本地協作折疊

本地ColabFold

您本機 PC（或 macOS）上的 ColabFold。另請參閱 ColabFold 儲存庫。

什麼是 LocalColabFold？

LocalColabFold 是一個安裝程式腳本，旨在使 ColabFold 功能在使用者的本機電腦上可用。它支援多種作業系統，例如 Windows 10 或更高版本（使用 Windows Subsystem for Linux 2）、macOS 和 Linux。

如果您只想預測少量天然存在的蛋白質，我建議使用 ColabFold 筆記本或從 AlphaFold 蛋白質結構資料庫或 UniProt 下載結構。 LocalColabFold 適用於更高級的應用，例如對天然複合物、非天然蛋白質的結構預測進行批量處理，或使用手動指定的 MSA/模板進行預測。

LocalColabFold 的優點

• 如果您的 PC 具有 Nvidia GPU 和 CUDA 驅動程序，則結構推理和鬆弛將會加速。

• 無超時（90 分鐘和 12 小時）

• 無 GPU 限制

• 無需準備本機 AlphaFold2 所需的大型資料庫。

註（2024 年 5 月 21 日）

• 由於目前 GPU 支援的 jax > 0.4.26 需要 CUDA 12.1 或更高版本以及 cudnn 9，因此請升級或安裝您的 CUDA 驅動程式和 cudnn。建議使用 CUDA 12.4。

註（2024 年 1 月 30 日）

• ColabFold 現已升級至 1.5.5（與 AlphaFold 2.3.2 相容）。現在 LocalColabFold 需要CUDA 12.1 或更高版本。如果您尚未更新 CUDA 驅動程序，請更新。

• 現在（本地）ColabFold 無需連接互聯網即可預測蛋白質結構。使用setup_databases.sh腳本下載並建立資料庫（另請參閱 ColabFold 下載）。此註釋中寫入了運行colabfold_search以在本地獲取 MSA 和模板的說明。

新更新

• 2024 年 1 月 30 日，ColabFold 1.5.5（相容於 AlphaFold 2.3.2）。現在 LocalColabFold 需要CUDA 12.1 或更高版本。請更新您的 CUDA 驅動程式。

• 2023 年 4 月 30 日，更新為使用 python 3.10 以與 Google Colaboratory 相容。

• 2023年3月9日，1.5.1版發布。基本目錄已從colabfold_batch更改為localcolabfold ，以區別於執行命令。

• 2023年3月9日，1.5.0版本發布。請參閱版本 v1.5.0

• 2023 年 2 月 5 日，版本 1.5.0-預發布。

• 2022年6月16日，1.4.0版本發布。請參閱版本 v1.4.0

• 2022 年 5 月 7 日，更新update_linux.sh 。另請參閱如何更新。如果需要 GPU 鬆弛，請使用新選項--use-gpu-relax （建議）。

• 2022年4月12日，1.3.0版本發布。請參閱版本 v1.3.0

• 2021 年 12 月 9 日，版本 1.2.0-beta 發布。新增了易於使用的更新程式腳本。請參閱如何更新。

• 2021 年 12 月 4 日，LocalColabFold 現已與最新的 pip 可安裝 ColabFold 相容。在此儲存庫中，我將提供一個腳本來安裝 ColabFold 和一些外部參數文件，以使用 AMBER 執行鬆弛。 AlphaFold 和 AlphaFold-Multimer 的權重參數將在您第一次執行時自動下載。

安裝

對於Linux

1. 確保您的電腦上已經安裝了curl 、 git和wget指令。如果不存在，您需要先安裝它們。對於 Ubuntu，輸入sudo apt -y install curl git wget 。

2. 確保您的 Cuda 編譯器驅動程式是11.8 或更高版本（最好是最新版本 12.4）。如果您沒有 GPU 或不打算使用 GPU，則可以跳過此步驟：

    $ nvcc --版本
   nvcc：NVIDIA (R) Cuda 編譯器驅動程式
   版權所有 (c) 2005-2022 NVIDIA 公司
   建於 Wed_Sep_21_10:33:58_PDT_2022
   Cuda 編譯工具，版本 11.8，V11.8.89
   建造cuda_11.8.r11.8/compiler.31833905_0

   請勿使用nvidia-smi檢查版本。
   如果您尚未安裝，請參閱適用於 Linux 的 NVIDIA CUDA 安裝指南。

   
   

3. 確保您的 GNU 編譯器版本為9.0 或更高版本，因為 openmm 需要GLIBCXX_3.4.26 ：

    $ gcc --版本
   gcc (Ubuntu 9.3.0-17ubuntu1~20.04) 9.3.0
   版權所有 (C) 2019 自由軟體基金會, Inc.
   這是免費軟體；請參閱複製條件的來源。  沒有
   保固單;甚至不是為了適銷性或特定用途的適用性。

   如果版本是 8.5.0 或更早版本（例如 CentOS 7、Rocky/Almalinux 8 等），請安裝新版本並為其新增PATH 。

   
   

4. 從此儲存庫下載install_colabbatch_linux.sh ：

    $ wget https://raw.githubusercontent.com/YoshitakaMo/localcolabfold/main/install_colabbatch_linux.sh

   並在要安裝的目錄中運行它：

    $ bash install_colabbatch_linux.sh

   大約5分鐘後，將建立localcolabfold目錄。安裝後請勿移動目錄。

   
   

   保持網路暢通。並檢查日誌輸出，看看是否有錯誤。

   如果在輸出日誌中發現錯誤，最簡單的方法是檢查網路並刪除 localcolabfold 目錄，然後重新執行安裝腳本。

5. 新增環境變數PATH：

    # 對於 bash 或 zsh
   # 例如導出 PATH="/home/moriwaki/Desktop/localcolabfold/colabfold-conda/bin:$PATH"
   導出 PATH="/path/to/your/localcolabfold/colabfold-conda/bin:$PATH"

   建議將此匯出命令新增至~/.bashrc並重新啟動bash（每次啟動bash時都會執行~/.bashrc ）

   
   

6. 若要執行預測，請輸入

   colabfold_batch 輸入輸出目錄/

   結果檔案將在outputdir中建立。該命令將在沒有模板和鬆弛（能量最小化）的情況下執行預測。如果您想使用模板和鬆弛，請分別新增--templates和--amber標誌。例如，

   
   

    colabfold_batch --templates --amber 輸入輸出目錄/

   colabfold_batch將自動偵測預測是單體預測還是複雜預測。在大多數情況下，使用者不必添加--model-type alphafold2_multimer_v3來開啟多聚體預測。 alphafold2_multimer_v1, alphafold2_multimer_v2也可使用。預設值為auto （對於單體使用alphafold2_ptm ，對於複合物使用alphafold2_multimer_v3 。）

有關更多詳細信息，請參閱標誌和colabfold_batch --help 。

對於 WSL2（在 Windows 中）

注意：如果您的安裝因符號連結 ( symlink ) 建立問題而失敗，這是由於 Windows 檔案系統不區分大小寫（而 Linux 檔案系統區分大小寫）。若要解決此問題，請在 Windows Powershell 上執行下列命令：

fsutil file SetCaseSensitiveInfo pathtolocalcolabfoldinstallation enable

將pathtocolabfoldinstallation替換為安裝 LocalColabFold 的目錄路徑。另外，請確保您在 Windows Powershell（而不是 WSL）上執行該命令。有關更多詳細信息，請參閱調整區分大小寫 (Microsoft)。

在運行預測之前：

export TF_FORCE_UNIFIED_MEMORY="1"
export XLA_PYTHON_CLIENT_MEM_FRACTION="4.0"
export XLA_PYTHON_CLIENT_ALLOCATOR="platform"
export TF_FORCE_GPU_ALLOW_GROWTH="true"

建議將這些匯出命令新增至~/.bashrc並重新啟動bash（每次啟動bash時都會執行~/.bashrc ）

對於 macOS

注意：由於缺乏 Nvidia GPU/CUDA 驅動，macOS 上的結構預測比 Linux+GPU 上慢 5-10 倍。對於測試序列 (58 aa)，可能需要 30 分鐘。不過，在準備 Linux+GPU 環境之前先嘗試它可能會很有用。

您可以透過在終端機上輸入uname -m來檢查您的 Mac 是 Intel 還是 Apple Silicon。

 $ uname -m
x86_64 # Intelarm64 # 蘋果晶片

請使用適合您 Mac 的正確安裝程式。

適用於配備 Intel CPU 的 Mac

1. 如果不存在，請安裝 Homebrew：

    $ /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

2. 使用 Homebrew 安裝wget 、 gnu-sed 、 HH-suite 和 kalign ：

    $brew安裝wgetgnu-sed
   $brew 安裝brewsci/bio/hh-suitebrewsci/bio/kalign

3. 從此儲存庫下載install_colabbatch_intelmac.sh ：

    $ wget https://raw.githubusercontent.com/YoshitakaMo/localcolabfold/main/install_colabbatch_intelmac.sh

   並在要安裝的目錄中運行它：

    $ bash install_colabbatch_intelmac.sh

   大約5分鐘後， colabfold_batch目錄將被建立。安裝後請勿移動目錄。

4. 其餘過程與“對於Linux”相同。

適用於配備 Apple Silicon（M1 晶片）的 Mac

注意：此安裝程式是實驗性的，因為大多數依賴套件尚未在 Apple Silicon Mac 上進行完全測試。

1. 如果不存在，請安裝 Homebrew：

    $ /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

2. 使用 Homebrew 安裝幾個指令（現在 kalign 3.3.2 可用！）：

    $brew安裝wgetcmakegnu-sed
   $brew 安裝brewsci/bio/hh-suite
   $brew 安裝brewsci/bio/kalign

3. 使用 Homebrew 安裝miniforge指令：

    $brew安裝--cask miniforge

4. 從此儲存庫下載install_colabbatch_M1mac.sh ：

    $ wget https://raw.githubusercontent.com/YoshitakaMo/localcolabfold/main/install_colabbatch_M1mac.sh

   並在要安裝的目錄中運行它：

    $ bash install_colabbatch_M1mac.sh

   大約5分鐘後， colabfold_batch目錄將被建立。安裝後請勿移動目錄。您可以忽略一路上出現的安裝錯誤。

5. 其餘過程與“對於Linux”相同。

輸入範例

ColabFold 可以接受多種檔案格式或目錄。

positional arguments:
  input                 Can be one of the following: Directory with fasta/a3m
                        files, a csv/tsv file, a fasta file or an a3m file
  results               Directory to write the results to

快速格式

建議以>開頭的標題行較短，因為描述將是輸出檔案的前綴。在胺基酸序列中插入換行符是可以接受的。

>sp|P61823
MALKSLVLLSLLVLVLLLVRVQPSLGKETAAAKFERQHMDSSTSAASSSNYCNQMMKSRN
LTKDRCKPVNTFVHESLADVQAVCSQKNVACKNGQTNCYQSYSTMSITDCRETGSSKYPN
CAYKTTQANKHIIVACEGNPYVPVHFDASV

為了預測多聚體，在蛋白質序列之間插入: 。

>1BJP_homohexamer
PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASKVRR:
PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASKVRR:
PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASKVRR:
PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASKVRR:
PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASKVRR:
PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASKVRR

>3KUD_RasRaf_complex
MTEYKLVVVGAGGVGKSALTIQLIQNHFVDEYDPTIEDSYRKQVVIDGETCLLDILDTAGQEEYSAMRDQ
YMRTGEGFLCVFAINNTKSFEDIHQYREQIKRVKDSDDVPMVLVGNKCDLAARTVESRQAQDLARSYGIP
YIETSAKTRQGVEDAFYTLVREIRQH:
PSKTSNTIRVFLPNKQRTVVNVRNGMSLHDCLMKALKVRGLQPECCAVFRLLHEHKGKKARLDWNTDAAS
LIGEELQVDFL

FASTA 格式檔案中帶有序列的多個>標題行會在指定的輸出目錄中同時產生多個預測。

csv 格式

在 csv 格式中， id和sequence應以,分隔。

id,sequence
5AWL_1,YYDPETGTWY
3G5O_A_3G5O_B,MRILPISTIKGKLNEFVDAVSSTQDQITITKNGAPAAVLVGADEWESLQETLYWLAQPGIRESIAEADADIASGRTYGEDEIRAEFGVPRRPH:MPYTVRFTTTARRDLHKLPPRILAAVVEFAFGDLSREPLRVGKPLRRELAGTFSARRGTYRLLYRIDDEHTTVVILRVDHRADIYRR

a3m格式

您可以輸入 a3m 格式的 MSA 檔案。對於多聚體預測，a3m 檔案應與 colabfold 格式相容。

旗幟

這些標誌對於預測很有用。

• --amber ：使用琥珀色進行結構性細化（鬆弛/能量最小化）。為了控制排名前面的結構的數量，可以設定--num-relax 。

• --templates ：使用 pdb 中的模板。

• --use-gpu-relax ：在 NVidia GPU 而不是 CPU 上執行 amber。此功能僅在配備 Nvidia GPU 的電腦上可用。

• --num-recycle : 預測回收次數。增加回收量可以提高質量，但會減慢預測速度。預設值為3 。 （例如--num-recycle 10 ）

• --custom-template-path ：將--template使用的範本檔案限制為僅包含在指定目錄中的範本檔案。該標誌使我們能夠使用非公共 pdb 檔案進行預測。另請參閱 sokrypton/ColabFold#177 。

• --random-seed 更改隨機數產生器的種子可能會導致不同的結構預測。 （例如--random-seed 42 ）

• --num-seeds 要嘗試的種子數。將從範圍（random_seed，random_seed + num_seeds）迭代。 （例如--num-seed 5 ）

• --max-msa ：定義：要使用的max-seq:max-extra-seq序列數（例如--max-msa 512:1024 ）。如果您想要單獨指定，也可以使用--max-seq和--max-extra-seq參數。這是 del Alamo等人證明的《利用 AlphaFold2 採樣轉運蛋白和受體的替代構象狀態》論文的重新實現。

• --use-dropout ：在推理過程中啟動 dropout，以從模型的不確定性中進行取樣。

• --overwrite-existing-results ：覆寫結果檔。

• 有關更多信息，請colabfold_batch --help 。

如何更新

由於 ColabFold 仍在開發中，因此您的本機 colabfold 也應該經常更新以使用最新功能。為此提供了一個易於使用的更新腳本。

要更新本機colabfold，只需執行以下命令：

 # 設定你的作業系統。選擇下列變數之一 {linux,intelmac,M1mac}$ OS=linux # 如果是 Linux# 導覽至安裝 localcolabfold 的目錄，例如 $ cd /home/moriwaki/Desktop/localcolabfold/# 取得最新更新程式 $ wget https :/$ wget https :/ /raw.githubusercontent.com/YoshitakaMo/localcolabfold/main/update_${OS}.sh -O update_${OS}.sh
$ chmod +x update_${OS}.sh# 執行它。

常問問題

• 安裝前我還需要做什麼？我需要 sudo 權限嗎？

• 否，除了安裝curl和wget指令。

• 我需要準備PDB70、BFD、Uniclust30、MGnify等大型資料庫嗎？

• 不，沒有必要。 MSA 的產生由 MMseqs2 Web 伺服器執行，就像 ColabFold 中的實作一樣。

• pLDDT 分數和 PAE 資料是否可用？

• 是的，它們將像 ColabFold 一樣生成。

• 是否可以預測同源低聚物和複合物？

• 是的，輸入序列的格式與 ColabFold 相同。請參閱query_sequence:及其對ColabFold的使用：AlphaFold2使用MMseqs2。

• 是否可以透過 jackhmmer 創建 MSA？

• 不，目前不支援。

• 我想使用多個 GPU 來執行預測。

• AlphaFold 和 ColabFold 不支援多個 GPU 。只需一台 GPU 即可對您的蛋白質進行建模。

• 我有多個 GPU。我可以指定在每個 GPU 上執行 LocalColabfold 嗎？

• 使用CUDA_VISIBLE_DEVICES環境變數。參見#200。

• 我收到錯誤訊息CUDA_ERROR_ILLEGAL_ADDRESS: an illegal memory access was encountered 。

• 您可能尚未更新至 CUDA 11.8 或更高版本。請使用nvcc --version指令檢查 Cuda 編譯器的版本，而不是nvidia-smi 。

• 這在 Windows 10 上可用嗎？

• 您可以使用 WSL2 在 Windows 10 上執行 LocalColabFold。

• （新！）我想使用 a3m 格式的自訂 MSA 檔案。

• ColabFold 現在可以接受各種輸入檔。請參閱說明訊息。您可以設定自己的 A3M 檔案、包含多個序列的 fasta 檔案（FASTA 格式）或包含多個 fasta 檔案的目錄。

教學和演示

• ColabFold 教學在波士頓蛋白質設計和建模俱樂部發表。 [影片] [幻燈片]。

致謝

• 最初的 colabfold 最初由 Sergey Ovchinnikov (@sokrypton)、Milot Mirdita (@milot_mirdita) 和 Martin Steinegger (@thesteinegger) 創建。

我如何參考這份工作？

• Mirdita M、Schütze K、Moriwaki Y、Heo L、Ovchinnikov S 和 Steinegger M. ColabFold - 讓所有人都能進行蛋白質折疊。
  自然方法(2022) doi: 10.1038/s41592-022-01488-1

• 如果您使用AlphaFold ，也請引用：
  跳躍者等人。 “使用 AlphaFold 進行高度準確的蛋白質結構預測。”
  自然(2021) doi: 10.1038/s41586-021-03819-2

• 如果您使用AlphaFold-multimer ，也請引用：
  埃文斯等。 “使用 AlphaFold-Multimer 預測蛋白質複合物。”
  BioRxiv (2022) doi: 10.1101/2021.10.04.463034v2