Alphafold3开源

写在前面的
DeepMind于2024年5月9日正式发布Alphafold3，作为其前身AlphaFold2的升级版本Alphafold3采用了扩散模型来生成最终的三维结构。该模型通过加噪和去噪的过程，从随机噪声中逐步生成清晰的原子坐标。这一过程强调了局部和全局结构的学习，能够在不同的尺度上理解蛋白质的构象。同时Alphafold3采用了Pairformer模块取代了AlphaFold2中的Evoformer模块，专注于处理成对表示（pair representation），并通过成对特征的交互来更新单一特征（single representation）。这一模块的设计使得信息流动更加高效，能够更好地捕捉分子间的相互作用使得AlphaFold3在蛋白质及其他生物分子的结构预测方面具有更高的准确性和广度。此前，DeepMind并未公开Alphafold3的源代码，而是提供了一个在线的AlphaFold Server，用户可以在该平台上进行蛋白质结构预测。用户只需注册并登录，即可提交蛋白质序列进行预测。由于源代码未公开，同时受到网络的限制，国内用户想使用Alphafold3完成蛋白质与其他生物大分子或小分子的预测非常困难。最近，DeepMind公司公开了Alphafold3的源代码https://github.com/google-deepmind/alphafold3，使得蛋白质及其他生物分子的相互作用可以批量在本地进行。

Alphafold3安装

      要安装AlphaFold3，需要遵循以下步骤。请注意，AlphaFold3仅支持Linux操作系统，并且需要具备一定的硬件要求，包括NVIDIA GPU和足够的内存。

安装步骤

1.准备环境：

      确保服务器是Linux操作系统，推荐使用Ubuntu 22.04 LTS。需要至少64 GB的RAM和NVIDIA GPU（计算能力8.0或更高）。

通过Docker安装

      更新包管理器并安装必要的依赖

sudo apt-get update
sudo apt-get install ca-certificates curl

      添加Docker的GPG密钥并安装Docker：

sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc
echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

2.安装NVIDIA驱动

      安装NVIDIA驱动以支持GPU：

sudo ubuntu-drivers install
sudo nvidia-smi

通过github安装

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

数据库下载

        使用提供的Python脚本下载所需的基因数据库：确保下载目录有足够的存储空间（约252 GB的下载大小）。

python3 fetch_databases.py --download_destination=<DATABASES_DIR>

Alphafold3使用方法

使用前测试

{
  "name": "2PV7",
  "sequences": [
    {
      "protein": {
        "id": ["A", "B"],
        "sequence": "GMRESYANENQFGFKTINSDIHKIVIVGGYGKLGGLFARYLRASGYPISILDREDWAVAESILANADVVIVSVPINLTLETIERLKPYLTENMLLADLTSVKREPLAKMLEVHTGAVLGLHPMFGADIASMAKQVVVRCDGRFPERYEWLLEQIQIWGAKIYQTNATEHDHNMTYIQALRHFSTFANGLHLSKQPINLANLLALSSPIYRLELAMIGRLFAQDAELYADIIMDKSENLAVIETLKQTYDEALTFFENNDRQGFIDAFHKVRDWFGDYSEQFLKESRQLLQQANDLKQG"
      }
    },
  ],
  "modelSeeds": [1],
  "dialect": "alphafold3",
  "version": 1
}

基于命令行运行方法

#基于docker的使用方法
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 \
#基于python源码的使用方法
python run_alphafold.py \
    --json_path=/root/af_input/fold_input.json \
    --model_dir=/root/models \
    --output_dir=/root/af_output

Alphafold3的硬件依赖

       AlphaFold 3 不支持其他操作系统，目前只支持Linux操作系统。安装完整版Alphafold3（包含数据库和预训练等库）需要高达 1 TB 的磁盘空间保存（建议使用 SSD 存储）和具有计算能力 8.0 或更高版本的 NVIDIA GPU（具有更多内存的 GPU 可以预测更大的蛋白质结构）。Deepmind团队已经验证，单个 NVIDIA A100 80 GB 或单个 NVIDIA H100 80 GB 可以容纳多达 5,120 个令牌的输入。我们已经在 NVIDIA A100 和 H100 GPU上验证了数值准确性。特别是对于长序列对象，序列搜索阶段可能会消耗大量运行内存，建议至少使用大于64GB的RAM运行。Deepmind公司提供了具有 NVIDIA A100 80 GB GPU 和纯净版Ubuntu 22.04 LTS 安装的计算机的安装说明。

A100显卡要求

Mon Nov  11 12:00:00 2024
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 550.120                Driver Version: 550.120        CUDA Version: 12.6     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA A100-SXM4-80GB          Off |   00000000:00:05.0 Off |                    0 |
| N/A   34C    P0             51W /  400W |       1MiB /  81920MiB |      0%      Default |
|                                         |                        |             Disabled |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI        PID   Type   Process name                              GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+

基于Docker安装的NVIDIA支持

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
nvidia-ctk runtime configure --runtime=docker --config=$HOME/.config/docker/daemon.json
systemctl --user restart docker
sudo nvidia-ctk config --set nvidia-container-cli.no-cgroups --in-place
docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu22.04 nvidia-smi

Linux NIVDIA显卡驱动安装

sudo apt-get -y install alsa-utils ubuntu-drivers-common
sudo ubuntu-drivers install

sudo nvidia-smi --gpu-reset

nvidia-smi  # Check that the drivers are installed.