AlphaFold3 最全食用指南

跟我一起来探索 AlphaFold3 的世界吧！配合以下文章一起食用更佳！

• AlphaFold3 权重申请指南
• AlphaFold3 输入Json格式
• AlphaFold3 安装指南
• AlphaFold3 输出结果的理解
• AlphaFold3 推理速度与机器配置
• AlphaFold3 两万字图解
• AlphaFold3 万字长文解读

原文

https://github.com/google-deepmind/alphafold3/README.md

AlphaFold 3

这个软件包提供了 AlphaFold 3 推理流水线的实现。关于如何获取模型参数，请参见下文。只有在直接从 Google 接收到 AlphaFold 3 模型参数的情况下，您才可使用它们。使用这些参数需遵守这些使用条款，https://github.com/google-deepmind/alphafold3/blob/main/WEIGHTS_TERMS_OF_USE.md

任何披露使用此源代码、模型参数或由这些产生的输出所得到的发现的出版物，应引用引用AF3论文：Accurate structure prediction of biomolecular interactions with AlphaFold 3，https://doi.org/10.1038/s41586-024-07487-w 请参阅补充信息，以获得该方法的详细描述。

AlphaFold 3 也在 alphafoldserver.com，https://alphafoldserver.com上提供，仅限非商业使用，尽管配体和共价修饰的种类更有限。

如果您有任何问题，请通过 alphafold@google.com 联系 AlphaFold 团队。

获取模型参数

此存储库包含 AlphaFold 3 推理所需的所有代码。要请求访问 AlphaFold 3 模型参数，请填写此表格。访问权限将由 Google DeepMind 独家决定。我们将在 2-3 个工作日内回复请求。只有在直接从 Google 接收到 AlphaFold 3 模型参数的情况下，您才可使用它们。使用这些参数需遵守这些使用条款，https://github.com/google-deepmind/alphafold3/blob/main/WEIGHTS_TERMS_OF_USE.md。

安装和运行您的第一次预测

请参阅安装文档。

安装完 AlphaFold 3 后，您可以使用例如以下输入 JSON 文件进行测试，文件名为 alphafold_input.json：

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

然后您可以使用以下命令运行 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

AlphaFold 3 输入

请参阅输入文档。

AlphaFold 3 输出

请参阅输出文档。

AlphaFold 3 性能

请参阅性能文档。

已知问题

已知问题记录在已知问题文档，docs/known_issues.md。

如果您在已知问题或问题跟踪器https://github.com/google-deepmind/alphafold3/issues，中未列出的问题，请创建一个问题 https://github.com/google-deepmind/alphafold3/issues/new/choose。

引用此工作

任何披露使用此源代码、模型参数或由这些产生的输出所得到的发现的出版物，应引用：

@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 的发布得益于以下人员的宝贵贡献：

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, 和 Augustin Židek（工程负责人）。

我们还感谢我们在 Google 和 Isomorphic Labs 的合作者。

AlphaFold 3 使用了以下单独的库和包：

• abseil-cpp，https://github.com/abseil/abseil-cpp
• abseil-py，https://github.com/abseil/abseil-py
• Chex，https://github.com/deepmind/chex
• Docker，https://www.docker.com
• DSSP，https://github.com/PDB-REDO/dssp
• HMMER Suite，https://github.com/EddyRivasLab/hmmer
• Haiku，https://github.com/deepmind/dm-haiku
• JAX，https://github.com/google/jax/
• jax-triton，https://github.com/jax-ml/jax-triton
• jaxtyping，https://github.com/patrick-kidger/jaxtyping
• libcifpp，https://github.com/pdb-redo/libcifpp
• NumPy，https://github.com/numpy/numpy
• pybind11，https://github.com/pybind/pybind11
• pybind11_abseil，https://github.com/pybind/pybind11_abseil
• RDKit，https://github.com/rdkit/rdkit
• Tree，https://github.com/deepmind/tree
• Triton，https://github.com/triton-lang/triton
• tqdm，https://github.com/tqdm/tqdm

我们感谢所有这些库的贡献者和维护者！

保持联系

如果您有任何未在此概述中涵盖的问题，请通过 alphafold@google.com 联系 AlphaFold 团队。

我们很想听听您的反馈，并了解 AlphaFold 3 在您的研究中的用途。请通过alphafold@google.com与我们分享您的故事。

许可和免责声明

此产品不是 Google 官方支持的产品。

版权所有 2024 DeepMind Technologies Limited。

1. AlphaFold 3 源代码和模型参数

AlphaFold 3 源代码是在创意共享署名-非商业性使用-相同方式共享国际许可，版本 4.0（CC-BY-NC-SA 4.0）（“许可”）下授权的；您除非遵守许可，否则不得使用此文件。您可以在 https://github.com/google-deepmind/alphafold3/blob/main/LICENSE 获得许可的副本。

AlphaFold 3 模型参数是根据AlphaFold 3 模型参数使用条款,https://github.com/google-deepmind/alphafold3/blob/main/WEIGHTS_TERMS_OF_USE.md（“条款”）提供的；您除非遵守条款，否则不得使用这些参数。您可以在 https://github.com/google-deepmind/alphafold3/blob/main/WEIGHTS_TERMS_OF_USE.md 获得条款的副本。

除非适用法律要求，AlphaFold 3 及其输出是在“按原样”基础上分发的，没有任何明示或暗示的保证。您需自行判断使用 AlphaFold 3、使用或分发其源代码或输出的适当性，并承担与此类使用或分发以及您在相关条款下的权利和义务相关的所有风险。输出是具有不同置信度级别的预测，应谨慎解释。在使用、发布、下载或以其他方式使用 AlphaFold 3 资产之前，请谨慎行事。

AlphaFold 3 及其输出仅用于理论建模。它们未经过验证或批准用于临床使用。您不应将 AlphaFold 3 或其输出用于临床目的或依赖它们进行医疗或其他专业建议。任何关于这些主题的内容仅供信息参考，不是来自合格专业人士的建议的替代品。请参阅相关条款以获取管理权限和限制的具体语言。

2. 第三方软件

在致谢部分中提到的第三方软件、库或代码的使用可能受到单独的条款和条件或许可条款的约束。您对第三方软件、库或代码的使用需遵守这些条款，您应在使用前检查您能够遵守任何适用的限制或条款和条件。

3. 镜像和参考数据库

以下数据库已被：(1) Google DeepMind 镜像；以及 (2) 部分包含在推理代码包中，用于测试目的，并可参考以下内容：

• BFD（修改版），由 Steinegger M. 和 Söding J. 创建，Google DeepMind 修改，根据创意共享署名 4.0 国际许可提供。有关详细信息，请参阅AlphaFold 蛋白质组论文的方法部分。

• PDB（未修改版），由 H.M. Berman 等人创建，免费提供，没有任何版权限制，并根据CC0 1.0 通用（CC0 1.0）公共领域奉献完全和自由地提供给非商业和商业用途。

• MGnify: v2022_05（未修改版），由 Mitchell AL 等人创建，免费提供，没有任何版权限制，并根据CC0 1.0 通用（CC0 1.0）公共领域奉献完全和自由地提供给非商业和商业用途。

• UniProt: 2021_04（未修改版），由 UniProt 协会创建，根据创意共享署名 4.0 国际许可提供。

• UniRef90: 2022_05（未修改版）由 UniProt 协会创建，根据创意共享署名 4.0 国际许可提供。

• NT: 2023_02_23（修改版）请参阅AlphaFold 3 论文的补充信息了解详细信息。

• RFam: 14_4（修改版），由 I. Kalvari 等人创建，免费提供，没有任何版权限制，并根据CC0 1.0 通用（CC0 1.0）公共领域奉献完全和自由地提供给非商业和商业用途。有关详细信息，请参阅AlphaFold 3 论文的补充信息。

• RNACentral: 21_0（修改版），由 RNAcentral 协会创建，免费提供，没有任何版权限制，并根据CC0 1.0 通用（CC0 1.0）公共领域奉献完全和自由地提供给非商业和商业用途。有关详细信息，请参阅AlphaFold 3 论文的补充信息。