本指南适用于Linux系统。Alphafold官方也强调尽量使用Linux系统！官方提供了docker版安装步骤。
Alphafold简介：
- 强大的蛋白质结构预测。
- 开源地址：https://github.com/deepmind/alphafold
- 在线结构数据库：https://alphafold.ebi.ac.uk/
- 在线版Alphafold：https://colab.research.google.com/github/deepmind/alphafold/blob/main/notebooks/AlphaFold.ipynb
- 论文：https://www.nature.com/articles/s41586-021-03819-2
软硬件条件：
python版本：建议使用python3.8。
建议使用conda创建python环境。
conda安装参见：https://conda.io/projects/conda/en/latest/user-guide/install/index.html
硬件条件（搭建本地预测服务器参考条件）：
硬盘1T至2T以上，建议3T。
注1：Alphafold预测的准确度依赖于共进化信息的丰富度，所以要完整的预测或全提高准确度，就需要下载好几个数据库，下载的脚本在Alphafold包的script文件夹下。所以需要这么大的存储，在超算上这都不是事。但是，个人PC就有点大了！
注2：如果只是简单预测或测试，可以不用下载官方给出的全部数据库，准备1T足以，视所需数据库的大小。
CPU: 8至12核以上。
内存:16G至48G以上。
GPU:支持CUDA11（不用GPU会很费时间，尽量使用GPU加速。）
注：如果只是想在个人PC上简单测试，以上硬件条件可忽略。也可以使用在线版Alphafold进行预测。
安装步骤：
第一步：从github下载Alphafold包。
git clone https://github.com/deepmind/alphafold.git
第二步：进入alphafold文件夹，配置python环境。
pip install -r requirements.txt
第三步：修改jaxlib版本。
使用官方的jaxlib会报错：AttributeError: module ‘jaxlib.pocketfft’ has no attribute ‘pocketfft’
pip install --upgrade jax== 0.2.14 jaxlib==0.1.69
第四步：安装openMM。
官方建议使用conda安装。参见：https://openmm.org/
建议使用openmm7.5.1版本，7.6.0会报错：ModuleNotFoundError: No module named ‘simtk.openmm.app.internal’
conda install -c conda-forge openmm=7.5.1
验证openmm：python -m simtk.testInstallation
直接执行python -m openmm.testInstallation 会报错找不到openmm
输出以下内容就说明安装好了。
OpenMM Version: 7.5.1
Git Revision:There are 4 Platforms available:
1 Reference - Successfully computed forces
2 CPU - Successfully computed forces
3 CUDA - Successfully computed forces
4 OpenCL - Successfully computed forcesMedian difference in forces between platforms:
Reference vs. CPU:
Reference vs. CUDA:
CPU vs. CUDA:
Reference vs. OpenCL:
CPU vs. OpenCL:
CUDA vs. OpenCL:All differences are within tolerance.
如果输出内容里出现：CUDA - Error computing forces with CUDA platform，原因在于cudatookit不对。首先使用 nvidia-smi 查看CUDA Version，然后使用 conda install -c conda-forge cudatoolkit= CUDA Version(对应的版本号)，就可以解决问题。当然没有cuda也能跑起来，只是费时间。
验证Alphafold：
进入alphafold，执行 python run_alphafold_test.py
出现以下内容，就说明安装好了。
[ RUN ] RunAlphafoldTest.test_end_to_end_no_relax
I0814 21:46:41.874690 140372256589632 run_alphafold.py:161] Predicting test
I0814 21:46:41.875205 140372256589632 run_alphafold.py:190] Running model model1 on test
I0814 21:46:41.875339 140372256589632 run_alphafold.py:202] Total JAX model model1 on test predict time (includes compilation time, see --benchmark): 0.0s
I0814 21:46:41.878139 140372256589632 run_alphafold.py:271] Final timings for test: {‘features’: 3.409385681152344e-05, ‘process_features_model1’: 3.838539123535156e-05, ‘predict_and_compile_model1’: 2.0742416381835938e-05}
[ OK ] RunAlphafoldTest.test_end_to_end_no_relax
[ RUN ] RunAlphafoldTest.test_end_to_end_relax
I0814 21:46:41.880331 140372256589632 run_alphafold.py:161] Predicting test
I0814 21:46:41.880626 140372256589632 run_alphafold.py:190] Running model model1 on test
I0814 21:46:41.880749 140372256589632 run_alphafold.py:202] Total JAX model model1 on test predict time (includes compilation time, see --benchmark): 0.0s
I0814 21:46:41.883405 140372256589632 run_alphafold.py:271] Final timings for test: {‘features’: 3.0994415283203125e-05, ‘process_features_model1’: 3.409385681152344e-05, ‘predict_and_compile_model1’: 1.6450881958007812e-05, ‘relax_model1’: 2.9087066650390625e-05}[ OK ] RunAlphafoldTest.test_end_to_end_relax
Ran 2 tests in 0.011s
OK
后记：
- 未完待续，后续Alphafold使用将继续更新。
- 本文提到的一些软件可以通过下列连接获取。
- minicoda:链接: https://pan.baidu.com/s/1HOvUef7m0TffRdC-caUzVQ 提取码: dwwc
- Alphafold：链接: https://pan.baidu.com/s/1D0CXpumKFo21kJLd29xvNw 提取码: ri6s
- GPU环境配置(cuda等安装)可参考这篇博文：https://blog.csdn.net/Zqinstarking/article/details/80713338
- 转载引用请注明出处：https://blog.csdn.net/Zqinstarking/article/details/126342410