从一条序列到一个PDBAlphaFold Python API 的架构与调用拆解【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold把结构预测嵌进自己的分析流水线是许多生物信息工程师绕不开的需求。AlphaFold 开源仓库alphafold/的 Python API 把序列进、PDB 出这条链路拆成了几个边界清晰的模块读源码比看命令行参数更能理解它的内部构造。本文按架构分层、数据流向、端到端调用、扩展场景、性能瓶颈五个维度做一次完整的拆解。读完之后你会知道一条序列在仓库内部经历了哪些变换也能判断自己的任务该走哪条配置路径。AlphaFold Python API 的架构分层从调用角度看整个 API 由四层组成职责互不越界层模块职责边界数据管道alphafold/data/pipeline.py调用比对工具组装模型输入特征模型核心alphafold/model/model.py加载参数、执行 JAX 推理、计算置信度结构后处理alphafold/common/protein.py从预测结果重建原子坐标输出 PDB能量松弛alphafold/relax/relax.pyAmber 力场弛豫修正立体化学细节命令行入口 run_alphafold.py 本质上只是把这四层串起来的单体示例。理解这四层的分工API 调用就不会再靠死记参数。依赖方面pip install -r requirements.txt pip install .之后还需要模型参数文件和遗传数据库。完整数据库约 2.2TB可用 scripts/download_all_data.sh 下载开发和流程验证阶段建议加reduced_dbs参数使用缩减版数据库配合运行时db_presetreduced_dbs配置即可。数据流追踪一条序列的完整旅程API 的分层最终都服务于一条数据流FASTA 序列到 PDB 字符串。中间每个环节的输入输出都很明确。FASTA → feature_dict。DataPipeline.process()接收一个 FASTA 路径内部串联三组比对jackhmmer 迭代搜索 UniRef90HHblits 搜索 BFD 与 UniRef30再加模板搜索与特征化。产物是一个 NumPy 特征字典包含 MSA、模板和序列元数据。值得注意的是比对结果会落盘到msa_output_dir这一步天然支持后续复用。data_pipeline pipeline.DataPipeline( jackhmmer_binary_pathshutil.which(jackhmmer), hhblits_binary_pathshutil.which(hhblits), uniref90_database_pathf{data_dir}/uniref90/uniref90.fasta, mgnify_database_pathf{data_dir}/mgnify/mgy_clusters_2022_05.fasta, bfd_database_pathf{data_dir}/bfd/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt, uniref30_database_pathf{data_dir}/uniref30/UniRef30_2021_03, template_searcherhhsearch.HHSearch(binary_pathshutil.which(hhsearch), databases[f{data_dir}/pdb70/pdb70]), template_featurizertemplates.HhsearchHitFeaturizer( mmcif_dirf{data_dir}/pdb_mmcif/mmcif_files, max_template_date2021-12-01, max_hits20, kalign_binary_pathshutil.which(kalign)), use_small_bfdFalse, ) feature_dict data_pipeline.process(input.fasta, msa_output_dirmsa_out)feature_dict → 模型张量。RunModel.process_features()把特征字典转换成模型可消费的张量格式同时处理随机种子管理与 MSA 采样所以random_seed在这一层就要固定下来保证结果可复现。张量 → 预测结果。predict()返回一个字典关键键是predicted_lddt、predicted_aligned_error和直接算好的plddt数组原子坐标则藏在结构模块的输出里需要经protein.from_prediction()重建出Protein对象。Protein → PDB 字符串。protein.to_pdb()负责序列化若需要更干净的立体化学可再交给relax.AmberRelaxation.process()弛豫一轮。整条链路中特征构建和 MSA 搜索是最慢的部分模型推理反而是相对快的——这个事实后面调性能时会用到。端到端调用构建输入、驱动预测、解读结果把上面三个环节拼起来一次完整预测的代码量并不大。# 构建输入特征字典数据管道构建部分见上一节 model_name model_1 model_config config.model_config(model_name) model_params data.get_model_haiku_params(model_name, data_dirf{data_dir}/params) model_runner model.RunModel(model_config, model_params) # 驱动预测 processed model_runner.process_features(feature_dict, random_seed42) prediction model_runner.predict(processed, random_seed42)解读结果时两个置信度指标含义不同用途也不同pLDDT0–100是残基级的局部置信度直接读prediction[plddt]即可。低于 50 的区段基本可视为不可靠常对应无序区或结合后稳定的片段。PAEPredicted Aligned Error单位 Å是残基对矩阵描述两个残基之间的相对位置预测得有多准对判断结构域间的刚性关系和复合物界面比 pLDDT 更有信息量。import matplotlib.pyplot as plt from alphafold.common import confidence plddt prediction[plddt] pae confidence.compute_predicted_aligned_error( logitsprediction[predicted_aligned_error][logits], breaksprediction[predicted_aligned_error][breaks]) plt.figure(figsize(10, 4)) plt.plot(plddt, labelpLDDT) plt.xlabel(Residue); plt.ylabel(pLDDT); plt.legend() plt.savefig(plddt.png) plt.figure(figsize(8, 8)) plt.imshow(pae[predicted_aligned_error], cmapviridis, originlower) plt.colorbar(labelPAE (Å)); plt.savefig(pae.png)pLDDT 曲线适合快速筛查哪段结构可信PAE 热图则用来确认结构域内部的方块是否低误差、域间条带是否偏高。最后把结构写出 PDBb_factors np.repeat(plddt[:, None], residue_constants.atom_type_num, axis-1) prot protein.from_prediction(featuresprocessed, resultprediction, b_factorsb_factors, remove_leading_feature_dimensionFalse) with open(predicted.pdb, w) as f: f.write(protein.to_pdb(prot))扩展场景批量、多聚体与 MSA 复用三种常见变体都只需在基础调用上换参数不必改流程场景入口关键配置批量序列循环调用同一 DataPipelineglob遍历 FASTAMSA 目录按序列名区分多聚体/复合物alphafold/data/pipeline_multimer.pyconfig.model_config(model_1_multimer)MSA 复用单体 DataPipelineuse_precomputed_msasTrue批量预测时DataPipeline实例可以复用循环里只换input_fasta_path和msa_output_dir参数文件和RunModel实例同样只建一次。多聚体场景下DataPipeline来自pipeline_multimer模块内部会额外处理 UniProt 注释和链间交互模型侧只要把配置换成model_1_multimerRunModel会自动切换到多聚体前向分支。预计算 MSA 则适合同一序列、多次预测不同随机种子的场景首次搜索落盘的 MSA 会被直接读取跳过 jackhmmer/HHblits 调用对批量重采样能省下相当一部分时间。性能瓶颈与排障方向实际跑起来瓶颈通常集中在这几处每处都有对应的可调项内存MSA 序列数和序列长度同时推高内存占用。⚠️ 最直接的手段是构建管道时降低命中上限如uniref_max_hits从 10000 调低其次是数据库侧选reduced_dbs预设小 BFD 本身也比重型 BFD 省内存。推理速度JAX 会把模型jit编译第一帧明显慢于稳态做吞吐测算时应忽略首帧。确认jax后端落在 CUDA 上而不是 CPU单 GPU 推理即可跑满单体模型更大的复合物可考虑模型并行拆分到多卡。数据库体积完整库约 2.2TB 且部分文件只读压缩。若只是验证流程或 CI 环境download_all_data.sh 目录 reduced_dbs能把体量压到可管理范围代价是远缘同源性覆盖变窄——用于正式预测前心里要有数。回到开头的工程场景结构预测现在是一个有明确输入输出契约的模块序列进、PDB 出中间每一层都能单独替换和测试嵌进你自己的流水线时边界很清楚。想深入内部机制可以读 docs/technical_note_v2.3.0.md 的技术说明或跑一遍 notebooks/AlphaFold.ipynb 的完整示例。往后再走一步把松弛后的结构接上分子动力学、或用同一特征管线做突变效应评估都是这条 API 链的自然延伸。【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
从一条序列到一个PDB：AlphaFold Python API 的架构与调用拆解
从一条序列到一个PDBAlphaFold Python API 的架构与调用拆解【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold把结构预测嵌进自己的分析流水线是许多生物信息工程师绕不开的需求。AlphaFold 开源仓库alphafold/的 Python API 把序列进、PDB 出这条链路拆成了几个边界清晰的模块读源码比看命令行参数更能理解它的内部构造。本文按架构分层、数据流向、端到端调用、扩展场景、性能瓶颈五个维度做一次完整的拆解。读完之后你会知道一条序列在仓库内部经历了哪些变换也能判断自己的任务该走哪条配置路径。AlphaFold Python API 的架构分层从调用角度看整个 API 由四层组成职责互不越界层模块职责边界数据管道alphafold/data/pipeline.py调用比对工具组装模型输入特征模型核心alphafold/model/model.py加载参数、执行 JAX 推理、计算置信度结构后处理alphafold/common/protein.py从预测结果重建原子坐标输出 PDB能量松弛alphafold/relax/relax.pyAmber 力场弛豫修正立体化学细节命令行入口 run_alphafold.py 本质上只是把这四层串起来的单体示例。理解这四层的分工API 调用就不会再靠死记参数。依赖方面pip install -r requirements.txt pip install .之后还需要模型参数文件和遗传数据库。完整数据库约 2.2TB可用 scripts/download_all_data.sh 下载开发和流程验证阶段建议加reduced_dbs参数使用缩减版数据库配合运行时db_presetreduced_dbs配置即可。数据流追踪一条序列的完整旅程API 的分层最终都服务于一条数据流FASTA 序列到 PDB 字符串。中间每个环节的输入输出都很明确。FASTA → feature_dict。DataPipeline.process()接收一个 FASTA 路径内部串联三组比对jackhmmer 迭代搜索 UniRef90HHblits 搜索 BFD 与 UniRef30再加模板搜索与特征化。产物是一个 NumPy 特征字典包含 MSA、模板和序列元数据。值得注意的是比对结果会落盘到msa_output_dir这一步天然支持后续复用。data_pipeline pipeline.DataPipeline( jackhmmer_binary_pathshutil.which(jackhmmer), hhblits_binary_pathshutil.which(hhblits), uniref90_database_pathf{data_dir}/uniref90/uniref90.fasta, mgnify_database_pathf{data_dir}/mgnify/mgy_clusters_2022_05.fasta, bfd_database_pathf{data_dir}/bfd/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt, uniref30_database_pathf{data_dir}/uniref30/UniRef30_2021_03, template_searcherhhsearch.HHSearch(binary_pathshutil.which(hhsearch), databases[f{data_dir}/pdb70/pdb70]), template_featurizertemplates.HhsearchHitFeaturizer( mmcif_dirf{data_dir}/pdb_mmcif/mmcif_files, max_template_date2021-12-01, max_hits20, kalign_binary_pathshutil.which(kalign)), use_small_bfdFalse, ) feature_dict data_pipeline.process(input.fasta, msa_output_dirmsa_out)feature_dict → 模型张量。RunModel.process_features()把特征字典转换成模型可消费的张量格式同时处理随机种子管理与 MSA 采样所以random_seed在这一层就要固定下来保证结果可复现。张量 → 预测结果。predict()返回一个字典关键键是predicted_lddt、predicted_aligned_error和直接算好的plddt数组原子坐标则藏在结构模块的输出里需要经protein.from_prediction()重建出Protein对象。Protein → PDB 字符串。protein.to_pdb()负责序列化若需要更干净的立体化学可再交给relax.AmberRelaxation.process()弛豫一轮。整条链路中特征构建和 MSA 搜索是最慢的部分模型推理反而是相对快的——这个事实后面调性能时会用到。端到端调用构建输入、驱动预测、解读结果把上面三个环节拼起来一次完整预测的代码量并不大。# 构建输入特征字典数据管道构建部分见上一节 model_name model_1 model_config config.model_config(model_name) model_params data.get_model_haiku_params(model_name, data_dirf{data_dir}/params) model_runner model.RunModel(model_config, model_params) # 驱动预测 processed model_runner.process_features(feature_dict, random_seed42) prediction model_runner.predict(processed, random_seed42)解读结果时两个置信度指标含义不同用途也不同pLDDT0–100是残基级的局部置信度直接读prediction[plddt]即可。低于 50 的区段基本可视为不可靠常对应无序区或结合后稳定的片段。PAEPredicted Aligned Error单位 Å是残基对矩阵描述两个残基之间的相对位置预测得有多准对判断结构域间的刚性关系和复合物界面比 pLDDT 更有信息量。import matplotlib.pyplot as plt from alphafold.common import confidence plddt prediction[plddt] pae confidence.compute_predicted_aligned_error( logitsprediction[predicted_aligned_error][logits], breaksprediction[predicted_aligned_error][breaks]) plt.figure(figsize(10, 4)) plt.plot(plddt, labelpLDDT) plt.xlabel(Residue); plt.ylabel(pLDDT); plt.legend() plt.savefig(plddt.png) plt.figure(figsize(8, 8)) plt.imshow(pae[predicted_aligned_error], cmapviridis, originlower) plt.colorbar(labelPAE (Å)); plt.savefig(pae.png)pLDDT 曲线适合快速筛查哪段结构可信PAE 热图则用来确认结构域内部的方块是否低误差、域间条带是否偏高。最后把结构写出 PDBb_factors np.repeat(plddt[:, None], residue_constants.atom_type_num, axis-1) prot protein.from_prediction(featuresprocessed, resultprediction, b_factorsb_factors, remove_leading_feature_dimensionFalse) with open(predicted.pdb, w) as f: f.write(protein.to_pdb(prot))扩展场景批量、多聚体与 MSA 复用三种常见变体都只需在基础调用上换参数不必改流程场景入口关键配置批量序列循环调用同一 DataPipelineglob遍历 FASTAMSA 目录按序列名区分多聚体/复合物alphafold/data/pipeline_multimer.pyconfig.model_config(model_1_multimer)MSA 复用单体 DataPipelineuse_precomputed_msasTrue批量预测时DataPipeline实例可以复用循环里只换input_fasta_path和msa_output_dir参数文件和RunModel实例同样只建一次。多聚体场景下DataPipeline来自pipeline_multimer模块内部会额外处理 UniProt 注释和链间交互模型侧只要把配置换成model_1_multimerRunModel会自动切换到多聚体前向分支。预计算 MSA 则适合同一序列、多次预测不同随机种子的场景首次搜索落盘的 MSA 会被直接读取跳过 jackhmmer/HHblits 调用对批量重采样能省下相当一部分时间。性能瓶颈与排障方向实际跑起来瓶颈通常集中在这几处每处都有对应的可调项内存MSA 序列数和序列长度同时推高内存占用。⚠️ 最直接的手段是构建管道时降低命中上限如uniref_max_hits从 10000 调低其次是数据库侧选reduced_dbs预设小 BFD 本身也比重型 BFD 省内存。推理速度JAX 会把模型jit编译第一帧明显慢于稳态做吞吐测算时应忽略首帧。确认jax后端落在 CUDA 上而不是 CPU单 GPU 推理即可跑满单体模型更大的复合物可考虑模型并行拆分到多卡。数据库体积完整库约 2.2TB 且部分文件只读压缩。若只是验证流程或 CI 环境download_all_data.sh 目录 reduced_dbs能把体量压到可管理范围代价是远缘同源性覆盖变窄——用于正式预测前心里要有数。回到开头的工程场景结构预测现在是一个有明确输入输出契约的模块序列进、PDB 出中间每一层都能单独替换和测试嵌进你自己的流水线时边界很清楚。想深入内部机制可以读 docs/technical_note_v2.3.0.md 的技术说明或跑一遍 notebooks/AlphaFold.ipynb 的完整示例。往后再走一步把松弛后的结构接上分子动力学、或用同一特征管线做突变效应评估都是这条 API 链的自然延伸。【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
