图：OpenFold 和 AlphaFold2 的预测结果与 PDB 7KDX 链 B 的实验结构对比。

OpenFold

DeepMind 的 AlphaFold 2 的忠实且可训练的 PyTorch 复现版本。

文档

请访问我们的新文档主页 openfold.readthedocs.io，其中包含安装指南以及模型推理和训练的相关说明。

本页面的大部分内容可在 这里 找到。

版权声明

尽管 AlphaFold 及其衍生项目 OpenFold 的源代码采用宽松的 Apache 许可证第 2.0 版授权，但 DeepMind 的预训练参数则受 CC BY 4.0 许可证保护。安装脚本会将该许可证的副本下载至 openfold/resources/params 目录下。请注意，自 2022 年 1 月起，该许可证已取代原先更为严格的 CC BY-NC 4.0 许可证。

贡献

如果您在使用 OpenFold 时遇到问题，欢迎随时提交 issue！我们也非常欢迎社区的 pull request。

引用本工作

请引用我们的论文：

@article {Ahdritz2022.11.20.517210,
	author = {Ahdritz, Gustaf and Bouatta, Nazim and Floristean, Christina and Kadyan, Sachin and Xia, Qinghui and Gerecke, William and O{\textquoteright}Donnell, Timothy J and Berenberg, Daniel and Fisk, Ian and Zanichelli, Niccolò and Zhang, Bo and Nowaczynski, Arkadiusz and Wang, Bei and Stepniewska-Dziubinska, Marta M and Zhang, Shang and Ojewole, Adegoke and Guney, Murat Efe and Biderman, Stella and Watkins, Andrew M and Ra, Stephen and Lorenzo, Pablo Ribalta and Nivon, Lucas and Weitzner, Brian and Ban, Yih-En Andrew and Sorger, Peter K and Mostaque, Emad and Zhang, Zhao and Bonneau, Richard and AlQuraishi, Mohammed},
	title = {{O}pen{F}old: {R}etraining {A}lpha{F}old2 yields new insights into its learning mechanisms and capacity for generalization},
	elocation-id = {2022.11.20.517210},
	year = {2022},
	doi = {10.1101/2022.11.20.517210},
	publisher = {Cold Spring Harbor Laboratory},
	URL = {https://www.biorxiv.org/content/10.1101/2022.11.20.517210},
	eprint = {https://www.biorxiv.org/content/early/2022/11/22/2022.11.20.517210.full.pdf},
	journal = {bioRxiv}
}

如果您使用 OpenProteinSet，请同时引用：

@misc{ahdritz2023openproteinset,
      title={{O}pen{P}rotein{S}et: {T}raining data for structural biology at scale}, 
      author={Gustaf Ahdritz and Nazim Bouatta and Sachin Kadyan and Lukas Jarosch and Daniel Berenberg and Ian Fisk and Andrew M. Watkins and Stephen Ra and Richard Bonneau and Mohammed AlQuraishi},
      year={2023},
      eprint={2308.05326},
      archivePrefix={arXiv},
      primaryClass={q-bio.BM}
}

任何引用 OpenFold 的工作，还应根据需要引用 AlphaFold 和 AlphaFold-Multimer，如果适用的话。

OpenFold 快速上手指南

OpenFold 是 DeepMind AlphaFold 2 的忠实 PyTorch 复现版本，不仅支持推理，还支持端到端的训练和微调。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 18.04+)
• GPU: 支持 CUDA 的 NVIDIA 显卡（推荐显存 16GB+ 以运行完整模型）
• 软件依赖:
  • Python 3.7+
  • PyTorch 1.9+ (需匹配对应的 CUDA 版本)
  • Git

前置依赖安装建议： 建议使用 Conda 管理环境。如果您在中国大陆，推荐使用清华或中科大镜像源加速包下载。

# 创建并激活虚拟环境
conda create -n openfold python=3.9
conda activate openfold

# (可选) 配置国内镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

安装步骤

1. 克隆代码库

git clone https://github.com/aqlaboratory/openfold.git
cd openfold

2. 安装 Python 依赖

项目根目录通常包含 requirements.txt。使用 pip 安装时建议指定国内镜像以提升速度：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：如果 requirements.txt 中未明确指定 PyTorch 版本，请先根据您本地的 CUDA 版本手动安装 PyTorch。例如：

# 示例：安装带有 CUDA 11.8 支持的 PyTorch (请根据实际情况调整)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 获取预训练参数

OpenFold 的安装脚本会自动下载 DeepMind 的预训练参数（遵循 CC BY 4.0 协议）。这些参数将被保存至 openfold/resources/params 目录。

运行安装脚本或按照官方文档指示完成参数下载：

# 具体下载命令可能随版本更新变化，通常涉及运行 setup 脚本或手动下载
# 请参考最新文档：https://openfold.readthedocs.io/en/latest/

基本使用

以下是最简单的单序列蛋白质结构预测示例。

运行推理

假设您有一个 FASTA 格式的输入文件 input.fasta，执行以下命令进行预测：

python scripts/run_pretrained_openfold.py \
    input.fasta \
    ./output_dir \
    --model_names model_1 \
    --device cuda:0 \
    --fp16 \
    --cpu_offload \
    --replace_sse

参数说明：

• input.fasta: 输入的蛋白质序列文件。
• ./output_dir: 输出结果目录（将包含 PDB 文件和置信度数据）。
• --model_names: 指定使用的模型权重（如 model_1 到 model_5）。
• --fp16: 启用半精度推理以节省显存并加速。
• --cpu_offload: 当显存不足时，自动将部分计算卸载到 CPU。

查看结果

运行完成后，检查输出目录：

ls ./output_dir
# 您将看到生成的 .pdb 文件，可使用 PyMOL 或 ChimeraX 查看结构

提示：更多高级功能（如多聚体预测、模型训练、自定义数据集处理）请参阅完整文档：openfold.readthedocs.io。