Ubuntu配置AlphaFold过程
本文将根据 AlphaFold官方的步骤配置AlphaFold，并尝试解决配置过程中可能遇到的问题。
安装Nvidia Docker
按照NVIDIA文档中的过程安装NVIDIA Container Toolkit.
注意
- 该步骤需要管理员权限，无法获取管理员权限的请直接放弃
- 既然有了管理员权限，顺便安装一下aria2c(
sudo apt install aria2)，后续下载数据集时会用到。
安装对应的GPU驱动
如果不清楚怎么安装的可以按照Ubuntu 18.04 配置cuda中“GPU驱动的安装”一节进行安装。只要安装GPU驱动即可。
安装docker与NVIDIA Container Toolkit
-
如果服务器上已经有docker的可以跳过该步，否则可以执行
curl https://get.docker.com | sh \ && sudo systemctl --now enable docker -
随后设置存储库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \ && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \ && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list -
接着就是更新并且安装
sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo systemctl restart docker -
最终，尝试输入
docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi，如果能成功显示GPU的各类信息则说明安装成功，如下所示。+-----------------------------------------------------------------------------+ | NVIDIA-SMI 450.51.06 Driver Version: 450.51.06 CUDA Version: 11.0 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 Tesla T4 On | 00000000:00:1E.0 Off | 0 | | N/A 34C P8 9W / 70W | 0MiB / 15109MiB | 0% Default | | | | N/A | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: | | GPU GI CI PID Type Process name GPU Memory | | ID ID Usage | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+
注意：如果日后需要非root用户使用docker，请按照该链接所述方法进行设置。
下载代码
非常简单，直接在目标路径下执行git clone https://github.com/deepmind/alphafold.git即可
下载数据集
注意
-
AlphaFold需要非常巨大的数据集作为支撑，进行此步骤前请务必确认服务器磁盘空闲大小大于2.5TB以上
-
此外，根据AlphaFold的要求，我们应该将数据集下载至AlphaFold工程目录外，以避免增加docker的大小。
数据集目录结构
如下所示，并不是水篇幅。下载完成后请务必按照如下文件结构一一对应，实际的文件体积可能会更大，但不会少。一定要尽可能一一对应！！！！！！！——血的教训
- 查看当前文件夹大小的命令为
du -sh
$DOWNLOAD_DIR/ # Total: ~ 2.2 TB (download: 438 GB)
bfd/ # ~ 1.7 TB (download: 271.6 GB)
# 6 files.
mgnify/ # ~ 64 GB (download: 32.9 GB)
mgy_clusters_2018_12.fa
params/ # ~ 3.5 GB (download: 3.5 GB)
# 5 CASP14 models,
# 5 pTM models,
# 5 AlphaFold-Multimer models,
# LICENSE,
# = 16 files.
pdb70/ # ~ 56 GB (download: 19.5 GB)
# 9 files.
pdb_mmcif/ # ~ 206 GB (download: 46 GB)
mmcif_files/
# About 180,000 .cif files.
obsolete.dat
pdb_seqres/ # ~ 0.2 GB (download: 0.2 GB)
pdb_seqres.txt
small_bfd/ # ~ 17 GB (download: 9.6 GB)
bfd-first_non_consensus_sequences.fasta
uniclust30/ # ~ 86 GB (download: 24.9 GB)
uniclust30_2018_08/
# 13 files.
uniprot/ # ~ 98.3 GB (download: 49 GB)
uniprot.fasta
uniref90/ # ~ 58 GB (download: 29.7 GB)
uniref90.fasta
常规下载
AlphaFold很贴心的提供了数据集的下载脚本，正常情况下进入AlphaFold的根目录下直接执行如下代码（二选一）即可：
# 完整数据集
scripts/download_all_data.sh <DOWNLOAD_DIR>
# 精简数据集
scripts/download_all_data.sh <DOWNLOAD_DIR> reduced_dbs
其中，<DOWNLOAD_DIR>请替换成数据集的保存目录。
众所周知，这个脚本没有什么用，如果能通过该脚本快速的下载完所有数据那就皆大欢喜；但由于下载速度一般会非常缓慢，所以需要单独手动下载，才能更有效率的下载完所有的数据。
手动下载
我们可以通过手动执行scripts目录下的各脚本（除download_all_data.sh）从而手动下载各数据集。方法就是将“常规下载”内的对应文件名替换成你希望运行的脚本名即可。
超常规手动下载
分析脚本内容我们可以知道，作者主要是通过aria2c进行下载的。我们随便打开一个脚本可以发现类似的内容：
DOWNLOAD_DIR="$1"
ROOT_DIR="${DOWNLOAD_DIR}/bfd"
# Mirror of:
# https://bfd.mmseqs.com/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt.tar.gz.
SOURCE_URL="https://storage.googleapis.com/alphafold-databases/casp14_versions/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt.tar.gz"
BASENAME=$(basename "${SOURCE_URL}")
mkdir --parents "${ROOT_DIR}"
aria2c "${SOURCE_URL}" --dir="${ROOT_DIR}"
tar --extract --verbose --file="${ROOT_DIR}/${BASENAME}" \
--directory="${ROOT_DIR}"
rm "${ROOT_DIR}/${BASENAME}"
其中的ROOT_DIR给出了该数据集压缩包的下载目录，例如本例中"${DOWNLOAD_DIR}/bfd"为你给出的数据集的下载目录/bfd下；SOURCE_URL给出了数据集的下载地址，有了下载地址我们就可以通过各种方法搞到这个数据集了（例如各种网盘的离线下载之类的功能）。
当文件下载成功后，我们将压缩包挪动至对应的ROOT_DIR（如果不存在可以手动创建或者先运行一下各数据集的下载脚本）后再注释掉aria2c "${SOURCE_URL}" --dir="${ROOT_DIR}"这一行代码，如下所示：
DOWNLOAD_DIR="$1"
ROOT_DIR="${DOWNLOAD_DIR}/bfd"
# Mirror of:
# https://bfd.mmseqs.com/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt.tar.gz.
SOURCE_URL="https://storage.googleapis.com/alphafold-databases/casp14_versions/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt.tar.gz"
BASENAME=$(basename "${SOURCE_URL}")
mkdir --parents "${ROOT_DIR}"
# aria2c "${SOURCE_URL}" --dir="${ROOT_DIR}"
tar --extract --verbose --file="${ROOT_DIR}/${BASENAME}" \
--directory="${ROOT_DIR}"
rm "${ROOT_DIR}/${BASENAME}"
如此就能跳过从国外服务器下载文件的步骤了。
额外处理
如下两个数据集需要额外处理，
-
download_uniprot.sh
DOWNLOAD_DIR="$1" ROOT_DIR="${DOWNLOAD_DIR}/uniprot" TREMBL_SOURCE_URL="ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_trembl.fasta.gz" TREMBL_BASENAME=$(basename "${TREMBL_SOURCE_URL}") TREMBL_UNZIPPED_BASENAME="${TREMBL_BASENAME%.gz}" SPROT_SOURCE_URL="ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz" SPROT_BASENAME=$(basename "${SPROT_SOURCE_URL}") SPROT_UNZIPPED_BASENAME="${SPROT_BASENAME%.gz}" mkdir --parents "${ROOT_DIR}" aria2c "${TREMBL_SOURCE_URL}" --dir="${ROOT_DIR}" aria2c "${SPROT_SOURCE_URL}" --dir="${ROOT_DIR}" pushd "${ROOT_DIR}" gunzip "${ROOT_DIR}/${TREMBL_BASENAME}" gunzip "${ROOT_DIR}/${SPROT_BASENAME}" # Concatenate TrEMBL and SwissProt, rename to uniprot and clean up. cat "${ROOT_DIR}/${SPROT_UNZIPPED_BASENAME}" >> "${ROOT_DIR}/${TREMBL_UNZIPPED_BASENAME}" mv "${ROOT_DIR}/${TREMBL_UNZIPPED_BASENAME}" "${ROOT_DIR}/uniprot.fasta" rm "${ROOT_DIR}/${SPROT_UNZIPPED_BASENAME}" popd如上所示，uniprot的路径为"${DOWNLOAD_DIR}/uniprot"，然而它分别由两个文件组成，地址分别为TREMBL_SOURCE_URL与SPROT_SOURCE_URL。我们需要分别下载这两个文件后再执行屏蔽下载操作后的脚本。该脚本大意就是说uniprot.fasta这个文件分别由uniprot_sprot.fasta.gz与uniprot_trembl.fasta.gz合并而成。
-
download_pdb_mmcif.sh
这个数据集是个非常麻烦的数据集，作者并未直接给出具体的文件地址，而是使用了同步（rsync）的方式进行下载。并且下载下来并不是压缩包，而是非常多的文件夹，里边又是一系列压缩包。各压缩包解压时并不会因为下载不完全报错，因此很容易因为下载不完全导致后续代码运行报错。脚本如下所示：DOWNLOAD_DIR="$1" ROOT_DIR="${DOWNLOAD_DIR}/pdb_mmcif" RAW_DIR="${ROOT_DIR}/raw" MMCIF_DIR="${ROOT_DIR}/mmcif_files" echo "Running rsync to fetch all mmCIF files (note that the rsync progress estimate might be inaccurate)..." mkdir --parents "${RAW_DIR}" rsync --recursive --links --perms --times --compress --info=progress2 --delete --port=33444 \ rsync.rcsb.org::ftp_data/structures/divided/mmCIF/ \ "${RAW_DIR}" echo "Unzipping all mmCIF files..." find "${RAW_DIR}/" -type f -iname "*.gz" -exec gunzip {} + echo "Flattening all mmCIF files..." mkdir --parents "${MMCIF_DIR}" find "${RAW_DIR}" -type d -empty -delete # Delete empty directories. for subdir in "${RAW_DIR}"/*; do mv "${subdir}/"*.cif "${MMCIF_DIR}" done # Delete empty download directory structure. find "${RAW_DIR}" -type d -empty -delete aria2c "ftp://ftp.wwpdb.org/pub/pdb/data/status/obsolete.dat" --dir="${ROOT_DIR}"最终只能根据https://www.rehiy.com/post/134的方法进行多线程同步，代码如下：
#!/bin/sh src='rsync.rcsb.org::ftp_data/structures/divided/mmCIF' #源路径,结尾不带斜线 dst='./pdb_mmcif/raw' #目标路径,结尾不带斜线 opt="--recursive --links --perms --times --compress --info=progress2 --delete --port=33444" #同步选项 num=10 #并发进程数 depth='5 4 3 2 1' #归递目录深度 task=/tmp/`echo $src$ | md5sum | head -c 16` [ -f $task-next ] && cp $task-next $task-skip [ -f $task-skip ] || touch $task-skip # 创建目标目录结构 rsync $opt --include "*/" --exclude "*" $src/ $dst # 从深到浅同步目录 for l in $depth ;do # 启动rsync进程 for i in `find $dst -maxdepth $l -mindepth $l -type d`; do i=`echo $i | sed "s#$dst/##"` if `grep -q "$i$" $task-skip`; then echo "skip $i" continue fi while true; do now_num=`ps axw | grep rsync | grep $dst | grep -v '\-\-daemon' | wc -l` if [ $now_num -lt $num ]; then echo "rsync $opt $src/$i/ $dst/$i" >>$task-log rsync $opt $src/$i/ $dst/$i & echo $i >>$task-next sleep 1 break else sleep 5 fi done done done请将以上代码保存至DOWNLOAD_DIR目录下再运行。使用时并发进程数num请勿设置的过大否则容易被服务器拉黑。
配置环境
当数据集下载完毕后，就可以准备配置环境了。直接在AlphaFold根目录下执行docker build -f docker/Dockerfile -t alphafold .创建docker环境即可。注意，此处也是有坑的，但是先按照默认设置进行配置，下一步运行时会说到这个。
随后通过pip3 install -r docker/requirements.txt安装依赖项。
运行Demo
当上述步骤全部完成后，就可以尝试运行代码了：
python3 docker/run_docker.py \
--fasta_paths=T1050.fasta \
--max_template_date=2020-05-14 \
--data_dir=$DOWNLOAD_DIR
其中测试数据T1050.fasta官方貌似没有提供，可以直接在AlphaFold根目录执行wget -o /dev/null -O T1050.fasta 'https://www.predictioncenter.org/casp14/target.cgi?target=T1050&view=sequence'下载；并且$DOWNLOAD_DIR需要替换成上述设置的数据集下载目录。
如果一切顺利，你就成功配置好了AlphaFold。如果碰到坑，请参考如下解决办法尝试处理：
坑坑坑坑
坑1. docker中的一些目录挂载出错。
如果提示docker.errors.APIError: 400 Client Error for http+docker://localhost/v1.41/containers/create: Bad Request ("invalid mount config for type "bind": bind source path does not exist: /tmp/alphafold")。出现这个问题应该是因为官方示例里并没有给出程序的输出目录，而默认的输出目录是有问题的。可以在运行时增加--output_dir=你自己的输出目录字段；或者直接修改docker/run_docker.py中的flags.DEFINE_string('output_dir', '你自己的输出目录', 'Path to a directory that will store the results.')，可以顺便把下边的flags.DEFINE_string('data_dir', '你自己的数据集下载目录','Path to directory with supporting data: AlphaFold parameters and genetic and template databases. Set to the target of download_all_databases.sh.')，这样以后运行代码时就不用再手动给出data_dir了。
坑2. 运行时提示ValueError: jaxlib is version 0.1.69, but this version of jax requires version 0.1.74.
这是一个让人非常无语的错误。当时因为这个折腾了很久怎么都修复不了。解决办法非常简单：将docker/Dockerfile中的&& pip3 install --upgrade jax jaxlib==0.1.69+cuda${CUDA/./} -f \修改成&& pip3 install --upgrade jax jaxlib>=0.1.69+cuda${CUDA/./} -f \，随后重新执行docker build -f docker/Dockerfile -t alphafold .即可。
如果还报错，请将docker/Dockerfile中的ARG CUDA=11.0修改为ARG CUDA=11.1，再重新执行docker build -f docker/Dockerfile -t alphafold .即可。
坑3 运行时报错，提示FileNotFoundError或者是某些方法找不到
出现这种错误首先看具体提示的是什么错误：
- 如果是数据集相关的文件找不到，或者query的时候失败。回去重新下载对应的数据集，务必对照目录结构确保数据集下载完整了，特别是两个需要额外处理的数据集。
- 如果是代码相关的文件，或者是import失败，又或者是一些莫名其妙的文件（路径不在数据集目录下），那么有非常大的可能你在创建docker的时候没下完整，请换个好点的网络，并且疯狂无脑反复执行
docker build -f docker/Dockerfile -t alphafold .，并确保输出日志中的每一项都确实下载、安装完毕了。