科研 Skill

AlphaFold2 蛋白质结构预测

alphafold2

使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。

官方收录发布者 Codar安全审核通过v0.1.0更新于 2026-08-28

SKILL.md

AlphaFold2

AlphaFold2

精选

更新于 2 周前

通过 ColabFold 运行器使用 AlphaFold2 预测蛋白质单体和多聚体结构(ColabFold:Mirdita 等,2022,github.com/sokrypton/ColabFold;AlphaFold2:Jumper 等,2021)。当需要使用 AF2/AF2-Multimer Evoformer 折叠序列或复合物、通过自洽性 pLDDT、ipTM 和 RMSD 验证设计序列,或使用公共 MMseqs2 服务器快速运行基于 MSA 的预测时,请使用此技能。

文件

AlphaFold2(ColabFold 运行器)

此技能通过 colabfold_batch 封装 AlphaFold2 和 AlphaFold2-Multimer。该工具使用公共 MMseqs2 服务器调用替代 DeepMind 基于本地数据库的 MSA 流程,因此一次预测只需一条命令和一个 FASTA 文件,而无须挂载 2 TB 的数据库。AF2 仍是单体结构预测的基准模型,多聚体模型也仍是强有力的蛋白质–蛋白质验证工具,但它不能处理配体或核酸;对于这些对象,请转用 boltz、chai1 或 openfold3。ColabFold 代码采用 MIT 许可证(github.com/sokrypton/ColabFold),AlphaFold2 代码采用 Apache-2.0 许可证(github.com/google-deepmind/alphafold);AF2 模型参数采用 CC-BY-4.0 许可证,并受 DeepMind 使用条款约束。

运行方法

colabfold_batch input.fasta out \
  --num-recycle 3 \
  --model-type alphafold2_multimer_v3

输入是普通 FASTA 文件。对于复合物,将每条链放在同一序列行中,并用 : 分隔——colabfold_batch 会为每个片段构建配对 MSA,并在检测到冒号时运行多聚体模型(因此,上面显式指定 --model-type alphafold2_multimer_v3 是为了双重保险)。对于单体,请省略 --model-type 和冒号。--templates 和 --amber 分别用于添加 PDB 模板和执行 OpenMM 松弛;两者默认均关闭,并且都会使每个模型的运行时间增加数分钟。

默认情况下,ColabFold 会运行全部五组 AF2 模型权重,并按 pLDDT 排名(对于多聚体,则按 pTM/ipTM 排名)。因此,每个查询的输出都会写入 out/,包括五个已排序的 PDB 文件 <name>_unrelaxed_rank_00{1..5}_*.pdb(B-factor 列存放 pLDDT),以及对应的 <name>_scores_rank_00{N}_*.json 文件,其中包含 plddt、ptm,对于多聚体还包含 iptm 和 pae 矩阵。应首先查看排名第 1 的模型;通常将 ipTM > 0.5 作为界面通过的宽松标准。

统一内存的默认设置会在 gVisor 下无限循环——环境补丁会将其移除

导入时,colabfold/batch.py 会强制设置 TF_FORCE_UNIFIED_MEMORY=1 和 XLA_PYTHON_CLIENT_MEM_FRACTION=4.0。在 gVisor 沙箱下,统一内存不受支持,因此 JAX 的 device_put 会在加载 AF2 参数期间陷入无限循环,不断分配主机内存——作业看起来像是卡住了,但始终不会报错。请在导入前覆盖这两个设置(TF_FORCE_UNIFIED_MEMORY=0,内存比例设为 0.95),或者在构建镜像时使用 sed 从 batch.py 中移除这两处赋值,否则第一次折叠预测永远不会开始。

MSA 服务器是实际耗时的瓶颈,而且属于共享资源

colabfold_batch 默认使用 --msa-mode mmseqs2_uniref_env,它会将序列提交到 api.colabfold.com。该服务器是受速率限制的公共资源:对于耗时较短的折叠任务,等待时间占据主要部分,并且在负载较高时偶尔会超时。对于批量任务,请先使用 --msa-only 运行一次 MSA 阶段,保留生成的 .a3m 文件,然后在后续运行中将该目录作为输入——这样 GPU 阶段会立即开始,并且不会再次访问该服务器。

值得识别的错误

你看到的现象含义/处理方法
作业在 Running model_1 阶段无提示地卡住,同时主机内存持续增长gVisor 下的统一内存循环——参见上文注意事项;覆盖相关设置或修补 batch.py。
XLA 编译期间出现 RESOURCE_EXHAUSTED/OOMXLA_PYTHON_CLIENT_MEM_FRACTION 对 GPU 而言设置过高——将其从默认的 0.95 下调至 0.9 左右。
MSA 阶段卡在 Submitting job公共 MMseqs2 服务器正在限流——请等待,或使用 --msa-only 预先计算,然后从缓存的 .a3m 文件重新运行。

下一步: 对于设计序列验证,请使用 US-align 将排名第 1 的模型叠合到设计骨架上,并根据 pLDDT/ipTM 阈值决定是否通过;对于含配体的复合物,请将相同的链交给 boltz 或 chai1。

详细信息

作者

Anthropic

许可证

Apache-2.0

第三方软件、内容、条款和信息

权重 — AlphaFold2 · Google DeepMind(CC-BY-4.0)— 条款(在新标签页中打开)发送数据至 — ColabFold MSA 服务器(api.colabfold.com)· Steinegger Lab — 信息

\

所属插件

Codar 生物医学基础能力集成生物分子结构预测、蛋白质设计、基因组与单细胞分析、生信数据库检索、组学研究规划、医学文献与 Codar 生信论文写作能力。

安装该插件会一并获得同领域的 31 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

AlphaFold2 蛋白质结构预测能做什么?

使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。

如何安装AlphaFold2 蛋白质结构预测?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「AlphaFold2 蛋白质结构预测」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

AlphaFold2 蛋白质结构预测需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

AlphaFold2 蛋白质结构预测经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。