlphaFold当终点它可以帮你快速拿到初始模型用于解析实验数据、辅助建模但最终结论必须以实验数据为准。在投稿时如果只用预测结构很多期刊是不认的。2. 零基础怎么选路数据库、云端、本地部署三条路线2.1 先查数据库这是成本最低的一步很多零基础用户不知道对大量已知蛋白你根本不需要自己跑AlphaFold直接去公共预测结构数据库查就行。这类数据库已经把AlphaFold预测结果批量算好提供下载入口你只需要输入蛋白名或者序列找到对应条目下载PDB文件就能用。我建议所有人第一次接触AlphaFold时先别急着跑去数据库里翻一下你的目标蛋白有没有现成结果。查到的概率非常高尤其是模式生物的蛋白组数据已经覆盖得很全。这一步能帮你建立“预测结构长什么样、PDB文件里有什么”的直觉也能锻炼你判断结果好坏的能力。下载到的文件通常是PDB格式里面除了原子坐标还包含每个残基的预测置信度打分pLDDT可以直接在PyMOL或ChimeraX里按颜色显示。就算你完全不懂生物信息学这一步也能在十分钟内完成属于真正的零基础体验。2.2 云端笔记本ColabFold不折腾环境的首选如果你的目标蛋白在数据库里没有现成结果或者你是想做点突变、多聚体预测这些数据库覆盖不到的场景那就要自己跑了。此时我强烈建议零基础用户走的路线是云端笔记本也就是ColabFold。很多新手一上来就想在本地装AlphaFold我非常不建议原因后面会说。ColabFold的优势很明显不需要你自己装Linux、配CUDA、下几百GB的数据库只需要在网页上打开官方笔记本按顺序执行单元格填上你的序列就能跑出结果。它背后已经帮你处理了MSA搜索和模型推理的大部分流程相当于把AlphaFold封装成了“填表工具”。你只要记住一条原则先搜索“ColabFold 官方仓库”打开说明里列出的笔记本链接跟着里面标记好的步骤走。这个过程是点击操作基本不会遇到环境问题。跑完后下载结果压缩包里面已经有PDB文件、置信度分数和PAE矩阵图。2.3 本地部署AlphaFold2硬核路线什么时候才值得本地部署AlphaFold2是另一条路线如果你本身不是在服务器上跑大批量任务真没必要一开始就弄。AlphaFold2本地版需要下载的数据库总量在2.5TB以上包括BFD、Uniref90、MGnify等加上模型参数和代码你至少得准备3TB左右的磁盘空间。显卡推荐显存24GB以上虽然16GB也能跑短序列但长了很容易爆显存。操作系统基本限定LinuxWindows需要借助Docker或WSL2网络还要能稳定访问海外数据源下载数据库这一步就能劝退大半新手。那什么情况才值得本地部署一是你有大量序列要跑比如几百上千条云端逐个跑既慢又贵。二是你要跑多聚体预测或者需要频繁调整参数。三是你在某高校或某公司的服务器上管理员已经把环境配好了你只是使用者。这种情况你懂基本命令就能跑。如果你决定本地部署两条路选一条用官方脚本跑Docker容器或者自己建conda环境。Docker路线最省心官方脚本会帮你把数据库、模型参数、依赖全部装好缺点是数据库下载时间很长取决于网速我曾经在某个实验室的服务器上跑了差不多两天才下完。conda路线适合喜欢手动控制的人但也意味着你要自己处理CUDA版本、Python依赖、OpenMM补丁这些头疼事。新手乖乖走Docker。3. 实战操作从序列准备到跑出第一个结构3.1 准备序列文件四个细节决定成败先讲序列文件准备这一步出错率极高但全是低级错误。第一格式必须是FASTA格式。第一行以大于号开头后面跟一个你自己起的名字名字里不要有空格不要有特殊符号第二行开始是氨基酸序列。示例my_protein MKTIIALSYIFCLVFADYKDDDDKVEAGRLFDGQ第二序列里只能有标准氨基酸字母。常见错误是序列里混入了数字、空格、星号、或者小写字母混杂。你从某个数据库复制序列时可能顺便复制了行号、起始位置、终止密码子之类的都要清理干净。大小写一般不影响AlphaFold但我建议统一用大写避免各家工具处理不一致。第三检查有没有非标准残基或者修饰残基。比如磷酸化丝氨酸、乙酰化赖氨酸这种化学修饰FASTA序列里体现不出来AlphaFold也预测不了修饰对结构的影响你只能预测修饰前的序列然后结合实验信息去推测。磷半胱氨酸、硒代甲硫氨酸这类稀有位点同理。第四注意链的编号。如果你要做多聚体不同链序列之间用冒号分隔例如在ColabFold界面里输入“A链序列:B链序列”表示复合物这个约定在不同的前端工具里可能不同看界面提示。很多人一开始当成单链提交结果跑出来的只是单体白白浪费时间。3.2 云端跑一次完整流程不管你是用ColabFold的笔记本还是本地版逻辑都是三步给序列、设置参数、开始预测。云端版本更简单我就以它为例。打开笔记本之后找到序列输入框把FASTA格式的序列粘贴进去。接着有几个关键参数jobname给你的任务起个名最好和蛋白名相关方便后面认领结果。num_models要跑几个独立模型。AlphaFold包含多个模型参数预测同一序列会得到略有差异的结构最后会选排名最高的。默认5个就够穷一点跑3个也行。num_recycles模型迭代次数。默认3到5次比较主流。迭代太多会让结果趋于收敛但时间明显变长。model_type是跑单链还是多聚体预测复合物要选对应的multimer模型。这些参数不用一次搞明白初期直接用默认值就好。执行完所有单元格后界面底部会出现结果下载链接一般是一个zip压缩包里面包含每个模型对应的PDB文件排名机制生成的JSON文件原始MSA文件PAE矩阵图、pLDDT曲线等可视化结果下载到本地后解压先看排名第一的PDB文件这就是你这次预测的“最优结果”。很多新手下完压缩包就以为结束了其实真正的工作才刚刚开始——你得学会看它到底靠不靠谱。3.3 本地跑一次命令与参数全解析本地部署过之后日常跑预测的命令其实不长。官方Docker方式下核心是跑run_docker.py脚本一个典型命令长这样python3 run_docker.py \ --fasta_pathsmy_protein.fasta \ --max_template_date2023-01-01 \ --output_dir./af2_output \ --model_presetmonomer_ptm \ --db_presetfull_dbs这里每个参数背后都有讲究--max_template_date是模板搜索的截止日期作用是限定只使用这个日期之前入库的实验结构作为模板。日常预测设成当前日期即可但如果你刻意想预测一个“新近才发现、不可能有模板”的蛋白构象就把它设早一点避免模板信息泄漏到评估里。做时间敏感研究时这个参数尤其重要。--model_preset有三个常见取值monomer只输出单体结构不带域间置信度信息monomer_ptm会额外输出PAE矩阵推荐做单链预测时都用它multimer用于多聚体复合物预测。新手预测单体蛋白请直接用monomer_ptm信息更全。--db_preset有两个值full_dbs完整数据库和reduced_dbs精简数据库。本地部署后如果磁盘紧张装reduced版本也能跑只是MSA搜索的召回率略低。除非你跑特别难的同源搜索任务否则reduced在多数场景下够用。跑起来之后日志会一屏一屏地滚内容包括MSA搜索进度、模板搜索进度、模型推理进度。第一次跑不要慌看到“Total JAX model prediction time”之类的输出说明模型推理已经开始。如果日志卡在某个步骤很久不动多数是数据库读取或者网络请求超时。3.4 跑完拿到哪些文件各是什么最终输出目录里通常是这样的结构output_dir/ 20240501_123456/ features.pkl ranked_0.pdb ranked_1.pdb ranking_debug.json msas/ uniref90_hits.a3m bfd_hits.a3m result_model_0_pred_0.pkl你要重点关注的是ranked_0.pdb这是综合排名最高的模型。result_model_0_pred_0.pkl里面存了详细预测数据包括pLDDT分数、PAE矩阵可视化工具常从这里读数据。ranking_debug.json记录了每个模型的排名依据主要是pLDDT加权得分。features.pkl是特征文件包含序列、MSA、模板信息做深度学习二次分析的人才会用到新手可以先忽略。4. 怎么读懂结果只看“像不像”会翻车4.1 pLDDT每个残基的可信度打分PDB文件出来之后很多人的第一反应是用PyMOL打开看一眼“像不像一个蛋白”。外形直觉有用但不能作为可信度判断依据。真正要看的第一个指标是pLDDT数值范围0到100代表每个残基的预测置信度。AlphaFold输出PDB时会把pLDDT存到B-factor那一列所以各种分子可视化软件都可以直接按B-factor着色。判断标准已经被大量验证过pLDDT区间含义建议处理方式大于90非常高置信度相当于实验精度可以放心用于分子对接、理性设计70到90可信但局部可能有偏差结合实验信息使用注意关键残基50到70低置信度可能只是形状大致正确只作为拓扑参考别用于细节分析小于50很可能是无序区或者预测失败不要当作真实结构注明为无序区观察pLDDT曲线特别有助于定位问题区域。如果蛋白N端前50个残基全在50以下那基本可以判断这是一段无序尾巴而不是“预测错了”。如果你知道你研究的蛋白确实有功能结构域却在某个关键区域得到低pLDDT那就要小心了最好用其他工具交叉验证或者补实验。4.2 PAE图判断结构域之间的相对位置pLDDT只能告诉你每个位置本身的置信度但回答不了“两个结构域之间的空间摆位对不对”。这时候要看PAE矩阵。PAE的全称是Predicted Aligned Error矩阵里每个位置代表残基i和残基j之间相对位置误差的预测值单位是埃。简单说PAE图里颜色越蓝表示预测的相对位置越可靠越红表示误差越大。如果整个矩阵大片蓝色说明所有残基之间的相对位置都预测得很稳。如果某个结构域内部是蓝色但跨域区域出现大片红色块说明每个结构域内部折叠预测没问题但两个域之间的相对朝向不可信。这个判断非常实用因为多结构域蛋白恰恰是AlphaFold最容易出问题的地方。很多人拿AlphaFold预测结果做全长蛋白的分子对接如果不先看一眼PAE很可能基于一个“域间朝向完全错掉”的模型得出结论整个分子机制分析就白做了。4.3 用PyMOL快速上手看结构说几个可视化高频操作。PyMOL是结构生物学用得最多的免费软件之一适合新手。打开PDB文件后先关掉原来的线条展示方式用卡通图显示主链# 打开文件 load my_protein.pdb # 显示卡通 hide all show cartoon然后按pLDDT着色因为pLDDT存储在B-factor列直接用spectrum命令spectrum b, blue_white_red, minimum0, maximum100这样高置信度区域显示为蓝色低置信度区域显示为红色很直观。如果你想让卡通图按B-factor着色需要先把B-factor赋值给卡通图cartoon putty spectrum b, blue_white_red, minimum0, maximum100, cartoon1选中某个残基看位置也很简单select residue 123 zoom sel多花十分钟熟悉这几个命令后续看结果效率能翻倍。如果你用的是ChimeraX原理一样界面更现代菜单点击也能完成不一定要记命令。4.4 这个模型到底能不能信我的综合判断顺序我一般看一个新预测结构时按这个顺序走第一打开pLDDT曲线图快速扫描低分区域把所有低于50的片段标出来确认是不是无序区或柔性接头。第二步打开PAE矩阵确认各结构域之间的关系是否可靠如果有红色大块就在后续分析中只做域内分析不做过度的全长刚体对接。第三步在PyMOL里按照pLDDT着色看二级结构是否合理比如跨膜蛋白有没有形成合理的跨膜螺旋活性位点残基有没有聚在一起。第四步有条件的话和同源实验结构做叠合比对算一下RMSD。如果RMSD小于2埃这个模型对外围分析已经很够用如果大于5埃就要慎重。5. 新手最容易踩的坑我先替你踩了一遍5.1 数据库下载失败、磁盘空间耗尽本地部署时最崩溃的环节不是跑模型而是下载数据库。常见报错是连接超时、下载中断、磁盘空间不足。我建议分两步走第一步用df -h确认磁盘余量至少留出3TB空间。第二步下载时用官方脚本的断点续传机制某些版本脚本支持如果不支持就自己用支持断点的下载工具先下载好数据库文件再手动放到指定目录并解压。数据库文件下载齐全后检查目录结构是否和工具预期一致。大多数人第一次跑失败都是数据库文件放错位置或者解压了一半。启动前先用官方自带的检查脚本跑一遍比直接跑预测快得多。5.2 显存爆了怎么救跑模型最常遇到的报错是CUDA out of memory。如果序列长度在800个残基以上24GB显存也可能紧张。几个应急手段把--num_recycles调小比如从5降到3显存占用会下降但精度略有损失。用model_presetmonomer而不是monomer_ptm省掉一部分额外输出计算。拆分序列跑结构域而不是跑全长。但注意这会丢失域间位置信息你得结合PAE分析判断能不能接受。换用ColabFold的云端环境直接绕开本地显存限制。如果以上手段都不行那就不是参数问题是硬件天花板。要么换大显存显卡要么认真考虑断舍离——剪掉低复杂度或者无序区再跑。5.3 结果太“完美”反而要警惕有一种情况我见得特别多预测结果看起来极其漂亮pLDDT大片蓝色结构非常紧凑但实际功能实验反复验证都对不上。这种情况往往发生在低复杂度序列区域或者序列同源信息极度富集的蛋白上。AlphaFold擅长从进化信息里找到强约束但如果你预测的蛋白是一个融合蛋白、人工设计的嵌合体或者序列来源非常特殊模型给出的高置信度可能只是一种“过度自信”。判断标准仍要看PAE和与实验结构的比对而不是只看平均pLDDT高就万事大吉。5.4 多聚体、抗体、突变体的现实边界很多人拿到AlphaFold后第一个想跑的是蛋白复合物预测但多聚体预测的难度高于单体而且对序列输入格式非常敏感。ColabFold提供了multimer模式网上也有大量教程但要注意预测复合物时两条链的序列都必须是完整序列不能只喂一个结构域否则界面预测会失真。抗体这类体系CDR区尤其是H3 loop的预测精度远低于框架区所有做抗体设计的人都要有心理准备不能只看整体pLDDT不错就认为CDR构象可信。对于点突变AlphaFold2基本不敏感如果你要评估突变对结构稳定性的影响更合适的是突变扫描结合自由能变化而不是直接用AlphaFold预测突变体结构。6. 我现在的固定流程和建议最后按我的经验给一条目前用下来最顺的路径。新蛋白进来先查公共预测库有就直接下载不折腾。查不到把序列丢到ColabFold跑一轮拿到监控指标和可视化结果做个初步评估。如果需要批量预测、多聚体变体扫描或者涉及敏感数据只能在本地处理才动用本地AlphaFold部署。本地跑的时候我会把不同蛋白的序列文件分开放每条序列一个目录输出结果也按蛋白名命名这样批量跑完不至于认领不到哪个是哪个。还有一个小技巧跑完结果不要只看排名第一的那个PDB把五个模型都叠合看一眼。如果五个模型之间主体结构一致只是在loop区域有摆动的区别这是好迹象。如果五个模型彼此间差异巨大说明这个蛋白的预测本身就不稳定排第一的模型也只是“相对最优”这时候一定记得把这个不确定性写进你的分析报告里。工具是加速器不是答案本身。AlphaFold让我这样以前不碰结构生物学的人也能快速做结构相关的判断但它最厉害的地方不是“给你一个正确答案”而是“给你一个高质量的候选假设”。拿着这个假设去设计实验、去和功能数据互相印证才是这套流程真正有用的地方。
AlphaFold这名字做生科或者医药的应该都不陌生。这几年蛋白结构预测几乎就是它带火的动不动看到“某个未知蛋白结构被解开”的新闻。但对绝大多数零基础的人来说真正卡住的不是“不知道这东西厉害”而是“我拿到手到底怎么跑起来、跑完又怎么判断结果靠不靠谱”。这篇就是把那段路替你铺平从环境选择、序列准备、参数设置到结果解读、常见报错全部按0基础能上手的标准来写。我自己从完全不会命令行开始到现在能批量跑几十条序列中间踩过的坑基本都会写出来你照着走就行。1. AlphaFold到底在做什么为什么实验室都在用它1.1 从一条氨基酸序列到一份三维坐标中间发生了什么先建立正确的心智模型。蛋白质本质是一条氨基酸序列但这条链在细胞里会自己折叠成特定的三维结构而结构又直接决定它怎么跟其他分子结合、怎么催化反应、怎么行使功能。过去想拿到结构主要靠X射线晶体学、冷冻电镜、核磁共振这些实验手段费时费力费钱很多蛋白还根本养不出晶体、冻不出颗粒实验路直接堵死。AlphaFold干的事就是输入一条氨基酸序列输出一个预测的三维坐标文件。它内部用深度学习模型通过多序列比对就是MSAMultiple Sequence Alignment挖掘进化信息再利用注意力机制去推断残基之间的空间接触关系。你不需要理解Transformer和注意力机制的数学细节但必须记住一条核心逻辑AlphaFold的预测不是凭空“画”一个结构而是大量参考了自然界里同源蛋白的序列差异和共进化信息。这就是为什么它对于有丰富同源序列的蛋白预测得准对孤儿序列数据库里找不到亲戚的序列就会明显吃力。还有一点需要澄清AlphaFold输出的不是实验验证过的“真实结构”而是一个高置信度的计算模型。你可以把它理解为“根据进化证据推算出来的最合理折叠方式”它足够用于很多科研和工业场景但不能替代实验结构作为最终证据。1.2 和实验结构相比它快在哪、准在哪、坑在哪实验结构的获取周期我见过太多人年轻时候搭晶体搭一年都搭不出来的冷冻电镜虽然进步快但样品制备和数据处理也动不动以月为单位。AlphaFold的核心优势就是快单条中等长度蛋白300到500个残基用一块中高端显卡几分钟到几十分钟就能跑完即使没显卡用云端环境也能在可接受时间内拿到结果。精度方面这里要说得客观一点。AlphaFold2在公开基准上的预测精度对于很多单结构域蛋白已经接近实验分辨率这也是当年引起轰动的原因。但它不是万能的对长蛋白、多结构域蛋白域与域之间的相对位置经常预测不准但每个域内部结构可能是准的。对 intrinsically disordered regions内在无序区它本质上预测不出固定结构却会给你一个低置信度的“随机卷曲”形状很多人第一次看结果容易被误导。对点突变引起的局部构象变化AlphaFold2并不敏感。它倾向于预测出野生型的折叠突变体预测结果看起来几乎一样这是模型原理导致的不是设置错误。把这些搞清楚你就不至于拿着AlphaFold结果跟审稿人硬刚知道什么时候该信、什么时候该补做实验或者改用其他工具。1.3 哪些人适合马上用哪些人应该再等一下我接触过的用户基本分三类第一类是做药物研发早期的需要快速评估某个靶点的可成药性或者筛选一系列突变体AlphaFold可以在几天内给出初步模型作为分子对接、虚拟筛选的输入结构。这类人非常适合马上用能极大压缩早期立项周期。第二类是做抗体工程、酶工程、蛋白质设计改造的。需要理解抗原-抗体相互作用界面或者想对某个酶做理性设计AlphaFold预测的界面残基虽然有误差但作为突变设计的起点非常香。需要注意不同体系有不同坑后面会展开。第三类是想用预测结构发结构生物学论文、做精细的分子机制研究的人。这类人我劝你别把AlphaFold当终点它可以帮你快速拿到初始模型用于解析实验数据、辅助建模但最终结论必须以实验数据为准。在投稿时如果只用预测结构很多期刊是不认的。2. 零基础怎么选路数据库、云端、本地部署三条路线2.1 先查数据库这是成本最低的一步很多零基础用户不知道对大量已知蛋白你根本不需要自己跑AlphaFold直接去公共预测结构数据库查就行。这类数据库已经把AlphaFold预测结果批量算好提供下载入口你只需要输入蛋白名或者序列找到对应条目下载PDB文件就能用。我建议所有人第一次接触AlphaFold时先别急着跑去数据库里翻一下你的目标蛋白有没有现成结果。查到的概率非常高尤其是模式生物的蛋白组数据已经覆盖得很全。这一步能帮你建立“预测结构长什么样、PDB文件里有什么”的直觉也能锻炼你判断结果好坏的能力。下载到的文件通常是PDB格式里面除了原子坐标还包含每个残基的预测置信度打分pLDDT可以直接在PyMOL或ChimeraX里按颜色显示。就算你完全不懂生物信息学这一步也能在十分钟内完成属于真正的零基础体验。2.2 云端笔记本ColabFold不折腾环境的首选如果你的目标蛋白在数据库里没有现成结果或者你是想做点突变、多聚体预测这些数据库覆盖不到的场景那就要自己跑了。此时我强烈建议零基础用户走的路线是云端笔记本也就是ColabFold。很多新手一上来就想在本地装AlphaFold我非常不建议原因后面会说。ColabFold的优势很明显不需要你自己装Linux、配CUDA、下几百GB的数据库只需要在网页上打开官方笔记本按顺序执行单元格填上你的序列就能跑出结果。它背后已经帮你处理了MSA搜索和模型推理的大部分流程相当于把AlphaFold封装成了“填表工具”。你只要记住一条原则先搜索“ColabFold 官方仓库”打开说明里列出的笔记本链接跟着里面标记好的步骤走。这个过程是点击操作基本不会遇到环境问题。跑完后下载结果压缩包里面已经有PDB文件、置信度分数和PAE矩阵图。2.3 本地部署AlphaFold2硬核路线什么时候才值得本地部署AlphaFold2是另一条路线如果你本身不是在服务器上跑大批量任务真没必要一开始就弄。AlphaFold2本地版需要下载的数据库总量在2.5TB以上包括BFD、Uniref90、MGnify等加上模型参数和代码你至少得准备3TB左右的磁盘空间。显卡推荐显存24GB以上虽然16GB也能跑短序列但长了很容易爆显存。操作系统基本限定LinuxWindows需要借助Docker或WSL2网络还要能稳定访问海外数据源下载数据库这一步就能劝退大半新手。那什么情况才值得本地部署一是你有大量序列要跑比如几百上千条云端逐个跑既慢又贵。二是你要跑多聚体预测或者需要频繁调整参数。三是你在某高校或某公司的服务器上管理员已经把环境配好了你只是使用者。这种情况你懂基本命令就能跑。如果你决定本地部署两条路选一条用官方脚本跑Docker容器或者自己建conda环境。Docker路线最省心官方脚本会帮你把数据库、模型参数、依赖全部装好缺点是数据库下载时间很长取决于网速我曾经在某个实验室的服务器上跑了差不多两天才下完。conda路线适合喜欢手动控制的人但也意味着你要自己处理CUDA版本、Python依赖、OpenMM补丁这些头疼事。新手乖乖走Docker。3. 实战操作从序列准备到跑出第一个结构3.1 准备序列文件四个细节决定成败先讲序列文件准备这一步出错率极高但全是低级错误。第一格式必须是FASTA格式。第一行以大于号开头后面跟一个你自己起的名字名字里不要有空格不要有特殊符号第二行开始是氨基酸序列。示例my_protein MKTIIALSYIFCLVFADYKDDDDKVEAGRLFDGQ第二序列里只能有标准氨基酸字母。常见错误是序列里混入了数字、空格、星号、或者小写字母混杂。你从某个数据库复制序列时可能顺便复制了行号、起始位置、终止密码子之类的都要清理干净。大小写一般不影响AlphaFold但我建议统一用大写避免各家工具处理不一致。第三检查有没有非标准残基或者修饰残基。比如磷酸化丝氨酸、乙酰化赖氨酸这种化学修饰FASTA序列里体现不出来AlphaFold也预测不了修饰对结构的影响你只能预测修饰前的序列然后结合实验信息去推测。磷半胱氨酸、硒代甲硫氨酸这类稀有位点同理。第四注意链的编号。如果你要做多聚体不同链序列之间用冒号分隔例如在ColabFold界面里输入“A链序列:B链序列”表示复合物这个约定在不同的前端工具里可能不同看界面提示。很多人一开始当成单链提交结果跑出来的只是单体白白浪费时间。3.2 云端跑一次完整流程不管你是用ColabFold的笔记本还是本地版逻辑都是三步给序列、设置参数、开始预测。云端版本更简单我就以它为例。打开笔记本之后找到序列输入框把FASTA格式的序列粘贴进去。接着有几个关键参数jobname给你的任务起个名最好和蛋白名相关方便后面认领结果。num_models要跑几个独立模型。AlphaFold包含多个模型参数预测同一序列会得到略有差异的结构最后会选排名最高的。默认5个就够穷一点跑3个也行。num_recycles模型迭代次数。默认3到5次比较主流。迭代太多会让结果趋于收敛但时间明显变长。model_type是跑单链还是多聚体预测复合物要选对应的multimer模型。这些参数不用一次搞明白初期直接用默认值就好。执行完所有单元格后界面底部会出现结果下载链接一般是一个zip压缩包里面包含每个模型对应的PDB文件排名机制生成的JSON文件原始MSA文件PAE矩阵图、pLDDT曲线等可视化结果下载到本地后解压先看排名第一的PDB文件这就是你这次预测的“最优结果”。很多新手下完压缩包就以为结束了其实真正的工作才刚刚开始——你得学会看它到底靠不靠谱。3.3 本地跑一次命令与参数全解析本地部署过之后日常跑预测的命令其实不长。官方Docker方式下核心是跑run_docker.py脚本一个典型命令长这样python3 run_docker.py \ --fasta_pathsmy_protein.fasta \ --max_template_date2023-01-01 \ --output_dir./af2_output \ --model_presetmonomer_ptm \ --db_presetfull_dbs这里每个参数背后都有讲究--max_template_date是模板搜索的截止日期作用是限定只使用这个日期之前入库的实验结构作为模板。日常预测设成当前日期即可但如果你刻意想预测一个“新近才发现、不可能有模板”的蛋白构象就把它设早一点避免模板信息泄漏到评估里。做时间敏感研究时这个参数尤其重要。--model_preset有三个常见取值monomer只输出单体结构不带域间置信度信息monomer_ptm会额外输出PAE矩阵推荐做单链预测时都用它multimer用于多聚体复合物预测。新手预测单体蛋白请直接用monomer_ptm信息更全。--db_preset有两个值full_dbs完整数据库和reduced_dbs精简数据库。本地部署后如果磁盘紧张装reduced版本也能跑只是MSA搜索的召回率略低。除非你跑特别难的同源搜索任务否则reduced在多数场景下够用。跑起来之后日志会一屏一屏地滚内容包括MSA搜索进度、模板搜索进度、模型推理进度。第一次跑不要慌看到“Total JAX model prediction time”之类的输出说明模型推理已经开始。如果日志卡在某个步骤很久不动多数是数据库读取或者网络请求超时。3.4 跑完拿到哪些文件各是什么最终输出目录里通常是这样的结构output_dir/ 20240501_123456/ features.pkl ranked_0.pdb ranked_1.pdb ranking_debug.json msas/ uniref90_hits.a3m bfd_hits.a3m result_model_0_pred_0.pkl你要重点关注的是ranked_0.pdb这是综合排名最高的模型。result_model_0_pred_0.pkl里面存了详细预测数据包括pLDDT分数、PAE矩阵可视化工具常从这里读数据。ranking_debug.json记录了每个模型的排名依据主要是pLDDT加权得分。features.pkl是特征文件包含序列、MSA、模板信息做深度学习二次分析的人才会用到新手可以先忽略。4. 怎么读懂结果只看“像不像”会翻车4.1 pLDDT每个残基的可信度打分PDB文件出来之后很多人的第一反应是用PyMOL打开看一眼“像不像一个蛋白”。外形直觉有用但不能作为可信度判断依据。真正要看的第一个指标是pLDDT数值范围0到100代表每个残基的预测置信度。AlphaFold输出PDB时会把pLDDT存到B-factor那一列所以各种分子可视化软件都可以直接按B-factor着色。判断标准已经被大量验证过pLDDT区间含义建议处理方式大于90非常高置信度相当于实验精度可以放心用于分子对接、理性设计70到90可信但局部可能有偏差结合实验信息使用注意关键残基50到70低置信度可能只是形状大致正确只作为拓扑参考别用于细节分析小于50很可能是无序区或者预测失败不要当作真实结构注明为无序区观察pLDDT曲线特别有助于定位问题区域。如果蛋白N端前50个残基全在50以下那基本可以判断这是一段无序尾巴而不是“预测错了”。如果你知道你研究的蛋白确实有功能结构域却在某个关键区域得到低pLDDT那就要小心了最好用其他工具交叉验证或者补实验。4.2 PAE图判断结构域之间的相对位置pLDDT只能告诉你每个位置本身的置信度但回答不了“两个结构域之间的空间摆位对不对”。这时候要看PAE矩阵。PAE的全称是Predicted Aligned Error矩阵里每个位置代表残基i和残基j之间相对位置误差的预测值单位是埃。简单说PAE图里颜色越蓝表示预测的相对位置越可靠越红表示误差越大。如果整个矩阵大片蓝色说明所有残基之间的相对位置都预测得很稳。如果某个结构域内部是蓝色但跨域区域出现大片红色块说明每个结构域内部折叠预测没问题但两个域之间的相对朝向不可信。这个判断非常实用因为多结构域蛋白恰恰是AlphaFold最容易出问题的地方。很多人拿AlphaFold预测结果做全长蛋白的分子对接如果不先看一眼PAE很可能基于一个“域间朝向完全错掉”的模型得出结论整个分子机制分析就白做了。4.3 用PyMOL快速上手看结构说几个可视化高频操作。PyMOL是结构生物学用得最多的免费软件之一适合新手。打开PDB文件后先关掉原来的线条展示方式用卡通图显示主链# 打开文件 load my_protein.pdb # 显示卡通 hide all show cartoon然后按pLDDT着色因为pLDDT存储在B-factor列直接用spectrum命令spectrum b, blue_white_red, minimum0, maximum100这样高置信度区域显示为蓝色低置信度区域显示为红色很直观。如果你想让卡通图按B-factor着色需要先把B-factor赋值给卡通图cartoon putty spectrum b, blue_white_red, minimum0, maximum100, cartoon1选中某个残基看位置也很简单select residue 123 zoom sel多花十分钟熟悉这几个命令后续看结果效率能翻倍。如果你用的是ChimeraX原理一样界面更现代菜单点击也能完成不一定要记命令。4.4 这个模型到底能不能信我的综合判断顺序我一般看一个新预测结构时按这个顺序走第一打开pLDDT曲线图快速扫描低分区域把所有低于50的片段标出来确认是不是无序区或柔性接头。第二步打开PAE矩阵确认各结构域之间的关系是否可靠如果有红色大块就在后续分析中只做域内分析不做过度的全长刚体对接。第三步在PyMOL里按照pLDDT着色看二级结构是否合理比如跨膜蛋白有没有形成合理的跨膜螺旋活性位点残基有没有聚在一起。第四步有条件的话和同源实验结构做叠合比对算一下RMSD。如果RMSD小于2埃这个模型对外围分析已经很够用如果大于5埃就要慎重。5. 新手最容易踩的坑我先替你踩了一遍5.1 数据库下载失败、磁盘空间耗尽本地部署时最崩溃的环节不是跑模型而是下载数据库。常见报错是连接超时、下载中断、磁盘空间不足。我建议分两步走第一步用df -h确认磁盘余量至少留出3TB空间。第二步下载时用官方脚本的断点续传机制某些版本脚本支持如果不支持就自己用支持断点的下载工具先下载好数据库文件再手动放到指定目录并解压。数据库文件下载齐全后检查目录结构是否和工具预期一致。大多数人第一次跑失败都是数据库文件放错位置或者解压了一半。启动前先用官方自带的检查脚本跑一遍比直接跑预测快得多。5.2 显存爆了怎么救跑模型最常遇到的报错是CUDA out of memory。如果序列长度在800个残基以上24GB显存也可能紧张。几个应急手段把--num_recycles调小比如从5降到3显存占用会下降但精度略有损失。用model_presetmonomer而不是monomer_ptm省掉一部分额外输出计算。拆分序列跑结构域而不是跑全长。但注意这会丢失域间位置信息你得结合PAE分析判断能不能接受。换用ColabFold的云端环境直接绕开本地显存限制。如果以上手段都不行那就不是参数问题是硬件天花板。要么换大显存显卡要么认真考虑断舍离——剪掉低复杂度或者无序区再跑。5.3 结果太“完美”反而要警惕有一种情况我见得特别多预测结果看起来极其漂亮pLDDT大片蓝色结构非常紧凑但实际功能实验反复验证都对不上。这种情况往往发生在低复杂度序列区域或者序列同源信息极度富集的蛋白上。AlphaFold擅长从进化信息里找到强约束但如果你预测的蛋白是一个融合蛋白、人工设计的嵌合体或者序列来源非常特殊模型给出的高置信度可能只是一种“过度自信”。判断标准仍要看PAE和与实验结构的比对而不是只看平均pLDDT高就万事大吉。5.4 多聚体、抗体、突变体的现实边界很多人拿到AlphaFold后第一个想跑的是蛋白复合物预测但多聚体预测的难度高于单体而且对序列输入格式非常敏感。ColabFold提供了multimer模式网上也有大量教程但要注意预测复合物时两条链的序列都必须是完整序列不能只喂一个结构域否则界面预测会失真。抗体这类体系CDR区尤其是H3 loop的预测精度远低于框架区所有做抗体设计的人都要有心理准备不能只看整体pLDDT不错就认为CDR构象可信。对于点突变AlphaFold2基本不敏感如果你要评估突变对结构稳定性的影响更合适的是突变扫描结合自由能变化而不是直接用AlphaFold预测突变体结构。6. 我现在的固定流程和建议最后按我的经验给一条目前用下来最顺的路径。新蛋白进来先查公共预测库有就直接下载不折腾。查不到把序列丢到ColabFold跑一轮拿到监控指标和可视化结果做个初步评估。如果需要批量预测、多聚体变体扫描或者涉及敏感数据只能在本地处理才动用本地AlphaFold部署。本地跑的时候我会把不同蛋白的序列文件分开放每条序列一个目录输出结果也按蛋白名命名这样批量跑完不至于认领不到哪个是哪个。还有一个小技巧跑完结果不要只看排名第一的那个PDB把五个模型都叠合看一眼。如果五个模型之间主体结构一致只是在loop区域有摆动的区别这是好迹象。如果五个模型彼此间差异巨大说明这个蛋白的预测本身就不稳定排第一的模型也只是“相对最优”这时候一定记得把这个不确定性写进你的分析报告里。工具是加速器不是答案本身。AlphaFold让我这样以前不碰结构生物学的人也能快速做结构相关的判断但它最厉害的地方不是“给你一个正确答案”而是“给你一个高质量的候选假设”。拿着这个假设去设计实验、去和功能数据互相印证才是这套流程真正有用的地方。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
