4. 安装Miniconda与Python环境：手把手搭建独立conda环境

好，到了动手搭建环境的时候了。AlphaFold 的依赖管理是个大活儿，Python 版本、CUDA 驱动、各种底层库，稍有冲突就跑不起来。我个人习惯用 Miniconda 来隔离一切。为什么不用 Anaconda？它太臃肿了，装一堆我们用不到的包。Miniconda 轻量，只带 conda 和 Python，剩下的你自己加。

你想想看，要是直接在系统 Python 里装 AlphaFold 的依赖，版本冲突会让你崩溃的。conda 的环境隔离说白了就是「给每个项目一个独立的小房间」——这里面用的 Python 版本、numpy、tensorflow 都是自己的，互不干扰。

4.1 为什么选择 Miniconda

不是所有包管理器都能处理 AlphaFold 这种混合了 Python + C++ + CUDA 的复杂项目。conda 能。

• 跨语言依赖管理：pip 只管 Python 包，conda 还能管 C 库、CUDA 工具包、系统库。AlphaFold 需要 HMMER、HH-suite 等 C 程序，conda 可以直接装。
• 环境隔离彻底：每个环境有自己的 lib/ 和 bin/，不会和系统冲突。
• 比 virtualenv 稳定：我在项目中遇到过 virtualenv 在 CUDA 环境切换时炸掉的情况，conda 没出过这种问题。

4.2 安装 Miniconda（Linux 环境）

我们的 AlphaFold 部署目标是 Linux 服务器（一般是 Ubuntu 20.04 或 22.04）。如果你本机是 macOS 或 Windows，安装步骤类似，但 .sh 脚本换成对应平台的。

以下是标准流程：

# 1. 下载最新 Miniconda 安装脚本（Linux x86_64）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 2. 运行安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 3. 按照提示操作：
#    - 按 Enter 阅读许可协议
#    - 输入 yes 接受协议
#    - 确认安装路径（默认 ~/miniconda3）
#    - 最后问是否初始化 conda，输入 yes

安装完成后，关闭当前终端再重新打开，或者执行 source ~/.bashrc 让 conda 命令生效。跑一下 conda --version 检查：

conda --version
# 输出类似：conda 24.9.2

4.3 创建独立的 AlphaFold 环境

conda 装好了，下一步是创建专属环境。AlphaFold 官方推荐用 Python 3.10 或 3.11。我实测下来，Python 3.10 在包兼容性上最稳妥。

# 创建环境，命名为 alphafold，指定 Python 3.10
conda create -n alphafold python=3.10

# 激活环境
conda activate alphafold

激活后，你的终端提示符会变成 (alphafold) user@server:~$。这样你就进入了一个干净的环境，里面只有 Python 3.10 和最基本的 pip/setuptools。

检查一下 Python 版本：

python --version
# 输出：Python 3.10.x

4.4 配置国内镜像源（加速下载）

默认的 conda 源在国外，下载很慢。我个人习惯配置清华源或阿里源。如果你们公司有内部镜像，直接换公司源更快。

# 添加 conda 清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

同样，pip 也要配国内源：

# 配置 pip 镜像源（临时使用）
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple somepackage

# 永久配置
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

4.5 推荐 Python 版本与依赖管理策略

说到这里，我想强调一个我在项目中遇到过的大坑：不要追求最新的 Python 版本。AlphaFold 依赖的 JAX、TensorFlow 对新版 Python 的支持常常滞后。Python 3.12 在 2024 年发布时，很多关键库还不兼容。

4.6 用 environment.yaml 精确锁定依赖

手动一个包一个包安装太容易出错了。我推荐用 environment.yaml 文件来管理整个环境的依赖。这个文件像一个「配方」，包含了环境名、Python 版本、所有包的名称和版本号。

下面是一个为 AlphaFold 准备的示例 environment.yaml：

name: alphafold
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.10
  - pip
  - cudatoolkit=11.8
  - cudnn=8.6
  - openmm=8.0
  - pdbfixer
  - pip:
    - jax==0.4.34
    - jaxlib==0.4.34
    - tensorflow==2.13.0
    - biopython==1.83
    - dm-haiku==0.0.11
    - ml-collections==0.1.0
    - absl-py==1.4.0

用这个文件创建环境，一键搞定：

conda env create -f environment.yaml

为什么会推荐这种方式？三个理由：

• 可复现：分享给同事或在另一台服务器部署，跑同一份 yaml 就是一模一样的环境。
• 版本锁定：每个包的版本都写死了，不会因为某人改了一个包导致整个管线崩掉。
• 方便更新：只需要改一行版本号，重新运行 conda env update 就行。

我曾经因为环境问题浪费过一整天——明明代码一样，结果在同事机器上跑不通。后来发现是 pip 自动升级了某个依赖。从那以后，每个项目我都有 environment.yaml 锁死版本。

4.7 环境管理与日常操作

以下是几个你一定会用到的 conda 命令：

# 查看所有环境
conda env list

# 激活环境
conda activate alphafold

# 退出当前环境
conda deactivate

# 安装包（在激活的环境里）
conda install numpy=1.24.3

# 使用 pip 安装 conda 里没有的包
pip install dm-haiku

# 导出当前环境的精确依赖（包含版本号）
conda env export > environment_exact.yaml

# 删除整个环境
conda env remove -n alphafold

4.8 完整的安装流程图

下面这张流程图画了整个「Miniconda → 环境创建 → 依赖安装」的路径。看一眼就清楚全局。

4.9 验证环境是否完整

环境搭完了，跑一个简单测试验证所有包都能正常导入：

# 写一个测试脚本
cat > test_env.py << 'EOF'
import sys
print(f"Python 版本: {sys.version}")

# 测试核心依赖
import jax
print(f"JAX 版本: {jax.__version__}")
print(f"JAX 设备: {jax.devices()}")

import tensorflow as tf
print(f"TensorFlow 版本: {tf.__version__}")

import openmm
print(f"OpenMM 版本: {openmm.version.short_version}")

import numpy as np
print(f"NumPy 版本: {np.__version__}")

print("\n所有依赖加载成功！")
EOF

# 运行测试
python test_env.py

如果看到每一行都打印出版本号，没有 ImportError，那么恭喜你——环境搭建完毕。

嗯，以上就是我搭建 AlphaFold 环境的全套流程。每个步骤都是亲手踩过坑后沉淀下来的。照着走，你不会遇到太大的问题。