Alphafold2蛋白质结构预测AI工作站配置推荐

目录
AlphaFold2计算特点
蛋白质三维结构预测AI工作站配置推荐
蛋白质三维结构预测AI集群配置推荐

蛋白质三维结构预测是一项计算量非常巨大的任务，科学家多年的探索研究，形成了X射线晶体学法、核磁共振法、冷冻电镜等
2021年底，谷歌的DeepMind团队的采用人工智能方法的AlphaFold2算法在生物界引起了极大的轰动，它能准确地预测蛋白质的结构，AlphaFold2是当今预测蛋白质3D结构的最强工具。它将被大量用于推动世界蛋白质研究向前发展.

AlphaFold2在国际蛋白质结构预测竞赛（CASP14）上精确地基于氨基酸序列预测蛋白质的3D结构。其准确性可以与使用冷冻电子显微镜（CryoEM）、核磁共振或 X 射线晶体学等实验技术解析的3D结构相媲美，

目前情况（大致统计）：
（1）Deepmind开源了AlphaFold2的源代码（推理部分）
（2）华盛顿大学开源了RoseTTRFold的源代码（推理部分）
（3）深势科技复现了AlphaFold的训练部分，并开源代码（训练和推理）
（4）上海天壤智能科技有限公司复现了TRfold训练部分和推理部分
（5）上海交大对AlphaFold2的推理代码进行了优化（推理并行版）

 
（一）AlphaFold2蛋白质结构预测计算特点
如何配置好硬件，最快速度完成训练、推理计算，首先分析其计算过程以及算法特点


图1 Alphafold2计算示意图

环节1 数据处理-序列特征生成计算特点

（图片2来源：上海交大alphafold2并行优化版）

计算过程
总输入单个蛋白质序列FASTA格式（推理）；
通过搜索工具（jackHMMER/HHblits）分别对多个遗传数据库--执行隐马尔可夫模型的搜索生成MSA（序列-残基）；见图1
搜索的结构和序列产生的Pairing信息（残基-残基）；
通过HHsearch搜索的Template

计算与硬件配置分析
数据库搜索过程涉及数据库密集I/O读写，数据放到高速SSD硬盘上，数据量累积超过2TB，非常耗时，加速手段提升CPU计算速度。

硬件配置
CPU计算为主，内存要够大，或配备NVME SSD固态卡，容量4TB以上

环节2 神经网络预测计算特点

（图片来源：上海交通大学 https://parafold.sjtu.edu.cn/docs/quick-start/）

计算过程
利用多序列比对（MSA），把蛋白质的结构和生物信息整合到深度学习算法中，主要包括：神经网络EvoFormer和结构模块（Structure module）.
在EvoFormer中，主要是将图网络（Graph networks）和多序列比对（MSA）结合完成结构预测，Alphafold2使用Transformer结构，不管是MSA还是残基-残基对的信息更新都使用了Attention机制，结构模块的更新使用了三角法则，简化了计算的复杂度，准确率也提高了不少.
结构模块(Structure Module)主要工作是将EvoFormer得到的信息转换为蛋白质3D结构.
整个模型的Evoformer和Structure module部分都使用了Recycling，即将输出重新加入到输入在重复refinement，进行信息的精炼.
计算特点
上述计算过程用GPU更合理，对GPU要求是高显存带宽、大容量显存、大蛋白质计算通过将多GPU卡设置统一内存架构，大的显存可支持更大的计算数据存放

计算架构分析汇总