AlphaFold API实战：从一条序列到PDB的蛋白质结构预测

AlphaFold API实战：从一条序列到PDB的蛋白质结构预测

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

给一条氨基酸序列，怎么让它直接吐出原子级精度的 PDB 结构文件，而不用拼一堆命令行 flag？本文带你用 AlphaFold 的 Python API 跑通完整的蛋白质结构预测链路——从序列到 MSA、前向推理、再松弛精修，几十行代码，全程不用碰命令行。

Quick Win：十几行代码先拿到 PDB

先看全链路的最短骨架。假设数据管道已经建好（下面细讲），核心就四步：

from alphafold.data import pipeline # 序列 -> 特征 from alphafold.model import model, config, data from alphafold.common import protein, residue_constants import numpy as np # 1. 构建模型：配置 + 参数文件 runner = model.RunModel(config.model_config("model_1"), data.get_model_haiku_params(model_name="model_1", data_dir="data")) # 2. 特征进模型（features 来自 DataPipeline） processed = runner.process_features(features, random_seed=42) result = runner.predict(processed, random_seed=42) # 3. 坐标 + pLDDT -> PDB 字符串 pdb_str = protein.to_pdb(protein.from_prediction( processed, result, b_factors=np.repeat(result["plddt"][:, None], residue_constants.atom_type_num, axis=-1), remove_leading_feature_dimension=True)) # 单体模型传 True

这几行做的事：构建一个RunModel，把数据管道产出的特征喂进去做一次前向推理，再用protein.from_prediction把结果字典变成Protein对象，最后序列化成 PDB 字符串。跑通这一步，你就拥有了一条完整的蛋白质结构预测能力。

架构速览：五个模块各管一摊

整个仓库的分工很清晰，五个核心模块各司其职：

• 推理引擎——alphafold/model/model.py：RunModel类，加载参数文件并执行完整前向预测
• 数据管道——alphafold/data/pipeline.py：DataPipeline类，跑对齐工具把 FASTA 序列变成模型输入特征
• 结构松弛——alphafold/relax/relax.py：AmberRelaxation类，用 Amber 力场修正预测结构的立体化学冲突
• 置信度指标——alphafold/common/confidence.py：把模型原始输出换算成 pLDDT / PAE 评分
• 命令行参考——run_alphafold.py：官方脚本的完整编排，照着它改就能当 API 手册用

DataPipeline 其实就是一条工厂流水线：jackhmmer 是原料初筛工位，在 UniRef90 / MGnify 里快速捞出同源序列；hhblits 是深挖工位，去 BFD 数据库里把更远缘的同源再挖出来。两个工位流水作业，MSA（多序列比对）就组装好了。

提示：完整数据库（UniRef90、MGnify、BFD 等）加起来约 2.2TB，仓库提供了scripts/download_all_data.sh一键下载；资源有限时可用reduced_dbs预设把 BFD 换成小版本。

端到端工作流：AlphaFold Python API 蛋白质结构预测全链路

序列进、特征出

模型不认识 FASTA，它需要一张 MSA 矩阵加若干模板结构。这一步就是让数据管道把外部对齐工具都调度起来。构造DataPipeline时要显式传六个工具的可执行路径，这是新手最容易卡住的地方：

import shutil from alphafold.data import pipeline from alphafold.data import templates from alphafold.data.tools import hhsearch data_pipeline = pipeline.DataPipeline( jackhmmer_binary_path=shutil.which("jackhmmer"), hhblits_binary_path=shutil.which("hhblits"), uniref90_database_path="data/uniref90/uniref90.fasta", mgnify_database_path="data/mgnify/mgy_clusters_2022_05.fasta", bfd_database_path="data/bfd/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt", small_bfd_database_path="data/small_bfd/small_bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt", uniref30_database_path="data/uniref30/UniRef30_2021_03", template_searcher=hhsearch.HHSearch( binary_path=shutil.which("hhsearch"), databases=["data/pdb70/pdb70"]), template_featurizer=templates.HhsearchHitFeaturizer( mmcif_dir="data/pdb_mmcif/mmcif_files", max_template_date="2021-12-01", # 复现历史基准时设截止日期 max_hits=20, kalign_binary_path=shutil.which("kalign")), use_small_bfd=False) features = data_pipeline.process("input.fasta", "msa_output")

注意use_small_bfd与两个 BFD 路径是联动的：传True就走 small BFD，数据库体积能小一个量级。跑完process，features里就是一个 NumPy 数组字典，MSA 中间文件落在msa_output目录里。

喂给模型，拿到坐标

特征有了，接下来加载模型参数做前向推理。config.model_config给出网络结构，data.get_model_haiku_params从磁盘读训练好的参数，两者合成一个RunModel：

from alphafold.model import model, config, data model_name = "model_1" # monomer 预设下有 model_1 ~ model_5 runner = model.RunModel( config.model_config(model_name), data.get_model_haiku_params(model_name=model_name, data_dir="data")) processed = runner.process_features(features, random_seed=42) result = runner.predict(processed, random_seed=42) print(result["plddt"]) # 每残基置信度 0-100，越高越可信

最关键的坑在这里：predict返回的字典里装的是 JAX 数组，不能直接 pickle 落盘，官方脚本会先递归转成 NumPy 再存。另外process_features和predict要共用同一个random_seed，否则结果难以复现。

坐标变 PDB，置信度落盘

拿到结果字典后，protein.from_prediction负责把坐标、序列、链信息组装成Protein对象。pLDDT 会写进 B 因子列，方便你在任何可视化软件里按置信度着色：

import numpy as np from alphafold.common import protein, confidence, residue_constants plddt = result["plddt"] unrelaxed = protein.from_prediction( processed, result, b_factors=np.repeat(plddt[:, None], residue_constants.atom_type_num, axis=-1), remove_leading_feature_dimension=True) # 单体模型传 True with open("unrelaxed.pdb", "w") as f: f.write(protein.to_pdb(unrelaxed)) # PAE：残基对之间的预测对齐误差，判断"哪个区域和哪个区域靠得住" pae = confidence.compute_predicted_aligned_error( logits=result["predicted_aligned_error"]["logits"], breaks=result["predicted_aligned_error"]["breaks"])

提示：from_prediction的remove_leading_feature_dimension参数单体和多聚体取值相反——单体传True，多聚体传False，传错会直接报维度不匹配。

结构松弛：力场精修最后一步

神经网络吐出的坐标难免有范德华冲突，直接拿去建模不够体面。AmberRelaxation用 Amber 力场做约束最小化，把结构"捏"到化学上合理：

from alphafold.relax import relax relaxer = relax.AmberRelaxation( max_iterations=0, # 0 表示不设上限，跑到收敛 tolerance=2.39, # L-BFGS 能量容差 kcal/mol stiffness=10.0, # 重原子约束弹簧常数 exclude_residues=[], max_outer_iterations=3, # 官方默认 3，越大越稳但越慢 use_gpu=True) # 有卡就开着，快很多 relaxed_pdb, metrics, violations = relaxer.process(prot=unrelaxed) with open("relaxed.pdb", "w") as f: f.write(relaxed_pdb)

跑完relaxed.pdb才是最终交付物；violations里还剩什么冲突一目了然，调试结构问题时先看它。

效率倍增：批量、GPU 加速与置信度可视化 ⚡

批量预测一批序列——场景：手头有几百条 FASTA。做法：模型构建只发生一次，DataPipeline和RunModel都复用，循环里只做 process + predict：

import glob, pathlib for fasta in sorted(glob.glob("inputs/*.fasta")): stem = pathlib.Path(fasta).stem feats = data_pipeline.process(fasta, f"msa_out/{stem}") r = runner.predict(runner.process_features(feats, random_seed=42), random_seed=42) # 对每个 r 重复上面的 PDB 导出逻辑

GPU 加速——推理侧 JAX 装 CUDA 版即自动用卡，无需改代码；松弛侧把use_gpu=True打开，max_outer_iterations保持 3 即可，两者配合能省掉大部分墙钟时间。

画 pLDDT 曲线和 PAE 热图——场景：给结果配图汇报。pLDDT 看局部，PAE 看残基对之间：

import matplotlib.pyplot as plt plt.figure(figsize=(10, 4)) plt.plot(plddt, marker="o", ms=3) plt.xlabel("Residue"); plt.ylabel("pLDDT") plt.title("AlphaFold pLDDT 蛋白质结构预测置信度") plt.show() plt.figure(figsize=(8, 8)) plt.imshow(pae["predicted_aligned_error"], cmap="viridis", interpolation="nearest") plt.colorbar(label="PAE (Å)") plt.show()

踩坑实录：五个高频问题 🐛

• 构造管道就报Could not find jackhmmer症状：shutil.which返回 None，管道构建直接崩 根因：API 不会自动搜 PATH，工具路径全靠你显式传 解法：先激活装了 HMMER 的 conda 环境，或传绝对路径

• predict 阶段显存爆炸症状：长序列预测到一半 OOM 根因：full 数据库的 MSA 序列数太多，输入矩阵巨大 解法：use_small_bfd=True切 reduced_dbs 预设，先跑通再放大

• 同一条序列两次结果对不上症状：重跑后坐标有细微差异 根因：random_seed没固定，或两次只固定了 predict 忘了 process_features 解法：两处传同一个固定值，JAX 版本也要一致

• 松弛一步挂几个小时症状：max_outer_iterations调大后慢到怀疑人生 根因：外层违规修复循环每轮都是完整力场最小化 解法：回到官方默认 3，或先看 unrelaxed 结果再决定要不要精修

• 想复用 MSA 却被重新算了一遍症状：use_precomputed_msas=True没生效 根因：MSA 文件按msa_output_dir查找，目录变了就找不到 解法：多次运行保持msa_output_dir完全一致

下一步 🚀

• 接入分子动力学做长时间尺度验证
• 用 multimer 模型预测蛋白质复合物
• 扩展做单点突变对结构的影响分析

延伸资料：notebooks/AlphaFold.ipynb 官方 Notebook 有完整的可视化示例，docs/technical_note_v2.3.0.md 技术笔记讲清了每个模块的设计动机。

打开终端，把你第一条序列丢进去，看看 AlphaFold 会给你吐出什么结构。

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