AlphaFold:蛋白质三维结构预测的深度学习体系

新
许可证: 代码为 Apache-2.0;模型参数与 CASP15 预测数据为 CC BY 4.0 · 更新于 2026-11-12
我的评分

简介

AlphaFold 是 Google DeepMind 于 2021 年开源的蛋白质三维结构预测体系。它从氨基酸序列直接预测原子的三维坐标,在 2020 年 5 月至 7 月举行的 CASP14 盲测评估中,主链精度的中位数为 0.96 埃 r.m.s.d.95(95% 置信区间 0.85 至 1.16 埃),而排名第二的方法为 2.8 埃(2.7 至 4.0 埃)。论文《Highly accurate protein structure prediction with AlphaFold》发表于 2021 年 7 月 15 日的《Nature》第 596 卷第 583 至 589 页,DOI 为 10.1038/s41586-021-03819-2,采用 CC BY 4.0 许可。

官方仓库为 google-deepmind/alphafold,创建于 2021 年 6 月 17 日,最后一次代码推送记录在 2026 年 4 月 22 日。核验时该仓库约有 14900 星标、2960 分叉与 311 个未关闭 issue,以 Python 为主,未归档,默认分支为 main。它是一套完整的推理工程,而不只是模型定义:alphafold/model/ 下包含全原子预测、折叠、r3 变换与四元数仿射等模块;alphafold/data/ 封装了 hhblits、hhsearch、jackhmmer 与 kalign;alphafold/relax/ 基于 Amber 与 OpenMM 做结构弛豫;此外还有 docker/、server/、docs/technical_note_v2.3.0.md 与 CASP15 预测档案 docs/casp15_predictions.zip。

许可是分层的,每一层都要单独确认。源代码采用 Apache 2.0,训练权重与 CASP15 预测数据以 CC BY 4.0 发布,镜像的遗传数据库另有条款:BFD 与 UniRef30 为 CC BY-SA 4.0,MGnify 为 CC0 1.0。README 中还附有明确免责声明,说明 AlphaFold 2 及其输出仅供理论建模之用,未经意图、验证或批准用于临床用途,输出属于置信度不一的预测结果,需谨慎解读。

同名但性质不同的项目需要区分。AlphaFold 蛋白质结构数据库 以程序化方式分发预测结构,其 2022 年《Nucleic Acids Research》论文提到首批发布覆盖 21 个模式生物蛋白质组、超过 36 万个预测结构,并计划扩展到 UniRef90 的代表序列。AlphaFold 3 于 2024 年 5 月 8 日发表于《Nature》第 630 卷第 493 至 500 页,DOI 10.1038/s41586-024-07487-w,把框架扩展到蛋白质、核酸、小分子、离子与修饰残基的联合建模,其代码位于独立仓库 google-deepmind/alphafold3,权重由 Google 直接分发并适用单独的使用条款。

原理与工作方式

网络分为两个阶段。主干部分通过重复的 Evoformer 模块处理输入,随后结构模块把表征转换为原子坐标。发布配置中的 Evoformer 主干包含 48 个模块,同时更新两种表征:一种是多序列比对表征,其列为残基、行为数据库序列;另一种是结构表征,其行为残基、列为模板或当前模型中的位置。

进化信息经多序列比对进入网络。流水线执行四项检索:用 hhblits 对 BFD 或缩减版 BFD 做遗传学搜索,用 hhblits 对 UniRef30 做 profile 搜索,用 jackhmmer 对 UniRef90 做搜索,以及按日期对 PDB70 做模板搜索。所得比对经聚类与最多样性选择加以缩减,使大输入的开销保持在有界范围内。配对轨道则构建残基对在三维空间中的邻近关系表征,它由比对与模板导出,正是这一轨道让网络能够在从未见过解的结构的条件下推理共进化。

配对表征通过三角乘法更新,该运算在残基三元组上传播信息;同时通过三角自注意力更新,使一个配对可以关注其周围的配对。单体表征则通过行注意力与列注意力更新,其偏置来自比对与配对表征,因此残基间的注意力以进化证据为条件。序列到配对与配对到序列的通信在每个模块中双向进行。

几何核心是不变点注意力。每个残基除标量特征外还携带由旋转与平移构成的标架。注意力在查询残基的局部标架中计算,因此该运算对全局旋转与平移等变,并同时作用于标量特征与每个残基所附带的三维点。这正是网络能够推理手性的原因,手性对螺旋的旋向与侧链的摆放都很重要。

结构模块为每个残基输出一个残基标架与一组侧链扭转角,采用残基气体表示:主链视为刚体,侧链由 χ 角描述。结构模块被运行固定次数,其间网络把当前结构反馈进入所谓的迭代精化步骤,使预测由一个循环过程逐步精修,不是一次性确定。训练目标是帧对齐点误差项与侧链扭转误差项的组合。

物理真实性在网络运行之后恢复。弛豫步骤用 Amber 力场配合 OpenMM 修正预测结构的键长、键角与原子碰撞。论文明确指出弛豫并不提升精度指标,GDT 与 lDDT-Cα 均无改善,其作用是消除立体化学违规,使输出可被结构生物学家检视并送入下游工具。

多聚体系统把单条链替换为一组链。每条链保留自身的比对,配对轨道扩展到跨链残基对,并新增一种编码链化学计量与相对排布的配对表征。最终模型的排序使用 pTM 与 ipTM 的组合,其中 ipTM 单独对界面打分。

适用边界与前提

README 明确了运行环境。AlphaFold 需要 Linux,并需预装 NVIDIA GPU 的容器工具包。完整安装需为遗传数据库预留最多 3 TB 磁盘空间,并推荐使用 SSD,因为 MSA 工具受 I/O 制约。

数据库体量是主要现实约束。下载脚本抓取约 556 GB 压缩数据,解压后约 2.62 TB。细分为 BFD 约 1.8 TB、缩减版 small BFD 约 17 GB、MGnify 约 120 GB、pdb_mmcif 约 238 GB(含约 199000 个 cif 文件)、pdb70 约 56 GB、pdb_seqres 约 0.2 GB、UniProt 约 105 GB、UniRef30 约 206 GB、UniRef90 约 67 GB,另有约 5.3 GB 的参数。两个预设做此权衡:reduced_dbs 针对缩减版 BFD 运行,需要 8 vCPU、8 GB 内存与 600 GB 磁盘;full_dbs 使用 CASP14 所用的全部数据库。

模型预设编码了不同的取舍。monomer 是 CASP14 原始模型,不做集成。monomer_casp14 把 num_ensemble 设为 8 以精确复现 CASP14 配置,计算代价为 8 倍,换来 CASP14 结构域上约 0.1 的平均 GDT 增益,README 因此把它主要定位为复现用途。monomer_ptm 是经 pTM 头微调的 CASP14 模型,给出成对置信度量,精度略低于常规单体模型。multimer 处理复合物,额外需要 UniProt 数据库。

输入与模板都有日期边界。示例命令传入 --max_template_date,单体示例用 2021-11-01,多聚体示例用 2020-05-14,因此模板内容被锚定在某个截断点,结果相对固定模板集可复现。README 也说明并未提供 CASP14 所用的确切数据库版本,这意味着重跑能复现方法,无法复现当年的确切数值。

训练数据上的约束更严格。发布权重训练于 2018 年 4 月 30 日之前发布的结构,该截断点与 CASP13 的开始时间对齐。v2.3.0 技术说明更新于 2026 年 3 月 11 日,说明新微调的 AlphaFold-Multimer 权重沿用相同架构,训练截断点移至 2021 年 9 月 30 日,训练数据增加约 30%,电镜结构数量增至四倍,2000 残基以上的大结构总量翻倍,训练裁剪尺寸从 384 提升到 640 残基。多聚体配置把训练链数从 8 提到 20,并在 5 个多聚体模型中的 3 个里把最大 MSA 序列数从 1152 提到 2048。

上手路径

文档给出的路径是 Docker,README 明确指出运行 AlphaFold 最简单的方式是使用随仓库提供的 Docker 脚本。用于测试的参考机器为 Google Cloud 上使用 nvidia-gpu-cloud-image 的实例,12 vCPU、85 GB 内存、100 GB 启动盘,数据库另置 3 TB 磁盘,并配一张 A100。安装顺序为构建 Docker 镜像、运行下载脚本、再执行预测。

数据准备只有一个脚本。执行 scripts/download_all_data.sh 并传入下载目录会抓取完整数据库,追加 reduced_dbs 参数则抓取缩减集合,运行期需配合对应的数据库预设。README 提醒数据库目录不可放在仓库子目录内,否则 Docker 构建会把数据库复制进镜像而变得极慢;同时提醒缺失读写权限会让 MSA 工具报出难以定位的错误,建议对下载目录执行 chmod 755。

推理由 docker/run_docker.py 驱动。单链运行传入单序列 FASTA、--model_preset=monomer、--db_preset、--data_dir 与 --output_dir,README 给出了单链、同源三聚体、A2B3 异源多聚体以及连续折叠多个单链的完整示例。复合物使用多聚体预设并配合多序列 FASTA。--max_template_date 用于锚定模板截断点。

两个数据库预设控制速度与质量的权衡。reduced_dbs 面向速度与较低硬件要求,运行于缩减版 BFD,需求为 8 vCPU、8 GB 内存、600 GB 磁盘;full_dbs 使用 CASP14 的全部遗传数据库。GPU 选择由 --gpu_devices 控制,接受逗号分隔的 GPU UUID 或索引,默认尝试使用全部可见设备。

输出处理有独立选项。默认仅对 pLDDT 最佳的模型做弛豫,--models_to_relax 可取 best、all 或 none。弛豫默认在 GPU 上运行,由 --enable_gpu_relax=true 控制,README 将 CPU 弛豫描述为更慢但更稳定。--use_precomputed_msas=true 选项可复用同一序列的比对结果,在只调整模型参数时节省检索开销。

多聚体的默认输出规模可观。每个模型默认跑 5 个种子,共 25 个预测,--num_multimer_predictions_per_model=1 可减至每模型一个种子,精度只略有下降。输出目录包含 ranked_0 至 ranked_4 的 PDB 文件、relaxed_model 系列、ranking_debug.json(各预测的 pTM 与 ipTM 分数)、relax_metrics.json(弛豫结构的几何统计)、timings.json(实测耗时)、features.pkl 与 result_model 系列(网络原始输出),以及 msas/ 目录保存所用比对。

服务端形态也已提供。仓库内含 server/ 目录,可在请求接口后运行同一流水线;而 alphafoldserver.com 提供了托管版本供非商业使用,配体与共价修饰的支持范围较窄,是只需单次预测时最常用的路径。

横向对比

最接近的开源替代方案是 CASP14 同期的其他系统。RoseTTAFold 由华盛顿大学 Baker 实验室提出,同年发表于《Science》,采用三轨网络,同时更新一维序列轨、二维距离轨与三维坐标轨,在同一评估中表现突出,其显著特点是显式的距离预测轨,可解释性强并被用于设计结合位点预测的 RoseTTAFold filter。AlphaFold 谱系则使用显式配对表征与不变点注意力,在主链与侧链几何的表达力上更强。

OpenFold 是哥伦比亚大学对该体系的高保真、可训练 PyTorch 复现,本集合另有专条。官方仓库只发布推理代码,OpenFold 则发布训练代码并配套 OpenProteinSet 序列数据库。这条分界线的实际意义在于:需要微调或重训的研究团队只能走后者。

基于物理的方法处于不同位置。比较建模、折叠识别与片段组装等经典方法仍是 CASP 流水线的组成部分,在进化信号薄弱、或需要严格满足实验约束(例如小分子结合带来的限制)时依然有价值。AlphaFold 路线把对构象空间的搜索替换为对蛋白质结构空间的学得先验,这是性质不同的泛化来源。

多聚体方向上,AF-Multimer 与后来的 AlphaFold 3 改变了对比格局。Multimer 预印本《Protein complex prediction with AlphaFold-Multimer》于 2021 年 10 月 4 日发布在 bioRxiv,DOI 10.1101/2021.10.04.463034,报告称专门针对已知化学计量的多聚体输入训练的模型,在无模板的 17 个异源二聚体基准上显著提升界面精度,同时保持链内精度。AlphaFold 3 在可建模的相互作用类型上更进一层。

与实验测定相比,比较的落点在速度与覆盖面。X 射线晶体学与冷冻电镜仍是参考方法,AlphaFold 并不取代二者。论文在这一点上表述审慎,指出实验测定结构约十万个唯一蛋白,在数十亿条已知序列中占比很小,两种路径互补。

基准与数据

头号数字来自 CASP14。AlphaFold 主链精度中位数为 0.96 埃 r.m.s.d.95,95% 置信区间 0.85 至 1.16 埃,而次优方法为 2.8 埃,95% 置信区间 2.7 至 4.0 埃,均在 CASP 结构域上测得。论文将其表述为盲测评估中首次达到实验结构精度水平。

消融实验分离出各数据库的贡献。移除 BFD 使平均精度下降 0.4 GDT,移除 MGnify 下降 0.7 GDT,两者同时移除则下降 6.1 GDT。这一格局表明成对的大型数据库承载了大部分信号,也正是完整安装需以 TB 计存储的根本原因。

论文还报告比对深度存在影响,需要约 30 条序列以上的深度网络才获得有用信号,迭代精化轮数超过几轮后收益递减。结构模块与不变点注意力对所述精度均属必需,论文给出了对应的消融结果。

运行时数据来自仓库 README,论文中并不包含,条件需要交代清楚。该表测量的是三次迭代精化下的未弛豫结构预测,不含 MSA 与模板检索时间,硬件为单张 A100。100 残基耗时 4.9 秒,200 残基 7.7 秒,300 残基 13 秒,400 残基 18 秒,500 残基 29 秒,600 残基 36 秒,700 残基 53 秒,800 残基 60 秒,900 残基 91 秒,1000 残基 96 秒,1100 残基 140 秒,1500 残基 280 秒,2000 残基 450 秒,2500 残基 969 秒,3000 残基 1240 秒,3500 残基 2465 秒,4000 残基 5660 秒,4500 残基 12475 秒,5000 残基 18824 秒。可见在千残基以上,规模接近序列长度的二次方,而 MSA 检索成本完全在这张表之外。

CASP15 阶段的档案随仓库以 docs/casp15_predictions.zip 提供,可直接对发布文件核验该时期的表现。技术说明还记录,为做 CASP15 baseline,团队采用了比默认更昂贵的推理设置,把每模型种子数提到 20、最大迭代精化轮数提到 20 并配早停;该设置被推荐用于超大或困难靶标,默认关闭原因是计算时间。

物理 AI 场景中的用法

AlphaFold 在计算物理工作流中承担的角色需要说清楚:它产出的是结构先验,不是物理仿真结果,这一分工与 物理基础模型 的整体定位一致。在分子模拟中,结构是初始条件,结构精度决定了下游仿真的保真度上限。这与机器学习原子间势在受力计算中扮演的角色是同一种分工,两者天然可以衔接:预测结构提供几何,势函数提供能量与力,GROMACS 与 LAMMPS 这类经典分子动力学工具则在给定结构上做时间推进。

同一结构先验也进入材料领域。预测折叠可用于提出结合口袋假说、定义突变扫描的构建体,或为粗粒化表示提供几何。在围绕通用机器学习势构建的工作流中——例如本集合收录的 MACE-MP-0 与 fairchem 教程 所属方向——精确的游离态结构能消除模拟体系准备中反复出现的摩擦点。

采样、筛选与重排的模式可以直接迁移。AlphaFold 产出带置信度分数的候选结构集合,正是许多物理 AI 流水线使用的三段式结构:生成或代理模型提出候选,便宜的过滤器剔除不合理者,昂贵的仿真确认幸存者。pLDDT 与 PAE 输出恰好对应这类流水线已经携带的置信度与不确定性通道。

还有一层方法论上的平行关系值得点出。该系统从覆盖对象物理与演化史的数据库中,学习一个关于物理上有意义对象(即蛋白质构象空间)的先验。这与从仿真数据中学习偏微分方程解空间先验是同一个想法,附加的变量在于训练集包含的是实测结果,不是仿真结果;相关的方法论脉络可参见 代理模型与降阶建模 集合。可迁移的经验关于数据策展:学得先验的质量取决于训练集被组装、去重与日期截断得有多细致,README 中关于 CASP14 可复现性的说明正是这种纪律的具体体现。

不适用场景与失效模式

最具约束力的限制由项目自己声明。README 免责声明指出 AlphaFold 2 及其输出仅供理论建模,未经意图、验证或批准用于临床用途,输出为置信度不一的预测结果,需谨慎解读。任何把这类结构送入受监管场景的流程都继承了这一边界。

置信度是逐残基给出的,可直接从输出读出:pLDDT 值写入 PDB 文件的 B 因子字段。低 pLDDT 区域标记无序片段、柔性环与进化信号弱的区域,它反映的是输入的性质,并非模型缺陷。预期对齐误差给出成对版本的同源信息,指明哪些残基对彼此的相对位置被良好确定。

大结构域与动态蛋白更难。网络在最多 640 残基的裁剪上训练,超大组装体落在训练分布之外;多聚体模型的训练规模为最多 20 条链、MSA 上限 2048 条序列。含内在无序区、在状态间发生大幅构象变化、或具有强四级重排的蛋白,可能产出看似自信却错误的全局排布。

推理成本增长陡峭。README 表格在单张 A100 上 5000 残基达到 18824 秒,且这还不含 MSA 与模板检索,在完整数据库安装下,后者往往主导首次运行的墙钟时间。因此对整个蛋白质组做批量处理,需要缩减数据库预设、预计算比对,或使用托管服务器;这类大规模批处理的调度问题与 数值求解器的并行策略 有相通之处。

进化假设是最深层的结构限制。该方法从序列家族中残基之间的统计耦合推断结构,因此既无近缘同源也无可用模板的蛋白缺少可依凭的信号,演化过程中折叠发生位移的蛋白则携带不同的耦合模式。论文坦承实验测定结构只覆盖已知序列空间的很小一部分,训练数据因而存在一条代表性不足的长尾。

置信度估计自身的可靠性是研究议题。pLDDT 与 PAE 输出按训练分布校准,在分布外输入(例如从头设计蛋白或深度工程化构建体)上的行为,经验支撑弱于头号基准所暗示的水平。

安装路径本身脆弱。README 记录了权限缺失时 MSA 工具报出难以定位的错误、最多 3 TB 的存储要求、仅支持 Linux 的环境以及 NVIDIA 容器工具包的必要依赖。核验时仓库有 311 个未关闭 issue,其中包括 MSA 下载报错、消费者级 GPU 显存不足、近期 NVIDIA 架构兼容问题与缺少训练代码的报告,这些均为社区报告,复现时值得独立核查。

版本与口径核对

多个版本同时存在,各自是独立物件。模型权重以 alphafold_params_2022-12-06.tar 分发,内含 5 个 CASP14 模型、5 个 pTM 模型与 5 个 AlphaFold-Multimer 模型以及一个许可文件,共 16 个文件。更早的权重集仍可获取:alphafold_params_2022-03-02.tar 对应已弃用的 v2.2.0 多聚体权重,alphafold_params_2022-01-19.tar 对应已弃用的 v2.1.0 权重,两者都需修改下载脚本中的 SOURCE_URL,并在 config.py 中相应调整模型预设名。

技术说明承载版本沿革。文件 docs/technical_note_v2.3.0.md 更新于 2026 年 3 月 11 日,描述 v2.3.0 发布:架构与训练方法不变,截断点移至 2021 年 9 月 30 日,扩大训练裁剪尺寸、链数与 MSA 深度。该说明的早期版本还记录了自蒸馏数据过滤的变化,从序列数大于 10 的簇改为大于 2 的簇。

命名在各项目中已有漂移,需要谨慎。代码与论文使用 AlphaFold2 指称原始体系,仓库目录与权重文件名不带编号,README 讨论的是模型预设,不涉及编号发布,后继体系在自有仓库与论文中使用显式的 AlphaFold 3 名称。引用时应指明所用具体物件。

速度表的测量条件明确,也容易被误引。这些数字覆盖三次迭代精化下的未弛豫预测,不含 MSA 与模板检索,来自单张 A100。关于八倍集成代价的表述特指 monomer_casp14 预设与 CASP14 结构域上约 0.1 的平均 GDT 增益,不应被读作通用的集成收益。

示例命令中的模板日期属于复现控制,不是默认值,且两处示例取值不同,单体用 2021-11-01,多聚体示例用 2020-05-14。README 进一步说明未提供 CASP14 所用的确切数据库版本,因此重跑能复现方法及其行为,无法复现当年的确切数值。

数据库许可独立于代码许可。代码为 Apache 2.0,权重与 CASP15 预测数据为 CC BY 4.0,BFD 与 UniRef30 为 CC BY-SA 4.0,MGnify 为 CC0 1.0;README 说明可用的数据库版本是较新的镜像,其中 MGnify 为 2022 年 5 月版,UniRef30 为 2021 年 3 月版。

最后,两个后继体系的权重获取方式不同。AlphaFold 3 权重从 Google 存储桶下载,且仅限直接来自 Google 的接收方使用,适用该仓库的使用条款文档,另单独发布了带 SynthID 水印的变体与 leaving-atom 变体。AlphaFold 2 参数仍以 CC BY 4.0 自由下载。

参考资料

  1. Jumper J, Evans R, Pritzel A, 等. Highly accurate protein structure prediction with AlphaFold. Nature, 第 596 卷, 第 583 至 589 页, 2021 年 7 月 15 日. DOI 10.1038/s41586-021-03819-2. CC BY 4.0.
  2. 官方 AlphaFold 仓库 https://github.com/google-deepmind/alphafold,含 model、data、relax、docker、server 等子目录。
  3. 仓库内技术说明 v2.3.0,路径 docs/technical_note_v2.3.0.md,2026 年 3 月 11 日更新。
  4. Evans R, O’Neill M, Pritzel A, 等. Protein complex prediction with AlphaFold-Multimer. bioRxiv, 2021 年 10 月 4 日. DOI 10.1101/2021.10.04.463034.
  5. Abramson J, Adler J, Dunger J, 等. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 第 630 卷, 第 493 至 500 页, 2024 年 5 月 8 日. DOI 10.1038/s41586-024-07487-w.
  6. AlphaFold 3 仓库 https://github.com/google-deepmind/alphafold3,含模型权重使用条款文档。
  7. Varadi M, Anyango P, Jin M, 等. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 2022. DOI 10.1093/nar/gkab1061. CC BY 4.0.
  8. Bertoni D, Tsenkov M, Magana P, 等. AlphaFold Protein Structure Database 2025: a redesigned interface and updated structural coverage. Nucleic Acids Research, 2026. DOI 10.1093/nar/gkaf1226. CC BY 4.0.
  9. AlphaFold Server,https://alphafoldserver.com,托管的非商业预测服务。
  10. Steinegger M, Söding J. Protein homology clustering with MMseqs2. Nature Biotechnology, 第 35 卷, 第 539 至 542 页, 2017.
  11. Mirdita M, 等. UniRef30: a unified and consistent reference for sequence comparison and search. bioRxiv, 2021.
  12. Mitchell AL, 等. MGnify: the microbiome sequence data analysis resource. Nucleic Acids Research, 第 49 卷, 2021. CC0 1.0.
  13. Eastman P, 等. OpenMM 7: rapid development of high performance algorithms for molecular dynamics. PLoS Computational Biology, 第 13 卷, 2017.
  14. Maier JA, 等. ff14SB: improving the accuracy of protein side chain and backbone parameters from ff99SB. Journal of Chemical Theory and Computation, 第 11 卷, 第 3696 至 3713 页, 2015.
  15. RoseTTAFold 论文,《Science》,2021,DOI 10.1126/science.abj8754,三轨网络对比。
  16. Ahdritz G, Bouatta J, Floristean C, 等. OpenFold: retraining AlphaFold2 yields new insights into its learning mechanisms and capacity for generalization. bioRxiv, 2022 年 10 月 4 日. DOI 10.1101/2022.11.20.517210.
标签: