AlphaFold 3

本软件包提供了 AlphaFold 3 推理流程的实现。有关如何获取模型参数的信息，请参见下文。您仅可在直接从 Google 获得的情况下使用 AlphaFold 3 模型参数。使用须遵守这些使用条款。

任何披露基于本源代码、模型参数或其生成输出的研究成果的出版物，均应引用论文《利用 AlphaFold 3 准确预测生物分子相互作用的结构》（DOI: 10.1038/s41586-024-07487-w）。

此外，请参阅补充信息部分，以获取方法的详细描述。

AlphaFold 3 亦可通过 alphafoldserver.com 提供非商业用途的服务，但其配体和共价修饰的种类较为有限。

如有任何疑问，请联系 AlphaFold 团队：alphafold@google.com。

获取模型参数

本仓库包含运行 AlphaFold 3 推理所需的所有代码。如需申请访问 AlphaFold 3 模型参数，请填写此表格。访问权限将由 Google DeepMind 全权决定。我们力争在 2–3 个工作日内回复您的请求。您仅可在直接从 Google 获得的情况下使用 AlphaFold 3 模型参数。使用须遵守这些使用条款。

安装与首次预测运行

请参阅安装文档。

完成 AlphaFold 3 的安装后，您可以使用以下名为 fold_input.json 的输入 JSON 文件来测试您的设置：

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

随后，您可使用以下命令运行 AlphaFold 3：

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

run_alphafold.py 命令支持多种参数选项，您可以通过运行 python run_alphafold.py --help 查看所有可用选项。其中两个关键参数用于控制 AlphaFold 3 将执行哪些步骤：

• --run_data_pipeline（默认为 true）：是否运行数据处理流程，即基因组和模板搜索。该步骤仅需 CPU，耗时较长，也可在无 GPU 的机器上运行。
• --run_inference（默认为 true）：是否运行推理过程。此步骤需要 GPU。

AlphaFold 3 输入

请参阅输入文档。

AlphaFold 3 输出

请参阅输出文档。

性能

请参阅性能文档。

已知问题

已知问题已在已知问题文档中列出。

如果问题未在已知问题或问题追踪器中列出，请创建新问题。

引用本工作

任何披露基于本源代码、模型参数或其生成输出的研究成果的出版物，均应引用以下文献：

@article{Abramson2024,
  author  = {Abramson, Josh and Adler, Jonas and Dunger, Jack and Evans, Richard and Green, Tim and Pritzel, Alexander and Ronneberger, Olaf and Willmore, Lindsay and Ballard, Andrew J. and Bambrick, Joshua and Bodenstein, Sebastian W. and Evans, David A. and Hung, Chia-Chun and O’Neill, Michael and Reiman, David and Tunyasuvunakool, Kathryn and Wu, Zachary and Žemgulytė, Akvilė and Arvaniti, Eirini and Beattie, Charles and Bertolli, Ottavia and Bridgland, Alex and Cherepanov, Alexey and Congreve, Miles and Cowen-Rivers, Alexander I. and Cowie, Andrew and Figurnov, Michael and Fuchs, Fabian B. and Gladman, Hannah and Jain, Rishub and Khan, Yousuf A. and Low, Caroline M. R. and Perlin, Kuba and Potapenko, Anna and Savy, Pascal and Singh, Sukhdeep and Stecula, Adrian and Thillaisundaram, Ashok and Tong, Catherine and Yakneen, Sergei and Zhong, Ellen D. and Zielinski, Michal and Žídek, Augustin and Bapst, Victor and Kohli, Pushmeet and Jaderberg, Max and Hassabis, Demis and Jumper, John M.},
  journal = {Nature},
  title   = {Accurate structure prediction of biomolecular interactions with AlphaFold 3},
  year    = {2024},
  volume  = {630},
  number  = {8016},
  pages   = {493–500},
  doi     = {10.1038/s41586-024-07487-w}
}

致谢

AlphaFold 3 的发布离不开以下各位的宝贵贡献：

Andrew Cowie、Bella Hansen、Charlie Beattie、Chris Jones、Grace Margand、Jacob Kelly、James Spencer、Josh Abramson、Kathryn Tunyasuvunakool、Kuba Perlin、Lindsay Willmore、Max Bileschi、Molly Beck、Oleg Kovalevskiy、Sebastian Bodenstein、Sukhdeep Singh、Tim Green、Toby Sargeant、Uchechi Okereke、Yotam Doron 以及工程负责人 Augustin Žídek。

我们亦感谢 Google 和 Isomorphic Labs 的合作伙伴们。

AlphaFold 3 使用了以下独立的库和软件包：

• abseil-cpp 和 abseil-py
• Docker
• DSSP
• HMMER Suite
• Haiku
• JAX
• libcifpp
• NumPy
• pybind11 和 pybind11_abseil
• RDKit
• Tokamax
• tqdm

我们衷心感谢所有贡献者和维护者！

联系我们

如果您有任何本概述未涵盖的问题，请通过 alphafold@google.com 联系 AlphaFold 团队。

我们非常期待您的反馈，并希望了解 AlphaFold 3 在您的研究中如何发挥作用。请将您的故事分享给我们，发送至 alphafold@google.com。

许可与免责声明

本产品并非 Google 官方支持的产品。

版权所有 © 2024 DeepMind Technologies Limited。

AlphaFold 3 源代码和模型参数

AlphaFold 3 的源代码根据知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议（CC-BY-NC-SA 4.0）授权；您不得在不符合该许可协议的情况下使用此文件。您可以在 https://github.com/google-deepmind/alphafold3/blob/main/LICENSE 获取该许可协议的副本。

AlphaFold 3 的模型参数则依据 AlphaFold 3 模型参数使用条款（“条款”）提供；您不得在不符合这些条款的情况下使用它们。您可以在 https://github.com/google-deepmind/alphafold3/blob/main/WEIGHTS_TERMS_OF_USE.md 获取该条款的副本。

除非适用法律另有要求，否则 AlphaFold 3 及其输出均按“现状”提供，不附带任何形式的保证或条件，无论是明示的还是默示的。您需自行判断是否适合使用 AlphaFold 3，或使用、分发其源代码或输出，并承担与此类使用或分发以及您在相关条款下行使权利和履行义务有关的一切风险。输出结果为具有不同置信度的预测，应谨慎解读。在依赖、发布、下载或以其他方式使用 AlphaFold 3 相关资源之前，请务必谨慎决策。

AlphaFold 3 及其输出仅用于理论建模，不适用于临床用途，也未经验证或批准用于临床。您不应将 AlphaFold 3 或其输出用于临床目的，亦不应依赖其结果获取医疗或其他专业建议。任何涉及此类主题的内容仅供信息参考，不能替代合格专业人士的建议。具体权限与限制条款请参阅相关使用条款。

第三方软件

上文“致谢”部分提及的第三方软件、库或代码可能受单独的条款、条件或许可协议约束。您对这些第三方软件、库或代码的使用须遵守相应规定，在使用前应确认自己能够符合所有适用的限制或条款与条件。

镜像及参考数据库

以下数据库由 Google DeepMind 进行了镜像，并部分包含于推理代码包中以供测试之用，现可供参考：

• BFD（已修改），由 Steinegger M. 和 Söding J. 创建，经 Google DeepMind 修改后，依据 知识共享署名 4.0 国际许可协议 提供。详细信息请参阅 AlphaFold 蛋白质组论文 的方法部分。
• PDB（未修改），由 H.M. Berman 等人创建，现已完全免除所有版权限制，并依据 CC0 1.0 全球公共领域奉献协议 对非商业及商业用途开放。
• MGnify: v2022_05（未修改），由 Mitchell AL 等人创建，同样免除了所有版权限制，并依据 CC0 1.0 全球公共领域奉献协议 对非商业及商业用途完全开放。
• UniProt: 2021_04（未修改），由 UniProt 联盟创建，依据 知识共享署名 4.0 国际许可协议 提供。
• UniRef90: 2022_05（未修改），同样由 UniProt 联盟创建，依据 知识共享署名 4.0 国际许可协议 提供。
• NT: 2023_02_23（已修改）。详情请参阅 AlphaFold 3 论文补充信息。
• RFam: 14_4（已修改），由 I. Kalvari 等人创建，完全免除了所有版权限制，并依据 CC0 1.0 全球公共领域奉献协议 对非商业及商业用途完全开放。详细信息请参阅 AlphaFold 3 论文补充信息。
• RNACentral: 21_0（已修改），由 RNAcentral 联盟创建，同样免除了所有版权限制，并依据 CC0 1.0 全球公共领域奉献协议 对非商业及商业用途完全开放。详细信息请参阅 AlphaFold 3 论文补充信息。

AlphaFold 3 快速上手指南

环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu 20.04 或更高版本)
• GPU: 支持 CUDA 的 NVIDIA 显卡（推理阶段必需）
• Docker: 已安装并配置好 NVIDIA Container Toolkit (nvidia-docker)
• 磁盘空间: 建议预留至少 500GB 空间用于存放模型参数和生物数据库

前置依赖

• 确保宿主机已安装 Docker 和 GPU 驱动。
• 模型参数与数据库:
  • 源代码可免费获取，但模型参数需向 Google DeepMind 单独申请。请访问 申请表单 提交申请，审核通过后会将参数直接发送给您。
  • 使用前请仔细阅读并同意 模型参数使用条款。
  • 您需要自行准备遗传序列数据库（如 BFD, UniProt 等），具体列表参考官方文档。

安装步骤

AlphaFold 3 推荐使用 Docker 容器运行，无需在宿主机复杂配置 Python 环境。

1. 拉取 Docker 镜像 构建或拉取官方提供的 AlphaFold 3 镜像（假设您已克隆源码仓库）：

   docker build -t alphafold3 .
   

   注：如果官方提供预构建镜像，可直接使用 docker pull 命令。

2. 目录结构规划 在宿主机创建必要的挂载目录，用于存放输入、输出、模型参数及数据库：

   mkdir -p $HOME/af_input $HOME/af_output $HOME/models $HOME/public_databases
   

   • 将申请到的模型参数文件放入 $HOME/models。
   • 将下载的生物数据库文件放入 $HOME/public_databases。

基本使用

1. 准备输入文件

创建一个名为 fold_input.json 的文件，定义待预测的蛋白质序列。以下是一个最简单的单蛋白预测示例：

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

将该文件保存至 $HOME/af_input/fold_input.json。

2. 运行预测

使用以下 Docker 命令启动预测流程。该命令将自动执行数据检索（如需）和模型推理：

docker run -it \
    --volume $HOME/af_input:/root/af_input \
    --volume $HOME/af_output:/root/af_output \
    --volume $HOME/models:/root/models \
    --volume $HOME/public_databases:/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

3. 关键参数说明

• --run_data_pipeline: (默认 true) 是否运行数据流水线（基因序列比对和模板搜索）。此步骤仅消耗 CPU 且耗时较长，若无本地数据库可在此阶段联网搜索，或在无 GPU 机器上预先运行。
• --run_inference: (默认 true) 是否运行模型推理。此步骤必须使用 GPU。
• 若只需测试推理性能且已准备好所有特征数据，可设置 --run_data_pipeline=false 以跳过耗时的搜索步骤。

预测完成后，结果文件（包括 PDB 结构和置信度评分）将保存在 $HOME/af_output 目录中。