一条命令跑完上百条蛋白序列：ColabFold 蛋白质结构批量预测全攻略

【免费下载链接】ColabFoldMaking Protein folding accessible to all!项目地址: https://gitcode.com/gh_mirrors/co/ColabFold

如果你手头攒着几十条甚至上百条蛋白序列，等着一个个去网页端排队预测结构，那这篇文章就是为你写的。ColabFold 是一款主打"让蛋白质结构预测人人可用"的开源工具，它把 AlphaFold2 模型与 MMseqs2 的快速多序列比对（MSA）结合起来，既能做单条序列的高精度预测，也内置了成熟的批量流水线，一条命令就能让整批序列"排队开工"。

你缺的可能不是计算资源，而是一条批量流水线

先讲一个真实场景。某课题组成员刚从测序公司拿到 200 条候选蛋白序列，要在两周内完成全部结构初筛。逐个去在线服务器提交？一次只能提交一条，还要等队列、等上传、等下载，运气好半小时一条，运气差能拖上一天。第二条路是本地搭 AlphaFold2 全量环境，但光是下载数据库、处理依赖就够折腾几天。

这两条路的共同痛点，是把大量时间浪费在"重复的手工操作"上，而不是真正的计算。ColabFold 的批量处理能力，恰好把"序列列表 → 结构文件"之间的所有环节都自动化了：自动读取输入目录、自动为每条序列生成 MSA、自动调用模型预测、自动整理结果。你要做的只是把 FASTA 文件放进同一个文件夹，然后启动一次任务。

ColabFold 环境搭建：两条路线按需选择

路线 A：用 Notebook 开箱即用

克隆项目仓库后，batch/AlphaFold2_batch.ipynb就是你的主战场。这个 Notebook 把环境初始化、模型参数下载、批量运行等步骤都封装成了单元格，在 Colab 等云端环境里基本是"一路运行"的节奏：

git clone https://gitcode.com/gh_mirrors/co/ColabFold

如果你的数据都存在 Google Drive，配合 Notebook 里的挂载步骤，输入输出都能直接读写云端目录，本地机器几乎零负担。

路线 B：用命令行在本地跑

想摆脱云端限制、把批量任务跑在自有 GPU 上，推荐用 conda 建环境再装依赖：

conda create -n colabfold -c conda-forge -c bioconda python=3.13 kalign2=2.04 hhsuite=3.3.0 mmseqs2=18.8cc5c conda activate colabfold pip install colabfold[alphafold,openmm] jax[cuda12] openmm[cuda12]

如果机器没有 GPU，把jax[cuda12] openmm[cuda12]换成纯 CPU 版本也能跑，只是速度会明显变慢。动手前先确认显卡显存——官方 FAQ 里给出的经验值大约是在 16G 显存的 GPU 上，单条序列的长度上限在 2000 个残基左右，长序列任务需要提前心里有数。

把"输入"准备妥当：三种格式覆盖常见需求

批量预测的输入遵循一个简单原则：一个目录、每文件一条序列。具体支持三种形态：

• 纯 FASTA 目录：最常用。把每条序列单独存成一个.fasta文件，全部放进input_dir，剩下的交给程序。
• 复合物列表：如果要预测蛋白复合物（多链组装），可以用 CSV 文件指明链的组合方式，项目里test-data/complex/input.csv就是现成的参考样例。
• 自定义 MSA：如果你手上已有对齐好的.a3m文件（比如来自自己数据库的比对结果），直接放进去即可。程序检测到.a3m后缀后就不会再去请求 MMseqs2 服务，等于跳过了最耗时的一步。

这里有个新手常踩的坑：不要把无关文件混进输入目录，程序会遍历目录下的文件去解析序列，多余的垃圾文件轻则报警告，重则直接中断任务。

五个参数旋钮：速度与精度的取舍艺术

AlphaFold2_batch.ipynb顶部的参数单元格，本质上是一个"精度/速度调节面板"，每个旋钮的含义都值得弄清：

• input_dir / result_dir：输入目录和结果输出目录，一个管"吃进什么"，一个管"吐到哪里"。
• msa_mode：MSA 生成模式，四个选项对应不同的信息来源——"MMseqs2 (UniRef+Environmental)" 同时查询 UniRef 和环境序列数据库，信息量最大；"MMseqs2 (UniRef only)" 只查 UniRef，速度快一些；single_sequence表示不做 MSA，直接单序列预测，适合没同源信息的孤儿序列；custom则配合上文的自定义.a3m文件使用。
• num_models：可选 1 到 5，代表跑几个独立模型。模型越多结果越稳（可以取多个模型的平均置信度），但耗时几乎线性增长。
• num_recycles：模型的循环优化次数，可选 1、3、6、12、24、48。循环越多结构迭代越充分，但收益会逐渐递减。
• num_relax：是否对结构做 Amber 能量松弛，0 表示跳过。松弛能修正原子间不合理接触，代价是每个结构多花几分钟。

一句话总结这套"菜谱"：想要稳妥出结果，num_models=5, num_recycles=3是不错的开局；想要快速批量扫描，num_models=1, num_recycles=1能省下大把时间。

从点下运行到拿到结构：链路里发生了什么

批量任务的执行逻辑集中在colabfold/batch.py的run()函数里，它的职责是协调整条流水线：读取所有查询序列 → 逐条请求 MSA 服务（或读取自定义 MSA）→ 加载模型参数 → 对每条序列跑指定的模型数 → 按置信度排序并写出结构文件。命令行使用者也可以直接调用colabfold_batch入口，传入输入 FASTA 和输出目录即可，效果与 Notebook 等价。

值得注意的一个细节是：整个流程是"串行排队"而非"并行轰击"的。对单机用户这反而是优势——不会一次性吃爆显存，也能在中途断掉后从已有结果继续，因为程序默认保留已生成的结果文件，重复运行不会把进度清零。

结果目录里的"宝贝清单"：每个文件都是什么

任务跑完后，打开result_dir，你会发现每个任务都产出一整套配套文件，这套清单值得收藏：

• PDB/CIF 结构文件：以_unrelaxed_model_*和_relaxed_model_*命名，前者是模型直接输出的结构，后者是经过 Amber 松弛的版本。结构文件里的 B-factor 列存放的是 pLDDT 置信度分数（越高越可信），用 PyMOL 等软件着色后可以直观看出哪些区域预测得可靠。
• scores.json：结构化评分文件，记录 pLDDT、pTM、iPTM 等关键指标，方便程序化批量分析。
• PNG 图表：*_plddt.png展示逐残基置信度曲线，*_coverage.png展示 MSA 覆盖情况，复合物预测还会生成*_pae.png（残基对误差矩阵）等，一眼就能判断预测质量。
• *.a3m文件：本次预测实际使用的 MSA，方便复现或做后续分析。
• *.bibtex文件：自动生成的引用信息，写论文时直接抄作业。
• log.txt：全程运行日志，排错时的第一现场。

批量提速三板斧：让几百条序列不再可怕

第一板斧：砍模型数量

大规模扫描阶段，把num_models从 5 降到 1 或 2，速度直接翻两三倍，预测精度损失通常在可接受范围内。等筛出候选后再用满模型数精跑，是性价比最高的组合拳。

第二板斧：按序列特点调循环数

短序列、高同源性的序列，num_recycles设为 1 通常就够了；长序列或明显低置信度的"困难户"，才值得开 6 甚至更多。盲目把所有任务都开到 24 个循环，等于把时间烧在大部分用不到的地方。

第三板斧：用预计算 MSA 跳过排队

批量任务里最费时间的一环往往是 MSA 生成。如果数据集来自同一家族的蛋白，可以先对家族做一次高质量比对，导出.a3m文件，再用custom模式直接喂给预测环节，MSA 服务请求的等待时间直接归零。更进一步的玩法是本地搭建数据库：参考setup_databases.sh脚本配置本地 MMseqs2 库，用colabfold_search离线生成 MSA，再交给colabfold_batch预测，彻底摆脱网络依赖——代价是需要约 940GB 磁盘空间，适合有固定计算环境的团队。

先跑通测试数据，再放心接"大单"：验证与排错

正式开跑几百条之前，强烈建议先用项目自带的测试数据做一次全流程演练。test-data/batch/目录里放了5AWL_1、6A5J两个已知结果的任务，以及一个empty空序列用例，对应的输入文件在test-data/batch/input/下。跑通测试后，把预测结构与目录中预存的参考结果（model_feat.pkl.xz、model_pred.pkl.xz）对比，就能确认环境配置没有问题。

如果演练过程报错，按这个顺序排查能省掉大部分弯路：

1. 先看result_dir/log.txt，大部分报错（依赖缺失、文件格式非法、显存不足）都会在这里留下直接线索；
2. 检查输入 FASTA 是否包含非法字符或空序列——empty.fasta测试用例正是用来验证程序对空输入的处理是否友好；
3. 确认显存与序列长度匹配，超长序列优先考虑拆开或降级到 CPU 模式；
4. 确认网络能访问 MSA 服务，custom模式则不依赖网络。

写在最后：下一批序列，试着交给它跑一次

批量蛋白质结构预测这件事，难点从来不在"跑一个模型"，而在"把一百个模型顺畅地跑完"。ColabFold 把这条路径上的重复劳动全部自动化：环境一键就绪、输入目录化、参数面板化、结果成套输出，再加上测试数据兜底和日志排错，哪怕是第一次接触 AlphaFold2 的用户，也能在一个下午内把第一条批量任务跑起来。

建议的下一步很具体：用test-data/batch/做一次完整的演练，亲手感受一下从 FASTA 目录到结构文件夹的完整流转；然后挑 10 条真实序列试跑，用num_models=1, num_recycles=1的"快速档"验证流程，确认无误后再放开参数冲量。等批量结果批量出炉，别忘了把*.bibtex里的引用信息存好——发文章那天你会感谢当初这个顺手的小动作。

【免费下载链接】ColabFoldMaking Protein folding accessible to all!项目地址: https://gitcode.com/gh_mirrors/co/ColabFold