在本地成功部署 AlphaFold 3：完整指南

在本地成功部署 AlphaFold 3：完整指南

感谢AlphaFold 3开源，自己也尝试本地部署，中间经历了各自报错，最终完成了AlphaFold 3 本地部署，分享给大家，互相学习

AlphaFold 是由 DeepMind 开发的革命性工具，它通过深度学习为蛋白质折叠问题提供了前所未有的解决方案。自从 AlphaFold 发布以来，它已经改变了生命科学领域，尤其是蛋白质结构预测方面的研究。AlphaFold 3 是最新的版本，优化了预测精度，并且开源了，为广大科研人员提供了极大的便利。

这篇博客将分享本人如何在本地部署 AlphaFold 3，解决可能遇到的错误，最终成功运行 AlphaFold 3 的详细过程。

环境准备

在开始部署 AlphaFold 3 之前，确保已经准备好了以下环境和依赖：

1. 操作系统 AlphaFold 3只支持Linux操作系统
2. 硬件要求 有条件最好能按照官方的要求来

步骤 1：安装 Docker

AlphaFold 3 强烈推荐使用 Docker 部署。Docker 可以帮助避免环境配置上的问题，并确保系统兼容性。

在 Ubuntu 上，可以通过以下命令安装 Docker：

sudo apt-get update
sudo apt-get install -y docker.io

安装完成后，启动 Docker 服务并检查 Docker 是否成功安装：

sudo systemctl start docker
sudo systemctl enable docker
docker --version
sudo docker run hello-world

确保 Docker 安装无误，并且能够正常运行。

步骤 2：获取 AlphaFold 3 源代码

AlphaFold 3 的源代码已经开源，你可以通过 git 克隆代码库：

git clone https://github.com/google-deepmind/alphafold3.git

你也可以通过直接下载压缩包来获取代码，具体方法可以参考官方文档。

步骤 3：为A100安装NVIDIA驱动程序

docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu22.04 nvidia-smi

显示类似结果说明为A100安装NVIDIA驱动程序正确

步骤 4：下载依赖数据库

cd alphafold3  #alphafold3是上文步骤3的文件夹
python3 fetch_databases.py --download_destination=<DATABASES_DIR>

下载成功后，<DATABASES_DIR>文件夹下包含以下文件，

pdb_2022_09_28_mmcif_files.tar 
bfd-first_non_consensus_sequences.fasta
mgy_clusters_2022_05.fa
nt_rna_2023_02_23_clust_seq_id_90_cov_80_rep_seq.fasta
pdb_seqres_2022_09_28.fasta
rfam_14_9_clust_seq_id_90_cov_80_rep_seq.fasta
rnacentral_active_seq_id_90_cov_80_linclust.fasta
uniprot_all_2021_04.fa
uniref90_2022_05.fa

步骤 5：获取模型参数

AlphaFold 3的模型参数需要向Google DeepMind申请，获得权限后不能转手、不能商用、输出结果只能自己用等等，

步骤 6：构建AlphaFold3 Docker容器

docker build -t alphafold3 -f docker/Dockerfile .

现在可以使用AlphaFold 3了，

docker run -it \
    --volume $HOME/af_input:/root/af_input \
    --volume $HOME/af_output:/root/af_output \
    --volume <MODEL_PARAMETERS_DIR>:/root/models \
    --volume <DATABASES_DIR>:/root/public_databases \
    --gpus all \
    alphafold3 \
    python run_alphafold.py \
    --json_path=/root/af_input/fold_input.json \
    --model_dir=/root/models \
    --output_dir=/root/af_output

步骤 7：处理错误和常见问题

在安装过程中，我遇到了一些常见的错误和解决方案，分享给大家：

错误 1：Docker 镜像构建失败

• 原因：可能是由于系统环境问题（如缺少依赖、网络问题等）。
• 解决方案：检查 Dockerfile 中的依赖，确保网络没有被防火墙或代理限制。可以尝试手动安装缺失的依赖。

错误 2：数据库下载失败

• 原因：下载过程中网络不稳定，或者下载链接不可用。
• 解决方案：手动下载数据库文件并将其放置在指定目录。可以从 AlphaFold 的 GitHub 页面或官方链接中获取备用下载地址。

错误 3：GPU 内存不足

• 原因：AlphaFold 需要大量的显存，特别是在处理较大的蛋白质时。
• 解决方案：减小输入数据的规模，或将 AlphaFold 配置为只使用部分 GPU（如果有多个 GPU）。

步骤 8：测试查看结果

AlphaFold 会将预测结果保存到指定的输出目录。可以通过以下命令查看预测结果：

ls /mnt/data/output

fold_input.json

{
  "name": "4PV8",
  "sequences": [
    {
      "protein": {
        "id": ["A", "B"],
        "sequence": "GMRESYANENQFGFKTINSDIHKIVIVGGYGKLGGLFARYLRASGYPISILDREDWAVAESILANADVVIVSVPINLTLETIERLKPYLTENMLLADLTSVKREPLAKMLEVHTGAVLGLHPMFGADIASMAKQVVVRCDGRFPERYEWLLEQIQIWGAKIYQTNATEHDHNMTYIQALRHFSTFANGLHLSKQPINLANLLALSSPIYRLELAMIGRLFAQDAELYADIIMDKSENLAVIETLKQTYDEALTFFENNDRQGFIDAFHKVRDWFGDYSEQFLKESRQLLQQANDLKQG"
      }
    }
  ],
  "modelSeeds": [1],
  "dialect": "alphafold3",
  "version": 1
}

AlphaFold 会生成一个包含多个文件的输出文件夹，其中最重要的是 .pdb 文件，它包含了蛋白质的三维结构数据。

你可以使用 PyMOL、Chimera 等分子可视化工具打开这些 .pdb 文件，查看蛋白质的结构。

总结

成功部署 AlphaFold 3 是一个有挑战但值得的过程，本人一路试错，中途遇到很多BUG差点就放弃了，尤其是如果你第一次在本地进行生物学计算工具的部署。通过这篇博客，希望能够提供一些部署过程中可能遇到的常见问题的解决方法。

如果你在部署过程中遇到问题，欢迎在评论区留言，我们一起探讨学习！