AlphaFold3中文使用说明

1. 在线网站

AlphaFold3网站 目前支持两种输入方式，一种是手动填写每个任务的输入，另一种是将任务以json的格式上传，后者更加适合批量任务。由于手动填写输入的方式简单，本文不再赘述。下文主要演示json输入的用法。

用例1. 使用json输入预测蛋白结构

①根据输入文件，准备json文件。

图1. 展示了json输入文件中的一个任务示例，包括任务名（name）、随机种子（modelSeed）和蛋白序列（sequence）。本例中的蛋白序列包括4条待建模的序列（s1-s4，分别为TCR alpha, TCR beta, HLA, epitope）。

②打开AlphaFold Server（需要google帐号和科学上网），上传json文件（每个账号每天配额20个任务）。

图2. 通过json上传任务。右图中绿色方框代表上传的任务解析成功。

③挨个检查、投递上传的任务。

图3. 依次投递任务。

④投递后运行中的任务可以通过In progress标签查看。

图4. 查看运行中的任务。

⑤下载已完成任务（Completed），或在网页上初步查看结果。

图5. 已完成任务的下载。

2. 本地命令行

2.1 运行示例

首先，本地部署AF3，机器配置和部署方法可参考《AlphaFold3中文安装教程》。

然后，使用 JSON 输入文件（以下演示了一个名为alphafold_input.json的json输入文件）测试。

{
  "name": "2PV7",
  "sequences": [
    {
      "protein": {
        "id": ["A", "B"],
        "sequence": "GMRESYANENQFGFKTINSDIHKIVIVGGYGKLGGLFARYLRASGYPISILDREDWAVAESILANADVVIVSVPINLTLETIERLKPYLTENMLLADLTSVKREPLAKMLEVHTGAVLGLHPMFGADIASMAKQVVVRCDGRFPERYEWLLEQIQIWGAKIYQTNATEHDHNMTYIQALRHFSTFANGLHLSKQPINLANLLALSSPIYRLELAMIGRLFAQDAELYADIIMDKSENLAVIETLKQTYDEALTFFENNDRQGFIDAFHKVRDWFGDYSEQFLKESRQLLQQANDLKQG"
      }
    }
  ],
  "modelSeeds": [1],
  "dialect": "alphafold3",
  "version": 1
}

测试命令如下。

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

2.2 AF3输入

输入格式

与网站的json输入格式不同，AF3使用自定义json输入格式。定制的格式允许：

• 指定蛋白质、RNA 和 DNA 链，包括修饰残基。
• 为蛋白质和 RNA 链指定自定义多序列比对（MSA）。
• 为蛋白质链指定自定义结构模板。
• 使用 CCD(Chemical Component Dictionary) 指定配体。
• 使用 SMILES 指定配体。
• 使用 CCD mmCIF 格式定义配体，并通过用户提供的 CCD 提供配体。
• 指定实体间的共价键。
• 指定多个随机种子。

JSON兼容性

run_alphafold.py提供了一个转换器，可通过检查 JSON 最外层（top-level）是否为列表来判定输入 JSON 的格式（alphafoldserver，alphafold3）。如果检测到输入格式是alphafoldserver，则将其转换为 alphafold3格式。

JSON最外层（Top-level）结构

{
  "name": "Job name",    #任务名称，被用于命名输出文件。
  "modelSeeds": [1, 2],  #随机种子整数列表，提供n个（n>=1）种子，获得n个预测结构。
  "sequences": [
    {"protein": {...}},
    {"rna": {...}},
    {"dna": {...}},
    {"ligand": {...}}
  ],                      #序列字典的列表，每个字典定义一个分子实体。
  "bondedAtomPairs": [...],    #（可选）共价键合原子的列表。
  "userCCD": "...",            #（可选）用户提供的CCD。适用于：SMILES不足；自定义分子需要与其他实体结合；RDKit无法生成构象。
  "dialect": "alphafold3",  #输入JSON的风格，必须设置为alphafold3。参考JSON兼容性。
  "version": 1              #输入JSON的版本，必须设置为1。
}

序列

序列（sequences）指定蛋白链、RNA 链、DNA 链和配体。序列中的每个实体都必须有一个唯一ID。
蛋白链示例

{
  "protein": {
    "id": "A",    #一或多个大写字母，指定该蛋白链每个拷贝的唯一 ID。将被用于输出 mmCIF 文件。指定 ID 列表（如[“A”、“B”、“C”]）意味着同源链有多个拷贝。
    "sequence": "PVLSCGEWQL",    #氨基酸序列
    "modifications": [
      {"ptmType": "HY3", "ptmPosition": 1},
      {"ptmType": "P1L", "ptmPosition": 5}
    ],                   #（可选）翻译后修饰PTM列表，每个修饰都使用 CCD 和 1-based 的残基位置来指定。
    "unpairedMsa": ...,  #（可选）该链的多序列比对，使用 A3M 格式（等同于FASTA，但允许用"-"表示gap）指定。
    "pairedMsa": ...,    #（不推荐使用）
    "templates": [...]   #（可选）结构模板列表。
  }
}

RNA链示例

{
  "rna": {
    "id": "A",    #一或多个大写字母，指定该 RNA 链每个拷贝的唯一 ID。将被用于输出的 mmCIF 文件。指定 ID 列表（如[“A”、“B”、“C”]）意味着同源链有多个拷贝。
    "sequence": "AGCU",    #RNA 序列
    "modifications": [
      {"modificationType": "2MG", "basePosition": 1},
      {"modificationType": "5MC", "basePosition": 4}
    ],                  #（可选）修饰列表，每个修饰都使用其 CCD 和 1-based 位置来指定。
    "unpairedMsa": ...  #（可选） 该链的多序列比对，使用 A3M 格式指定。
  }
}

DNA链示例

{
  "dna": {
    "id": "A",        #一或多个大写字母，指定该 DNA 链每个拷贝的唯一 ID。将被用于输出的 mmCIF 文件。指定 ID 列表（如[“A”、“B”、“C”]）意味着同源链有多个拷贝。
    "sequence": "GACCTCT",    #DNA 序列
    "modifications": [
      {"modificationType": "6OG", "basePosition": 1},
      {"modificationType": "6MA", "basePosition": 2}
    ]            #（可选）修饰列表，每个修饰都使用其 CCD 和 1-based 位置来指定。
  }
}

配体示例
配体可通过 3 种不同格式指定。①CCD编码：使用 2022-09-28 的 CCD。如指定了多个 CCD，可能需要指定这些代码之间的键和/或与其他实体的键。②SMILES字符串：这可以指定不在 CCD 中的配体。如果使用 SMILES，则不能指定与其他实体的共价键，因为这些键依赖于特定的原子名称。③用户提供的 CCD + 自定义配体编码：这可以指定 CCD 中没有的配体，同时还支持指定与其他实体的共价键，以及在 RDKit 无法生成构象时的备份参考坐标。

{
  "ligand": {
    "id": ["G", "H", "I"],    # 一或多个大写字母，指定该配体的唯一ID。也将被用于输出的 mmCIF 文件。指定 ID 列表（如[“A”、“B”、“C”]）意味着配体有多个拷贝。
    "ccdCodes": ["ATP"]       #（可选）CCD编码列表。可以是标准 CCD 编码，或用户提供的 CCD 自定义编码。
  }
},
{
  "ligand": {
    "id": "J",
    "ccdCodes": ["LIG-1337"]
  }
},
{
  "ligand": {
    "id": "K",
    "smiles": "CC(=O)OC1C[NH+]2CCC1CC2"   #（可选）使用 SMILES 定义的配体。
  }
}

多序列比对MSA

蛋白和RNA允许设置自定义MSA。如果没有设置，数据管道将按照论文中的描述，使用 Jackhmmer/Nhmmer在基因数据库中搜索，自动构建MSA。

MSA有3种模式：①（推荐选项）如果未设置unpairedMsa字段，AF3将自动构建 MSA。②如果unpairedMsa字段设置为空，AF3将不会构建MSA，输入模型的MSA为空。③（专家选项）如果unpairedMsa字段设为自定义A3M字符串，AF3将使用提供的MSA。

如果为蛋白设置了unairedMsa字段，则必须明确设置pairedMsa字段（通常为空字符串）和templates（可以是模板列表或空列表）。
在设置自定义MSA时，必须确保MSA 是有效的 A3M 文件；第一个序列与查询序列完全相同；如果删除 MSA hits 的所有插入序列，则所有序列的长度与查询序列完全相等。

只有在折叠多链时，MSA配对才有意义，因为需要找到一种沿序列维度连接各条链MSA的方法。如果只是简单地沿序列维度连接单个 MSA 矩阵，并进行填充以使所有 MSA 深度相同，那么连接的 MSA 中可能会出现由来自不同生物体的序列组成的行。为了确保MSA同一行的序列来自同一生物体，AF3 的方法是在pairedMsa中查找 UniProt organism ID，并根据此信息对序列进行配对。
建议用户手动配对或使用适当软件的输出结果，然后仅使用unpairedMsa字段提供 MSA。这种方法可以精确控制每个序列在 MSA 中的位置，而不是依赖pairedMsa中名称匹配的后处理方法。

手动设置unairedMsa时，pairedMsa必须保持未设置状态（即JSON中没有pairedMsa关键字）？

结构模板

只能为蛋白指定结构模板。

"templates": [
  {
    "mmcif": ...,
    "queryIndices": [0, 1, 2, 4, 5, 6],
    "templateIndices": [0, 1, 2, 3, 4, 8]
  }
]

模板被指定为一个 mmCIF 字符串，其中包含一个结构模板链和一个0-based映射（将查询残基索引映射到模板残基索引）。映射使用两个相同长度的列表指定。
可以提供多个结构模板。注意，如果提供的 mmCIF 包含一个以上的链，则会出现错误，因为无法确定哪个链应被用作模板。

键

未完待续。。。

用户提供CCDs

2.3 AF3输出