OpenFold:可训练的 AlphaFold2 PyTorch 复现
新简介
OpenFold 由哥伦比亚大学 AQLab 团队(负责人 Mohammed AlQuraishi)维护,仓库建于 2021 年 9 月 14 日,截至本文核验时已积累约 3454 个 star、703 个 fork,另有 246 个未关闭 issue,默认分支为 main,主体语言为 Python,采用 Apache-2.0 许可。它的定位非常明确:在不改动 AlphaFold2 架构的前提下,用 PyTorch 写出一份可以训练、可以微调、可以逐层检查的等价实现。
项目最初的公开时间点有两个互相矛盾的记录,值得分开看。仓库内 CITATION.cff 的 date-released 写的是 2021 年 11 月 12 日,早于论文 DOI 中出现的 2022 年 11 月 20 日;bioRxiv 预印本则显示第二版发布于 2022 年 11 月 24 日。也就是说,代码的首次可用时间早于论文正式预印本近一年,这一年的差值正是「先有可用工具、后有完整论证」的典型形态。
论文题为《OpenFold: Retraining AlphaFold2 yields new insights into its learning mechanisms and capacity for generalization》,29 位作者,Ahdritz 与 Bouatta 并列一作,末位为 AlQuraishi,DOI 10.1101/2022.11.20.517210,正文 45 页,附 CC BY 4.0 许可。参与单位横跨哥伦比亚大学、哈佛医学院、纽约大学、Flatiron 研究所、OpenBioML、NVIDIA、EleutherAI、德州高级计算中心等,兼具学术界与算力基础设施方的色彩。
这个项目的价值不能只看「又一份 AlphaFold 复现」。它真正的贡献是把 AlphaFold2 从一个封闭的预训练权重变成了可被反复训练的公开系统,并由此产出了一批关于「模型是怎么学会折叠的」的经验结论——这些结论反过来又构成了训练新一代结构模型的实测依据。围绕它的配套数据集 OpenProteinSet 则把多序列比对(MSA)的规模推到了千万级别。
在本站的收录体系中,OpenFold 属于「结构生物学中的可训练基座模型」一类条目,与物理基础模型集合讨论的规模化预训练路线相邻;与之并列的同类实现还有本站收录的 AlphaFold 条目与RoseTTAFold 条目,三者在定位上各有侧重,后文会逐项对照。
原理与工作方式
OpenFold 完整复现了 AlphaFold2 的计算逻辑,未对架构本身做任何改动。这一点是后续所有分析结论成立的前提:作者在 CAMEO 验证集上比较 OpenFold 与 AlphaFold2 的预测结果,两者的 lDDT-Cα 分布高度一致,论文中的散点图即由此得出。
AlphaFold2 的主干 Evoformer 是一种同时在序列轴与空间轴上做注意力的几何深度学习模块:序列轴上的注意力负责在多序列比对(MSA)行之间传递信息,残基对之间的成对偏置则编码空间接触关系。OpenFold 把这一结构逐层翻译为 PyTorch 张量算子,配套提供训练循环、微调阶段、模板搜索与权重转换脚本,仓库内 scripts/ 目录下约有 45 个脚本,覆盖数据库下载、比对预计算、嵌入预计算与权重转换等环节。
论文对「模型如何学折叠」给出的图像非常具体。训练最初,模型采用所谓「黑洞」初始化,把所有残基放在原点,预测结构呈点状、零维;随后结构沿单一轴向延展,成为一维管状;再向后管状结构在正交方向上铺开,形成二维曲面,二级结构元素开始以扁平形态可辨;二维展布接近完成后,结构才向三维体积发展。作者用 PCA 与 dRMSD 对这一过程做了量化,并发现一维、二维、三维投影几乎同时收敛,说明学习过程在空间维度上是连续的,并未采用「某个维度先学完再切换」的离散步骤。
另一条观察是尺度上的:训练早期全局 GDT-TS 几乎不动,10 残基片段的 GDT-TS 却快速上升;到训练末尾,片段与整蛋白的 GDT-TS 差距收缩到约 10 分。这说明局部结构先于全局结构被学到。
在工程层面,OpenFold 相对原版做了三项改动。其一是引入 FP16 低精度训练模式,使训练可以在常规商用 GPU 上进行。其二是修改了主结构损失 FAPE 的裁剪策略:原版在相当比例的训练批次上对整个批次做裁剪,OpenFold 改为在批次内部按比例裁剪样本,确保每个批次至少含有若干未被裁剪的链。作者用 15 次独立运行验证了这一改动——旧协议下 5 次独立运行出现 2 次快速收敛、2 次晚收敛、1 次不收敛,新协议下 15 次全部快速收敛。其三是针对训练与推理各自特点做内存优化:训练时用 256 至 384 残基的短片段以节省保存中间计算所需的内存,推理时序列长度可以大出十余倍,但内存占用随长度近似立方增长。
适用边界与前提
OpenFold 的适用前提首先在数据侧。完整复现 AlphaFold2 的输入需要三类外部资源:多序列比对数据库、结构模板库,以及预训练参数。仓库为此准备了成套下载脚本,覆盖 AlphaFold 数据库、BFD、MGnify、UniRef90、UniRef30、Uniclust30、PDB 系列文件、soloseq 嵌入以及 OpenFold 自身的参数权重。深度学习框架同样有硬性要求:environment.yml 锁定 Python 3.10、PyTorch 2.5 与 CUDA 12.4,并依赖 DeepSpeed 0.14.5、Flash Attention、bioconda 的 HMMER 与 HH-suite、OpenMM、PDBFixer、PyTorch Lightning、wandb 等。
其次在规模侧。论文报告的完整训练总计约 50000 GPU 小时,训练步数超过 90000 步。这个数字决定了 OpenFold 的原始定位并非「小团队随手复现」,它更接近一项研究级工程。即便如此,作者仍然指出:模型在 1500 GPU 小时(约占总训练时间 3%)时即可达到最终精度约 90%,2500 GPU 小时达到约 95%。这条曲线是全项目最实用的经验——它意味着新架构、新数据的可行性验证可以把预算压到原始训练的百分之几。
第三在评测侧。OpenFold 论文的核心指标 lDDT-Cα 依赖实验解析结构作为参照,其验证集来自 CAMEO,属于结构生物学社区通用的时序盲测集合。把这一指标挪到其它物理 AI 场景(例如分子性质预测、结合位点识别)时需要重新定义参照系,指标本身不可直接搬用。
许可结构也是使用时必须记清的一层。代码沿用 AlphaFold2 的 Apache-2.0,宽松且可商用;而 DeepMind 发布的预训练参数适用 CC BY 4.0,README 明确记载该条款在 2022 年 1 月替代了原先更严格的 CC BY-NC 4.0。两者的宽松程度并不一致,商用前需按用途分别确认。
上手路径
最省力的路径是先跑推理,再考虑训练。仓库提供 run_pretrained_openfold.py 作为推理入口,openfold/config.py 集中管理全部超参与数据路径配置,notebooks/OpenFold.ipynb 给出交互式示例,experiments/test_templates_openfold.py 演示模板特征的使用方式。官方文档托管在 ReadTheDocs(openfold.readthedocs.io/en/latest/),安装、推理与训练三部分均有独立章节。
数据准备的顺序大致是:先按 scripts/download_*.sh 系列取回数据库与参数,再视路线选择做比对预计算(precompute_alignments.py 或 precompute_alignments_mmseqs.py)与嵌入预计算(precompute_embeddings.py),最后进入训练脚本。仓库提供 Dockerfile 与 environment.yml 两条环境固化路径,也提供 deepspeed_config.json 与 build_deepspeed_config.py 供多机多卡训练使用。scripts/ 中另有一批格式转换工具,如 convert_of_weights_to_jax.py 与 convert_v1_to_v2_weights.py,用于在 AlphaFold2 不同权重版本之间迁移。
对于想在消费级硬件上跑折叠的用户,仓库同时提供 download_colabfold_envdb.sh 与 prep_mmseqs_dbs.sh 等脚本,配合 MMseqs2 路线构建轻量环境库;download_openfold_params_huggingface.sh 则给出了从 Hugging Face 获取权重的替代渠道,避免依赖单一镜像。
部署时还需注意权重与配置的耦合:预训练参数与其对应的归一化统计量是一套整体,混用不同版本的权重与配置会让预测结果系统性偏移。仓库把版本化的参数目录与配置文件一一对应,替换时应整体替换。
硬件选择也需要分场景判断。论文给出的推理速度对照是在单张 A100 上测得的,长度 100 残基时约需 2.8 秒,长度 1000 残基时升至 215.3 秒,长度 2000 残基时达到 1251.2 秒,4700 残基则需 13908.8 秒。短序列批量预测可以在单卡上直接推进,长序列批量预测则需要按长度分档调度,或采用切片加拼接的策略。训练侧的情况相反:训练用片段长度被限制在 256 至 384 残基,显存占用与序列总长关系较弱,因此单卡甚至消费级显卡也能承担小规模训练任务,这也是论文中「1500 GPU 小时达 90% 精度」这一预算区间能够成立的技术前提。
最后是复现时的检查顺序建议:先确认参数与配置版本匹配,再确认归一化统计量与权重同源,然后确认模板特征在需要时可用,最后才开启多机训练与微调。这三步各自对应一类常见故障,混在一起排查会显著拉长定位时间。
横向对比
与 AlphaFold 条目收录的 DeepMind 原版相比,OpenFold 的差异集中在三点。第一是训练能力:原版提供了权重与推理代码,训练所需的数据管线与全部中间细节并未以同等开放度给出,OpenFold 则把训练回路、损失实现、预计算脚本一并交付。第二是许可:两者代码同为 Apache-2.0,但 OpenFold 额外提供了 DeepMind 参数的下载路径与许可说明,条款由 CC BY-NC 4.0 放宽到 CC BY 4.0。第三是社区规模:DeepMind 原版仓库 star 数约 1.49 万,OpenFold 约 3454,ColabFold 约 2984。
与 RoseTTAFold 条目收录的 RoseTTAFold 相比,OpenFold 走的是「严格复现 + 机制研究」的路线,并未另起一套架构。RoseTTAFold 强调训练效率,其蒸馏出的架构在推理开销上更有优势;OpenFold 则强调与 AlphaFold2 的计算等价性,把「在完全相同的架构里究竟发生了什么」这一问题作为研究对象。
与 ColabFold 相比,两者的目标用户重叠但重心不同。ColabFold 强调「让折叠人人可用」,通过 MMseqs2 替代 Jackhmmer 大幅降低对算力与数据库的门槛,MIT 许可,工程化程度高;OpenFold 强调可训练与可分析,Apache-2.0 许可,配套完整的论文级实验。ColabFold 论文发表于 Nature Methods(DOI 10.1038/s41592-022-01488-1),OpenFold 论文则以 bioRxiv 预印本形式公开。
在结构生物学谱系中还需点到 ESMFold 这条以语言模型为中心的路线:它用蛋白语言模型替代 MSA,主张零样本突变效应预测,在速度上有数量级优势,但预测精度的绝对水位低于依赖 MSA 的 AlphaFold 系方法。这条路线与 OpenFold 并不冲突——OpenFold 论文本身也把「数据驱动的表征学习路线是否可替代 MSA」列为开放问题,并在讨论中指出 AlphaFold2 架构本身可能具备推广到其它分子建模问题的潜力。
在本站的横向语境里,OpenFold 与 MACE 条目代表两类不同的「可训练科学基座」:前者从序列出发学结构,后者从原子构型出发学势能函数。二者的共同点是把物理系统的知识沉淀进可微、可训练的模型中,差别则在输入表示与目标量。
基准与数据
OpenFold 论文提供了一组少见的、把「训练过程」本身当作研究对象的实验证据。以下数字均出自论文正文与图注。
在复现性上,CAMEO 验证集上的 lDDT-Cα 散点显示 OpenFold 与 AlphaFold2 高度一致,这是「忠实复现」这一主张的直接依据。训练效率方面,1500 GPU 小时达最终精度约 90%,2500 GPU 小时约 95%,总训练约 50000 GPU 小时,完整训练超过 90000 步。微调阶段的作用被单独评估:作者发现第二阶段对整体结构质量指标影响有限(即便只看长度大于 500 残基的长蛋白亦然),其主要效用在于纠正已知化学约束的违背,例如位阻冲突。pLDDT 置信度指标在训练早期过度自信,随后转为不足自信并逐步收敛。
数据消融实验把训练集随机下采样到 17000、10000、5000、2500、2000、1000 条链,每组至少训练 7000 步且不使用自蒸馏。结果显示,仅 10000 条链(约占全训练集 7.6%)即可达到与全量模型基本相同的初始 lDDT-Cα;全量模型在 20000 步时峰值 lDDT-Cα 达 0.83,而 10000 样本模型训练 7000 步后已超过 0.81;最小的 1000 条链子集(占全训练集 0.76%)达到 lDDT-Cα 0.64,超过了 CASP13 上第一代 AlphaFold 的中位 0.62。模板的贡献被单独消融,结论是即便在低数据量设定下模板对预测质量的平均贡献也很小,这与 AlphaFold2 原始消融结论一致。
折叠空间泛化实验使用 CATH 层级划分:过滤后约 440000 个 domain、1385 个 topology、42 个 architecture、4 个 class。拓扑层随机留出 100 个 topology,architecture 层留出 5 个(共 100 链,每个架构 20 链),class 层留出既非 mainly-alpha 也非 mainly-beta 的域;所有运行均不使用模板,训练至约 7000 步。结论有三条:保留 10% topology(约 6400 链)的效果弱于随机保留 5000 链,说明「删掉整片折叠空间」的代价高于「单纯减少数据量」;保留 5% topology(2000 链)仍达 lDDT-Cα 近 0.6,与训练于超过 10 万条链的第一代 AlphaFold 相当;单一 architecture 的训练集峰值接近 0.6。最反直觉的一条是 class 分层模型——训练集中分别只有 mainly-alpha(15400 链)或 mainly-beta(21100 链)的域,在同时含 α 螺旋与 β 折叠的域上 lDDT-Cα 仍超过 0.7。
配套数据集 OpenProteinSet 的规模在论文 Table 1 中分三档给出:PDB 全部唯一链约 140000 条(有 MSA、有模板、结构为实验测定),Uniclust30 过滤版约 270000 条(有 MSA、有模板、结构由 AlphaFold2 预测),Uniclust30 未过滤版 1600 万条(有 MSA、无模板、无结构)。MSA 由 HHMer 与 HHblits 计算,格式为 A3M,模板为 HHSearch 的 HHR 格式,结构预测为 PDB 格式。全部数据以 CC BY 4.0 许可发布,托管于 AWS Registry of Open Data 的 openfold/ 目录,并附有 datasheet。快照日期分别为 UniRef90 2021 年 12 月 19 日、BFD 2021 年 12 月 20 日、Uniclust30 2021 年 12 月 28 日、MGnify 2022 年 1 月 14 日。论文同时指出 OpenFold 在恰好 50% 的目标上不劣于 AlphaFold2。
推理速度方面,论文 Table 1 给出单张 A100 上的秒数对照(OpenFold / AlphaFold2):长度 100 时 2.8 / 8.8(3.14 倍),300 时 13.0 / 21.9(1.68 倍),500 时 34.7 / 50.8(1.46 倍),1000 时 215.3 / 222.8(1.03 倍),1100 时 288.7 / 278.1(0.96 倍),1500 时 614.1 / 549.1(0.89 倍),2000 时 1251.2 / 1081.1(0.86 倍),2500 时 2223.9 / 显存溢出,4700 时 13908.8 / 显存溢出。短序列上 OpenFold 更快,长序列上 AlphaFold2 的显存管理更省。
物理 AI 场景中的用法
在结构生物学内部,OpenFold 的直接用途有三条主线。
第一条主线是把「结构预测」嵌入到药物发现与蛋白质工程流程中作为前置环节。传统流程里,结构获取是瓶颈环节;有了可本地部署、可批量调用的预测工具之后,虚拟筛选与突变稳定性评估可以前置到设计阶段。这一用法的工程前提是长序列的显存管理与并行调度,仓库提供的 DeepSpeed 配置与批量提交脚本正是为此准备。
第二条主线是把 OpenFold 当作可训练基座,用于特定任务上的微调。论文中「10000 条链即达同等初始精度」与「1500 GPU 小时达 90% 精度」这两条数字合在一起,划出了微调的可行预算区间——这与本站代理模型与降阶集合中反复强调的「用小样本加物理结构换算力」是同一条工程经验。
第三条主线是把结构预测与下游物理计算耦合。OpenFold 的 environment.yml 里同时装了 OpenMM 与 PDBFixer,这不是偶然——仓库的意图是让预测出的结构能直接进入分子动力学模拟,从而把「静态结构」推进到「动态轨迹」。这一路线与本站数值与求解器集合关注的工程级求解器是上下游关系。
在跨领域视角下,OpenProteinSet 提供了另一个可复用的样本:它示范了如何把「一个物种级别的公开数据库」转化成「训练可用的机器学习数据集」——分层抽稀、附 datasheet、明确许可与快照日期、用云对象存储分发。这套做法对任何希望用公共数据库训练模型的人都成立,其价值与具体结构生物学内容无关。
在本站的分类体系中,OpenFold 也与物理信息神经网络入门集合形成有趣对照。PINN 路线试图把物理约束直接写进损失函数,而 OpenFold 论文的讨论部分给出了一个反向的实证:作者尝试启用物理违背惩罚(位阻冲突、非物理键长)来修正塌缩期结构,结果该惩罚项破坏了训练稳定性;AlphaFold2 采用的是「仅在训练后期惩罚物理违背」的课程学习策略。这段经验对任何打算往损失函数里塞物理先验的人都有直接参考价值。
不适用场景与失效模式
OpenFold 的失效模式可以分成四类。
第一类是训练早期的结构塌缩。在空间维度学习的前期(一维与二维阶段),模型预测出的结构严重违反基本化学定律。这不是随机噪声,而是学习过程中的必经阶段——把它误读为「模型坏了」会导致过早放弃训练;同时,若在此阶段强行施加物理惩罚,又会引入前述的稳定性问题。
第二类是折叠空间覆盖不足。当训练集缺少某一类拓扑时,模型在同类折叠上的表现会显著下降,且这种下降的幅度大于单纯削减数据量带来的影响。换句话说,数据的多样性维度比数据量维度更关键,这对数据配方的设计有直接影响。
第三类是长序列的资源约束。推理内存随序列长度近似立方增长,AlphaFold2 在 2500 残基处即显存溢出,OpenFold 在同等长度下可跑但耗时上升到 2223.9 秒,4700 残基需 13908.8 秒。这意味着「批量预测长蛋白」在单卡上是不可行方案,需要切片策略或分布式部署。
第四类是许可与再分发边界。代码的 Apache-2.0 与参数的 CC BY 4.0 是两份独立条款;OpenProteinSet 虽以 CC BY 4.0 发布,但其中 Uniclust30 未过滤版的结构由 AlphaFold2 预测而来,不属于实验测定结构,混用不同来源的结构数据时需要留意上游数据库各自的许可条款。
还有一层属于「不要指望它做」的功能边界。OpenFold 复现的是 AlphaFold2 的架构与训练机制,它不做复合物建模(相关工作在 AlphaFold-Multimer 方向,DOI 10.1101/2021.10.04.463034),也不做构象采样与自由能计算。它输出的是单一静态结构,不是轨迹,也不是热力学量。
版本与口径核对
本文几处容易混淆的口径,在此逐条固定。
仓库状态:默认分支 main,最后推送 2025 年 12 月 16 日,仓库元数据更新时间为 2026 年 11 月 3 日;archived 为 false。仓库树共 269 个条目、235 个文件,根目录含 LICENSE、README.md、CITATION.cff、Dockerfile、environment.yml、deepspeed_config.json、setup.py、openfold/、scripts/、tests/、docs/、notebooks/ 等目录与文件。
许可状态:GitHub API 报告的仓库许可为 Apache-2.0,根目录 LICENSE 文件与之相符;README 的 Copyright Notice 一节另行说明 DeepMind 预训练参数适用 CC BY 4.0,并明确该条款自 2022 年 1 月起替代 CC BY-NC 4.0。三层结构需分别理解:OpenFold 代码 Apache-2.0、DeepMind 参数 CC BY 4.0、OpenProteinSet 数据 CC BY 4.0。
引用口径:CITATION.cff(cff-version 1.2.0)的 preferred-citation 含 29 位作者,首位 Gustaf Ahdritz(ORCID 0000-0001-8283-5324),末位 Mohammed AlQuraishi,DOI 为 10.1101/2022.11.20.517210,date-released 字段写的是 2021 年 11 月 12 日。README 内的 BibTeX 同样给出 29 位作者,但把 year 写为 2022。两处并存时,以 DOI 与 bioRxiv 记录为准,即论文预印本时间为 2022 年 11 月,第二版发布于 2022 年 11 月 24 日;2021 年 11 月 12 日对应的是代码的公开发布节点。
论文元数据:bioRxiv 预印本正文 45 页、约 122140 字符,附 CC BY 4.0 许可,标题中的关键词为「learning mechanisms」与「capacity for generalization」。OpenProteinSet 论文为 arXiv 2308.05326,2023 年 8 月 10 日发布,10 位作者,正文 17 页、约 53666 字符。
数据口径:OpenProteinSet 的三档规模(PDB 约 140000、Uniclust30 过滤版约 270000、Uniclust30 未过滤版 1600 万)在论文 Table 1 中给出,且论文自述数据源为「截至 2022 年 4 月的 PDB」,该时点紧邻 CASP15 开幕,引用时宜一并标注。数据库快照日期(UniRef90 2021-12-19、BFD 2021-12-20、Uniclust30 2021-12-28、MGnify 2022-01-14)与 PDB 内容日期不是同一时点,二者不可混用。
指标口径:lDDT-Cα 为论文的主指标,验证集为 CAMEO;GDT-TS 用于多尺度分析;pLDDT 为模型自评置信度,与真实 lDDT-Cα 在训练早期高度相关但存在过度自信现象。跨文比较时须确认指标定义与验证集一致。
对比口径:推理速度表为单张 A100 上的秒数对照,长度 100 至 4700 残基;超过 2500 残基后 AlphaFold2 一列记为显存溢出,此时倍数记作无穷大,不宜按连续数值处理。
参考资料
- OpenFold 论文:《OpenFold: Retraining AlphaFold2 yields new insights into its learning mechanisms and capacity for generalization》,bioRxiv 预印本,DOI 10.1101/2022.11.20.517210,2022 年 11 月 24 日发布第二版,正文 45 页,CC BY 4.0。
- OpenFold 官方仓库:https://github.com/aqlaboratory/openfold ,Apache-2.0,默认分支
main。 - OpenFold 官方文档站(ReadTheDocs):https://openfold.readthedocs.io/en/latest/ ,含安装、推理与训练章节。
- OpenFold
CITATION.cff:仓库内引用元数据文件,cff-version 1.2.0,29 位作者,date-released 2021-11-12。 - OpenProteinSet 论文:《OpenProteinSet: Training data for structural biology at scale》,arXiv 2308.05326,2023 年 8 月 10 日。
- OpenProteinSet 数据集托管页(AWS Registry of Open Data):https://registry.opendata.aws/openfold/ ,含 datasheet。
- DeepMind AlphaFold2 论文:《Highly accurate protein structure prediction with AlphaFold》,Nature,DOI 10.1038/s41586-021-03819-2。
- AlphaFold-Multimer 论文:《Protein complex prediction with AlphaFold-Multimer》,bioRxiv,DOI 10.1101/2021.10.04.463034。
- ColabFold 论文:《ColabFold: making protein folding accessible to all》,Nature Methods,DOI 10.1038/s41592-022-01488-1。
- ColabFold 官方仓库:https://github.com/sokrypton/ColabFold ,MIT 许可。
- DeepMind AlphaFold2 官方仓库:https://github.com/google-deepmind/alphafold ,Apache-2.0。
- ESMFold 预印本:《Language models enable zero-shot prediction of the effects of mutations on protein structure》,bioRxiv,DOI 10.1101/2021.07.09.450648。
- OpenMM 论文:《OpenMM 7: Rapid development of high performance algorithms for molecular dynamics》,PLOS Computational Biology,DOI 10.1371/journal.pcbi.1005659。
- UniProt 数据库论文:《UniProt: the universal protein knowledgebase》,Nucleic Acids Research,DOI 10.1093/nar/gky092。
- MGnify 数据库论文:《MGnify: the microbiome analysis resource in 2020》,Nucleic Acids Research,DOI 10.1093/nar/gkz1035。
- CATH 结构分类原始论文:《CATH – a hierarchic classification of protein domain structures》,Structure,DOI 10.1016/s0969-2126(97)00260-8。
- DeepSpeed ZeRO 论文:《ZeRO: Memory Optimizations Toward Training Trillion Parameter Models》,arXiv 1910.02054。
- CAMEO 结构预测盲测社区入口:https://www.cameo3d.org/ 。