本文介绍如何在自己本地机器上安装AlphaFold 3。
今年10月份，AlphaFold荣获诺贝尔化学奖，👉：诺贝尔化学奖授予：AI+蛋白质设计/预测方向
11月11日，Google DeepMind公司宣布，科学家们现在可以免费下载AlphaFold 3代码部署在自己机器上，并在非商业用途中使用这款AI工具，截止2024年11月13日，github已经斩获3.5k stars，
以下是正文。
AlphaFold 3只支持Linux操作系统。 安装时，需要约1TB的磁盘空间来存储数据库（建议使用SSD存储）。 需要一块拥有计算能力8.0或更高的NVIDIA GPU（具有更大显存的GPU可以预测更大的蛋白质结构）。
第1步，安装Docker
略......
第2步，为A100安装NVIDIA驱动程序
docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu22.04 nvidia-smi
显示类似结果说明前两步的操作正确无误，
第3步，下载AlphaFold 3源代码
git clone https://github.com/google-deepmind/alphafold3.git
第4步，下载依赖数据库
AlphaFold 3依赖大量蛋白和RNA数据库，包括“BFD small”、“MGnify”、“PDB”、“PDB seqres”、“UniProt”、“UniRef90”、“NT”、“RFam”和“RNACentral”数据库。
通过alphafold3/fetch_databases.py下载和设置这些数据库，
cd alphafold3 #alphafold3是上文步骤3的文件夹
python3 fetch_databases.py --download_destination=<DATABASES_DIR>
注意：
<DATABASES_DIR>不能是位于alphafold3下的一个文件夹，否则影响后续AlphaFold3 Docker image的build； 依赖数据库解压后多达630 GB，需要足够的存储空间，为了防止下载过程断开，建议使用screen或者tmux； 确保<DATABASES_DIR>有755权限，否则会报permissions的错误。
下载成功后，<DATABASES_DIR>文件夹下包含以下文件，
pdb_2022_09_28_mmcif_files.tar
bfd-first_non_consensus_sequences.fasta
mgy_clusters_2022_05.fa
nt_rna_2023_02_23_clust_seq_id_90_cov_80_rep_seq.fasta
pdb_seqres_2022_09_28.fasta
rfam_14_9_clust_seq_id_90_cov_80_rep_seq.fasta
rnacentral_active_seq_id_90_cov_80_linclust.fasta
uniprot_all_2021_04.fa
uniref90_2022_05.fa
第5步，获取模型参数
AlphaFold 3的模型参数需要向Google DeepMind申请，获得权限后不能转手、不能商用、输出结果只能自己用等等，
如果要将结果发表，要遵守一大堆规则，
第6步，构建AlphaFold3 Docker容器
构建AlphaFold3 Docker容器,
docker build -t alphafold3 -f docker/Dockerfile .
现在可以使用AlphaFold 3了，
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
当然也可以使用Singularity替代Docker。
参考：https://github.com/google-deepmind/alphafold3
-END- 推荐阅读：
赞、在看 就是最大的支持
