刚刚，哥伦比亚大学系统生物学助理教授 mohammed alquraishi 在推特上宣布，他们从头训练了一个名为 openfold 的模型，该模型是 alphafold2 的可训练 pytorch 复现版本。mohammed alquraishi 还表示，这是第一个大众可用的 alphafold2 复现。
alphafold2 可以周期性地以原子精度预测蛋白质结构，在技术上利用多序列对齐和深度学习算法设计，并结合关于蛋白质结构的物理和生物学知识提升了预测效果。它实现了 2/3 蛋白质结构预测的卓越成绩并在去年登上了《自然》杂志。更令人惊喜的是，deepmind 团队不仅开源了模型，还将 alphafold2 预测数据做成了免费开放的数据集。
然而，开源并不意味着能用、好用。其实，alphafold2 软件系统的部署难度极大，并且对硬件的要求高、数据集下载周期长、占用空间大，每一条都让普通开发者望而却步。因此，开源社区一直在努力实现 alphafold2 的可用版本。
这次哥伦比亚大学 mohammed alquraishi 教授等人实现的 openfold 总训练时间大约为 100000 a100 小时，但在大约 3000 小时内就达到了 90% 的准确率。
openfold 与原版 alphafold2 的准确率相当，甚至略胜一筹，可能因为 openfold 的训练集更大一点：
openfold 的主要优势是推理速度显著提升，对于较短的蛋白质序列，openfold 的推理速度可以达到 alphafold2 的两倍。另外，由于使用自定义的 cuda 内核，openfold 使用更少的内存就能推理更长的蛋白质序列。
openfold 介绍openfold 几乎再现了原始开源推理代码 (v2.0.1) 的所有功能，除了已趋于被淘汰的「模型集成」功能，该功能在 deepmind 自己的消融测试中就表现不佳。
无论是否有 deepspeed，openfold 都能以全精度或 bfloat16 进行训练。为了实现 alphafold2 的原始性能，该团队从头开始训练 openfold，现已公开发布了模型权重和训练数据。其中，训练数据包含大约 400000 份 msa 和 pdb70 模板文件。openfold 还支持使用 alphafold 的官方参数进行蛋白质推理。
与其他实现相比，openfold 具有以下优点：
短序列推理：加快了在 gpu 上推理少于 1500 个氨基酸残基的链的速度；长序列推理：通过该研究实现的低记忆注意力（low-memory attention）对极长链进行推理，openfold 可以在单个 a100 上预测 超过 4000 个残基的序列结构，借助 cpu offload 甚至可以预测更长的序列；内存高效在训练和推理期间，在 fastfold 内核基础上修改的自定义 cuda 注意力内核，使用的 gpu 内存分别比等效的 fastfold 和现有的 pytorch 实现少 4 倍和 5 倍；高效对齐脚本：该团队使用原始 alphafold hhblits/jackhmmer pipeline 或带有 mmseqs2 的 colabfold，已经生成了数百万个对齐。linux 系统下的安装与使用开发团队提供了一个在本地安装 miniconda、创建 conda 虚拟环境、安装所有 python 依赖项并下载有用资源的脚本，包括两组模型参数。
运行以下命令：
scripts/install_third_party_dependencies.sh
使用如下命令激活环境：
source scripts/activate_conda_env.sh
停用命令：
source scripts/deactivate_conda_env.sh
在激活环境下，编译 openfold 的 cuda 内核
python3 setup.py install
在 / usr/bin 路径下安装 hh-suite：
# scripts/install_hh_suite.sh
使用如下命令可以下载用于训练 openfold 和 alphafold 的数据库：
bash scripts/download_data.sh data/
如果要使用一组 deepmind 的预训练参数对一个或多个序列进行推理，可以运行如下代码：
python3 run_pretrained_openfold.py
fasta_dir
data/pdb_mmcif/mmcif_files/
--uniref90_database_path data/uniref90/uniref90.fasta
--mgnify_database_path data/mgnify/mgy_clusters_2018_12.fa
--pdb70_database_path data/pdb70/pdb70
--uniclust30_database_path data/uniclust30/uniclust30_2018_08/uniclust30_2018_08
--output_dir ./
--bfd_database_path data/bfd/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt
--model_device cuda:0
--jackhmmer_binary_path lib/conda/envs/openfold_venv/bin/jackhmmer
--hhblits_binary_path lib/conda/envs/openfold_venv/bin/hhblits
--hhsearch_binary_path lib/conda/envs/openfold_venv/bin/hhsearch
--kalign_binary_path lib/conda/envs/openfold_venv/bin/kalign
--config_preset model_1_ptm
--openfold_checkpoint_path openfold/resources/openfold_params/finetuning_2_ptm.pt
更多细节请参见 github：https://github.com/aqlaboratory/openfold
扩展阅读：
高效预测几乎所有人类蛋白质结构，alphafold 再登 nature，数据库全部免费开放生物计算专家超细致解读 alphafold2 论文：模型架构及应用deepmind 开源的 alphafold 怎么用？打开 colab 就能在线用以上就是首个大众可用pytorch版alphafold2复现，哥大开源，star量破千的详细内容。