AlphaFold 3 怎么用：Server 提交、本地部署与实操经验

选择

先选路线：Server、本地 AF3、ColabFold 还是开源复现模型

四条路线的差别在可输入的分子、算力要求和部署成本。选错的典型后果是花一周下载数据库后发现显卡不支持，或者到了 Server 才发现配体没有 CCD 代码。

在线版

AlphaFold Server 的额度与可用分子

以下数字来自 AlphaFold Server FAQ。2024 年教程写的每天 10 或 20 个任务、只能选 19 种配体，都已过时。

登录 Server 需要 Google 账号，Google 服务在中国大陆网络下通常无法直接访问。Server 用不了时，可以改用本地 AF3、学校超算已部署的 AF3（例如上海交大思源一号提供 v3.0.2 容器和共享参数），或上表中的开源模型。

在线版

在 Server 上提交任务：操作要点与省额度的技巧

[
  {
    "name": "kinase_atp_mg",
    "modelSeeds": [],
    "sequences": [
      {
        "proteinChain": {
          "sequence": "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQAPILSRVGDGTQDNLSGAEKAVQVKVKALPDAQ",
          "count": 1,
          "modifications": [{"ptmType": "CCD_SEP", "ptmPosition": 13}],
          "glycans": [{"residues": "NAG(NAG)", "position": 47}]
        }
      },
      {"ligand": {"ligand": "CCD_ATP", "count": 1}},
      {"ion": {"ion": "MG", "count": 2}}
    ],
    "dialect": "alphafoldserver",
    "version": 1
  }
]

1. 01

   按实体添加分子

   同一蛋白的多个拷贝用 copies 设置，不要重复粘贴序列。双链 DNA 需要勾选 “+ Reverse complement” 添加互补链，否则只建模单链。序列中的未知残基 X 换成 A，未知核苷酸 N 在 DNA 中换成 T、RNA 中换成 U。

2. 02

   先删掉无序尾巴

   长的无序 N/C 端会产生低置信度的虚假螺旋，并拉低附近区域的 pLDDT，还占用 token。FAQ 建议去掉无序尾巴，能更清楚地看出有序区的置信度。

3. 03

   检查模板设置

   默认使用 2021-09-30 之前的 PDB 模板。要做无模板对照，或者想让结果贴近某个已知结构，在链菜单中关闭模板、设置截止日期或上传自定义模板（每条链最多 4 个）。用自定义模板时，FAQ 建议同时提供只含 10–100 条序列的浅 MSA，否则模板信息会被 MSA 的共进化信号覆盖。

4. 04

   用多个任务代替多 seed

   界面提交的每个任务使用一个 seed、给出 5 个样本。困难体系（抗体-抗原、蛋白-核酸）要更多候选时，用 “Clone and reuse” 复制任务并让 seed 自动重新抽取，相当于每多一个任务增加 5 个样本。需要复现时在预览页关闭自动 seed，填 0–4,294,967,295 之间的整数。

5. 05

   批量任务用 JSON 上传

   先在界面提交一个任务，下载 zip，以其中的 <job>_job_request.json 为模板，用脚本生成其他任务，每个文件最多 100 个，上传后作为草稿出现。额度用完的任务留在草稿中，第二天再提交。列表外的 CCD 配体在 JSON 中的写法，以界面添加 CCD Code 实体后下载的 job_request.json 为准。

6. 06

   保留 zip，供本地复用

   zip 中的 MSA（a3m）和模板可以直接用于本地 AF3，方法见“结果与 Server 不一致”一节。官方说明由于编译器优化变化，同一 JSON 过一段时间重跑不保证逐位一致。本页实测（AF3 仓库 2026-10-09 版本）：Server 下载的 job_request.json 现在写的是 "version": 3，本地 run_alphafold.py 直接读取会报 AlphaFold Server input JSON has unsupported version: 3, expected 1，改成 1 后可以读取；含 glycans 的 Server JSON 在本地会报 Specifying glycans in the `alphafoldserver` format is not supported，要按下文改写成本地方言。

本地部署

本地 AF3 的硬件要求：GPU、显存、磁盘与操作系统

单卡推理时间（不含编译）：1,024 token 在 A100 80GB 上 62 秒、H100 上 34 秒；5,120 token 分别为 2,547 秒和 1,416 秒。

多 GPU 不会加速单个输入。AF3 每次推理只用一张卡，--gpu_device 指定卡号；多卡机器应同时运行多个输入。官方测算单张 A100 80GB 的 GPU 时间效率是 16 张 A100 40GB 的 2 倍以上。

实测经验

RTX 3090/4090 等消费级显卡跑 AF3 的实测数据

以下是 GitHub issue 中用户报告的实测结果，均为单人或少数人的记录。条件与你的机器不同时，结果仅作数量级参考。

• nvidia-smi 显示占用约 23 GB 不代表快满了。Docker 镜像默认 XLA_CLIENT_MEM_FRACTION=0.95，启动时就预占 95% 显存，这个数字无法用来估算还能跑多大的体系（维护者在 issue #9 中的解释）。
• 工作站上的主要耗时是 CPU 上的 MSA 搜索。上面 4090 的例子中，MSA 约 9.5 分钟，推理只有 1.5 分钟，因此提速应优先复用 MSA，其次才是换显卡。
• 24 GB 卡在大体系上报显存不足时，先试 --flash_attention_implementation=xla 或统一内存，二者都会明显变慢。2024 年有用户报告统一内存在 4090 上不稳定（issue #209、#213），出问题时先排除 WSL 和测试版驱动。
• 多卡机器用 --gpus device=0（Docker）或 --gpu_device 固定一张卡，再用多个进程分别跑不同输入。

实操经验

Windows 用户的实际做法

AF3 只支持 Linux，维护者明确 WSL 不受支持。issue #209 中一位 4090 用户在 WSL 下反复显存报错，维护者建议改在原生 Linux 上运行。常见的替代做法如下。

本地部署

安装：Docker 路线、非 Docker 路线与国内构建失败的处理

Docker 是官方验证路线。官方 Dockerfile 基于 CUDA 12.6.3 和 Python 3.12，默认设置 XLA_FLAGS=--xla_gpu_enable_triton_gemm=false 以避免编译时间暴涨。集群上没有 Docker 时，先构建 Docker 镜像，再转换成 Singularity/Apptainer 镜像。

# 1. 代码（数据库与参数目录都不要放在仓库目录里）
git clone https://github.com/google-deepmind/alphafold3.git
cd alphafold3

# 2. 数据库：下载约 252 GB，解压后约 630 GB，建议放在 SSD
sudo apt install -y wget zstd
./fetch_databases.sh /data/af3_db
sudo chmod 755 --recursive /data/af3_db

# 3. 模型参数（2026-07 起可直接下载；目录里只放一个模型文件，.zst 不用解压）
mkdir -p /data/af3_models
wget -P /data/af3_models https://storage.googleapis.com/alphafold3/af3.bin.zst

# 4. 构建镜像（宿主机需 NVIDIA 驱动与 CUDA 12.6，并装好 nvidia-container-toolkit）
docker build -t alphafold3 -f docker/Dockerfile .
# RHEL / Rocky / AlmaLinux 报 "No file descriptors available (os error 24)" 时：
# docker build --ulimit nofile=65535:65535 -t alphafold3 -f docker/Dockerfile .

# 5. 运行
mkdir -p $HOME/af_input $HOME/af_output && chmod 755 $HOME/af_input $HOME/af_output
docker run -it \
  --volume $HOME/af_input:/root/af_input \
  --volume $HOME/af_output:/root/af_output \
  --volume /data/af3_models:/root/models \
  --volume /data/af3_db:/root/public_databases \
  --gpus device=0 \
  alphafold3 \
  python run_alphafold.py \
    --json_path=/root/af_input/fold_input.json \
    --model_dir=/root/models \
    --output_dir=/root/af_output

# 非 Docker 路线（官方用于 CPU-only 与 macOS；Linux GPU 机器也可用，需自行保证 CUDA/cuDNN/JAX 正常）
# 先安装 HMMER（jackhmmer、nhmmer 等需在 PATH 中）和 uv
git clone https://github.com/google-deepmind/alphafold3.git
cd alphafold3
uv venv --python 3.12
source .venv/bin/activate
uv sync
uv run build_data                        # 生成化学组分数据；漏掉时连 --help 都报 FileNotFoundError: ...chemical_component_sets.msgpack
uv run python run_alphafold_data_test.py  # 自检数据流程

# 纯 CPU（约比 GPU 慢 100 倍）。官方称 Apple Silicon 可改用 --jax_backend=mps，本页实测 mps 给出错误结构，见上方清单
uv run run_alphafold.py \
  --json_path=fold_input.json \
  --model_dir=/data/af3_models \
  --db_dir=/data/af3_db \
  --output_dir=af_output \
  --jax_backend=cpu \
  --flash_attention_implementation=xla

# 在能顺利构建的机器上
docker build -t alphafold3 -f docker/Dockerfile .
docker save alphafold3 | gzip > alphafold3_image.tar.gz

# 拷到目标机器后
docker load < alphafold3_image.tar.gz

• 参数目录里只能有一个模型文件。把 af3.bin.zst 和 af3_synthid.bin.zst 放在一起会报 Multiple models matched；程序能直接读取 .zst，不需要先解压。
• 参数文件兼容所有 3.0.x 版本，升级代码不需要重新下载参数。
• 国内构建镜像最常见的失败点有两个：Dockerfile 中安装 Python 依赖超时，以及 CMake 从 GitHub/GitLab 下载 abseil-cpp、pybind11、libcifpp 等源码包失败（CSDN 经验帖中卡在 14/15 步和 abseil-cpp）。可靠的处理是在网络通畅的机器上构建一次，用 docker save 导出、docker load 导入。
• docker run 报 permission denied 或 Cannot connect to the Docker daemon 时，先 sudo systemctl start docker，再把当前用户加入 docker 组（sudo usermod -aG docker $USER，重新登录生效）。
• 旧教程中的 pip install -r dev-requirements.txt、Python 3.11 和 conda 安装方式已不适用，仓库中已没有 dev-requirements.txt，pyproject.toml 要求 Python 3.12 以上。conda 环境中出现的 DNN library initialization failed、ptxas 版本不符一类报错，维护者都归因于 JAX/CUDA 安装问题。
• 本页实测（2026-10-10，AF3 仓库 2026-10-09 版本，jax 0.10.2，jax-mps 0.10.9，macOS arm64 8 核 16 GB）：barnase–barstar（199 token）使用 ColabFold 生成的 MSA，1 个 seed × 5 个样本。--jax_backend=cpu 推理用时 2,709 秒，ipTM 0.93–0.94，与实验结构 1BRS 的 DockQ 为 0.97–0.98；同一输入改用 --jax_backend=mps，推理用时 778 秒，ipTM 0.17，barstar 平均 pLDDT 44.5，DockQ 0.03–0.15，结构错误，日志中没有任何报错。mps 是官方标注的实验性路径，在 Mac 上使用前先用一个有实验结构的体系与 CPU 结果对比。

实操经验

数据库下载慢或总是中断

官方脚本用 wget 把 .zst 边下载边解压，没有断点续传，9 个文件并行下载，任何一个中断都要从头重下。官方给出的 45 分钟是在 GCP 机器上的耗时。

ColabFold 路线的 MSA 由 MMseqs2 生成，与 AF3 自带的 Jackhmmer 流程不同，结果会有差异，论文方法部分应写明。公共 MSA 服务器要求同一 IP 串行查询，不要多台机器同时提交。

本页实测：用 ColabFold 1.6.3 对 barnase–barstar（110 + 89 残基）运行 --af3-json，约 8 分钟得到 JSON，大部分时间在公共服务器排队。生成的 JSON 是 version 2，每条链带 unpairedMsa 与 pairedMsa，templates 为空列表；空列表表示推理时不使用模板。

# 官方 fetch_databases.sh 用 wget 边下边解压，中途断线只能整个文件重下。
# 网络不稳定时改为：先可续传地下载 .zst，再逐个解压。
SRC=https://storage.googleapis.com/alphafold-databases/v3.0
mkdir -p /data/af3_zst /data/af3_db && cd /data/af3_zst
for f in pdb_2022_09_28_mmcif_files.tar \
         mgy_clusters_2022_05.fa \
         bfd-first_non_consensus_sequences.fasta \
         uniref90_2022_05.fa \
         uniprot_all_2021_04.fa \
         pdb_seqres_2022_09_28.fasta \
         rnacentral_active_seq_id_90_cov_80_linclust.fasta \
         nt_rna_2023_02_23_clust_seq_id_90_cov_80_rep_seq.fasta \
         rfam_14_9_clust_seq_id_90_cov_80_rep_seq.fasta; do
  aria2c -c -x 8 -s 8 "$SRC/$f.zst"      # -c 断点续传；没有 aria2 时用 wget -c
done

# 解压（每解压完一个可删除对应 .zst，以免同时占用约 880 GB）
for f in *.fa.zst *.fasta.zst; do
  zstd -d "$f" -o "/data/af3_db/${f%.zst}" && rm "$f"
done
tar --no-same-owner --no-same-permissions --use-compress-program=zstd \
    -xf pdb_2022_09_28_mmcif_files.tar.zst -C /data/af3_db
chmod 755 --recursive /data/af3_db

# 已有别人下载好的数据库时，用 rsync 拷贝，断了可以接着传
# rsync -avP user@host:/path/to/af3_db/ /data/af3_db/

# 用 ColabFold 的 MMseqs2 服务器生成 AF3 格式 JSON（只生成 JSON，不做预测）
# FASTA 中各组分用 ":" 分隔，非蛋白组分写成 "类型|序列" 或 "类型|序列|拷贝数"，类型可为 dna、rna、ccd、smiles
# colabfold_batch 会把整条输入转成大写，SMILES 中的芳香小写原子会变成脂肪族原子：
# SMILES 改用 Kekulé 写法（例如 CC(=O)OC1=CC=CC=C1C(=O)O），或生成 JSON 后再手动加入
colabfold_batch input_sequences.fasta msa_out --af3-json

# 然后跳过 AF3 自带的数据流程，直接推理
python run_alphafold.py --json_path=msa_out/<name>.json --output_dir=out \
  --model_dir=/data/af3_models --run_data_pipeline=false

• 下载放在 tmux 或 screen 中运行，SSH 断开后不会中止。
• 本页实测（2026-10-10 对 9 个文件发 HEAD 请求）：.zst 文件合计 238 GB（按 10^9 字节计），最大的是 mgy_clusters_2022_05.fa.zst（69 GB）和 pdb_2022_09_28_mmcif_files.tar.zst（57 GB）；存储桶返回 Accept-Ranges: bytes，aria2c -c 或 wget -c 可以续传。
• 先下载、后解压时，.zst 与解压后的文件同时存在会占用约 880 GB；逐个解压并删除 .zst 可以控制峰值占用。
• 课题组或学校已有一份数据库时，直接用 rsync -avP 拷贝，比重新下载快且可续传。AutoDL 镜像作者还提供了网盘分发的数据库（经验帖），使用前核对文件名与上面的列表一致。
• 只想先跑通蛋白体系、暂时不下载数据库时，用 ColabFold 的 MMseqs2 服务器生成 MSA（见下方代码），再用 --run_data_pipeline=false 直接推理。
• 下载完成后执行 chmod 755 --recursive，权限不足时 MSA 工具报错信息不明确，很难定位。

输入

输入 JSON：蛋白 + 配体 + 离子 + 修饰 + 糖链的完整写法

下面的文件可直接运行，序列是格式示例，请替换为你的序列，并同步修改修饰位置和成键位置。本页实测：该文件用 AlphaFold 3 仓库 2026-10-09 版本的 folding_input 解析，并在 macOS arm64 上完成特征化，修饰位置和成键原子名都通过了 CCD 校验。

{
  "name": "kinase_atp_glyco_demo",
  "modelSeeds": [1, 2, 3, 4, 5],
  "sequences": [
    {
      "protein": {
        "id": "A",
        "sequence": "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQAPILSRVGDGTQDNLSGAEKAVQVKVKALPDAQ",
        "modifications": [{"ptmType": "SEP", "ptmPosition": 13}],
        "description": "format demo: pSer13, N-glycan on Asn47"
      }
    },
    {"ligand": {"id": "B", "ccdCodes": ["ATP"]}},
    {"ligand": {"id": ["C", "D"], "ccdCodes": ["MG"]}},
    {"ligand": {"id": "E", "smiles": "CC(=O)Oc1ccccc1C(=O)O"}},
    {"ligand": {"id": "F", "ccdCodes": ["NAG", "NAG"]}}
  ],
  "bondedAtomPairs": [
    [["A", 47, "ND2"], ["F", 1, "C1"]],
    [["F", 1, "O4"], ["F", 2, "C1"]]
  ],
  "dialect": "alphafold3",
  "version": 4
}

• 每个文件只能有一个任务；顶层是列表的文件会被识别为 Server 方言。
• id 只能用大写字母，写成小写报 IDs must be upper case letters；多拷贝写成列表，例如 ["C", "D"]。多字母链 ID 不会计算 RASA。
• 本地方言的修饰代码不带 CCD_ 前缀（写 SEP，Server 方言写 CCD_SEP），带前缀会直接报错（Protein ptms must not contain the "CCD_" prefix）；从 Server JSON 手工改写时最容易漏掉。
• ptmPosition 和成键位置都从 1 开始计数；单残基配体的残基号写 1。
• 离子写成 ligand，用 ccdCodes，例如 ["MG"]。
• SMILES 配体不能出现在 bondedAtomPairs 中，因为没有原子名，写进去会报 Bond ... involves an unsupported SMILES ligand。共价配体要用 CCD 代码或 userCCD 自定义组分。
• SMILES 中的反斜杠在 JSON 中要写成两个反斜杠，可用 jq -R . 或 Python json.dumps 转义。
• 聚合物之间和聚合物内部的共价键不支持，例如二硫键交联的两条链或头尾环肽。
• 出现 Failed to construct RDKit reference structure 时，加大 --conformer_max_iterations，或在 userCCD 中提供理想坐标。
• 多个任务的 name 字段要互不相同；用 --input_dir 一次处理整个目录。

采样

seed 和样本数怎么设

每个 seed 默认生成 5 个扩散样本（--num_diffusion_samples=5），输出目录中有 seed 数 × 样本数个子目录，排名第一的结构复制到根目录。AF3 论文的基准测试使用 5 个 seed × 5 个样本，共 25 个候选。

单链蛋白或高置信度复合物用 1–5 个 seed 已足够。抗体-抗原复合物的论文结果显示，seed 增加到 1,000 时排名第一的结构仍在改善；这类体系至少先跑 10–20 个 seed，再看 ranking_score 和 ipTM 是否趋于稳定。

多 seed 不需要重复 MSA 搜索。先用 --run_inference=false 只跑数据流程，再用生成的 _data.json 只跑推理。

# 第一步：只跑 CPU 的 MSA/模板搜索，输出 <name>_data.json（可在无 GPU 的机器上跑）
# 第二步要用 --num_seeds 时，fold_input.json 的 modelSeeds 只写 1 个值（例如 [1]），
# 写了多个值会报 Input must have one rng seed to set multiple seeds.
python run_alphafold.py --json_path=fold_input.json --output_dir=out \
  --model_dir=/data/af3_models --db_dir=/data/af3_db --run_inference=false

# 第二步：用带 MSA 的 JSON 只跑 GPU 推理；--num_seeds=10 从该 seed 起生成连续的 10 个 seed
python run_alphafold.py --json_path=out/kinase_atp_glyco_demo/kinase_atp_glyco_demo_data.json \
  --output_dir=out --model_dir=/data/af3_models \
  --run_data_pipeline=false --force_output_dir=true \
  --num_seeds=10 --num_diffusion_samples=5 \
  --jax_compilation_cache_dir=$HOME/.cache/af3_jax

实操经验

提速与省显存的做法

• 复用 MSA：筛选 n 个蛋白与 m 个蛋白的两两组合时，先对每条链单独跑 --run_inference=false，再把各链的 unpairedMsa、pairedMsa、templates 字段拼进二聚体 JSON，数据流程从 n×m 次降到 n+m 次（官方 performance.md）。
• 同一靶点换配体或换伙伴链时，固定链的 MSA 只算一次，复制到每个新 JSON 中，变化的链留空让程序计算。
• CPU 数：--jackhmmer_n_cpu、--nhmmer_n_cpu 默认 min(CPU 核数, 8)，超过 8 几乎没有加速。核数多的机器应同时跑多个输入。
• 数据库放本地 SSD。放在 NFS 等网络存储上，多任务并行时容易变慢或出错（issue #452 中维护者的判断）。
• 多核机器可把数据库分片：用 src/alphafold3/scripts/shard_databases.sh 切分后放在 SSD 或内存文件系统上，官方测得 MSA 搜索加速 10–30 倍；切分时需先 ulimit -n 65535。
• 开启 --jax_compilation_cache_dir：官方测试中同一输入第二次运行从 148 秒降到 32 秒。
• 批量输入大小相近时，用 --buckets 加入接近实际 token 数的档位，减少填充造成的浪费；超过最大档位的输入会按实际大小重新编译。
• 统一内存（TF_FORCE_UNIFIED_MEMORY=true）和 xla 注意力实现都能避免显存不足，代价是变慢，只在报错时开启。
• 上海交大超算在 A100-40GB 上测得数据流程从 v3.0.0 的 2,475 秒降到 v3.0.1 的 677 秒，旧版本应先升级。

排错

常见报错与真实原因

# 显存不足（A100 40GB、24GB 消费卡）或超过 5,120 token：开统一内存
export XLA_PYTHON_CLIENT_PREALLOCATE=false
export TF_FORCE_UNIFIED_MEMORY=true
export XLA_CLIENT_MEM_FRACTION=3.2
# A100 40GB 还需在 model_config.py 中把 pair_transition_shard_spec 改为：
#   (2048, None), (3072, 1024), (None, 512)

# 计算能力 7.x（V100、RTX 20 系、Titan RTX、Quadro RTX）：两项都必须设置，否则结构近似随机
export XLA_FLAGS="--xla_disable_hlo_passes=custom-kernel-fusion-rewriter"
python run_alphafold.py ... --flash_attention_implementation=xla

# Docker 中用 -e 传入，例如：docker run -e XLA_FLAGS="..." -e TF_FORCE_UNIFIED_MEMORY=true ...

实操经验

本地结果与 Server 不一致时怎么处理

Server 与本地使用相同的模型参数，差异主要来自 MSA。Server 对分片数据库跑 Jackhmmer 时没有设 --domZ，等效于把 --domE 放宽约 100 倍，部分输入会得到更深的 MSA。issue #492 中同一蛋白-DNA 复合物在 Server 上 ipTM 0.86，本地 0.1；改用 Server 的 MSA 后本地结果与 Server 一致。

{
  "name": "use_server_msa",
  "modelSeeds": [1, 2, 3, 4, 5],
  "sequences": [
    {
      "protein": {
        "id": "A",
        "sequence": "<与 Server 任务完全相同的序列>",
        "unpairedMsaPath": "server_job/msas/fold_<job>_unpaired_msa_chains_a.a3m",
        "pairedMsaPath": "server_job/msas/fold_<job>_paired_msa_chains_a.a3m"
      }
    }
  ],
  "dialect": "alphafold3",
  "version": 4
}

1. 01

   先在两边都多跑几个 seed

   issue #385 中 Server 的一个任务给出 ipTM 0.27，本地 20 个样本为 0.73–0.92；维护者在 Server 上换一个 seed 得到 0.90，与本地一致。Server 界面的每个任务只用一个 seed，比较前两边都至少跑 3–5 个 seed，确认差异是系统性的。

2. 02

   比较 MSA 深度

   本地 <name>_data.json 中的 unpairedMsa 与 Server zip 中的 a3m 文件对比序列条数。issue #492 中两者只差 12 条序列（100 对 112），结果就完全不同。

3. 03

   直接使用 Server 的 MSA

   把 zip 中各链的 unpaired 与 paired a3m 文件路径写进本地 JSON（version 2 以上），不写 templates 字段，本地数据流程会重新搜索模板；写成 [] 表示不用模板。a3m 文件在 zip 的 msas/ 目录中。本页实测：用一个公开的 Server 下载包按此方式改写，JSON 能被本地版正常读取。

4. 04

   或者放宽本地搜索

   官方给的另一种办法是把 Jackhmmer/Nhmmer 的 --domE 提高 100 倍。run_alphafold.py 没有 --domE 命令行参数，需要修改数据流程中的工具配置，因此多数情况下直接用 Server 的 MSA 更简单。

5. 05

   结构一致、只有 ipTM 不同时

   issue #385 的用户只用单个数据库建 MSA，ipTM 分别为 0.75（BFD）、0.91（UniRef90）、0.70（UniProt）、0.90（MGnify），预测结构却基本相同。ipTM 对 MSA 来源本身就敏感，结构叠合一致时，应以多 seed 的整体分布和 PAE 判断界面，不要只看单个 ipTM 数值。

特殊体系

多肽、环肽、糖基化、核酸复合物与分子对接

结果

结果文件与判断入口

根目录的 <name>_model.cif 是 ranking_score 最高的样本，ranking_score = 0.8×ipTM + 0.2×pTM + 0.5×无序比例 − 100×has_clash，只用于在样本之间排序。<name>_summary_confidences.json 给出整体与按链、按链对的 pTM、ipTM 和 chain_pair_pae_min；<name>_confidences.json 给出逐原子 pLDDT 和完整 PAE 矩阵。输出只有 mmCIF，没有 PDB 格式，需要时用 gemmi 等工具转换。

官方给出的 ipTM 阈值：高于 0.8 可信，低于 0.6 大概率失败，0.6–0.8 之间需结合 PAE 判断。各指标的计算方式、阈值来源和常见误读见《AlphaFold 结果怎么看》。

国内实操

国内用户的常用做法：Protenix、学校超算与非 Docker 编译

以下做法来自中文社区经验帖与高校超算手册，并已与官方仓库或第二个来源核对。

交给 Agent

把这套流程交给 Agent

Scientify 的科研环境预装的是 ColabFold 1.6.3 与 AlphaFold2 权重，不包含 AF3 参数和数据库。预装环境覆盖纯蛋白复合物预测；含配体、核酸或修饰的体系需要另行安装 AF3 或开源模型。

指令示例：“用 ColabFold 预测附件中两条蛋白链的复合物结构，跑 5 个模型、每个 3 个 seed，按 ipTM 排序，给出前三个结构的 PAE 图和链间接触残基列表。”

1. 01

   准备输入

   智能体把序列整理成 ColabFold 的 FASTA 或 CSV 格式，检查非标准残基和链数。

2. 02

   租用 GPU 并运行

   在你开通授权后，智能体按需租用 GPU（按秒计费），运行 colabfold_batch，日志和中间文件保存在工作区。关闭本机后任务继续运行。

3. 03

   汇总结果

   产出各模型的 PDB、排序表、PAE 图和界面残基列表，并对结果做对抗审阅，检查任务是否真正完成。

4. 04

   你仍需核对

   链的拷贝数与真实化学计量是否一致，ipTM 处于 0.6–0.8 时界面是否有实验证据支持，以及无序区是否需要截掉后重算。