第2章 环境搭建：安装AlphaFold所需依赖、CUDA、OpenMM、JAX等

环境搭建这一步，说实话，可能是整个AlphaFold落地过程里最容易翻车的环节，没有之一。我自己就吃过不少亏——有次因为cuDNN版本和JAX差了0.1，跑了一天的训练直接崩掉，日志上就一行Illegal instruction，排查到半夜才发现是CUDA <-> JAX的版本对不上。这一章我把坑都标出来，你跟着走，能少折腾好几个晚上。

2.1 硬件与系统要求

别急着敲命令，先看看自己手里的家伙行不行。AlphaFold对GPU显存的要求很硬——单卡推理最少要16 GB显存，如果是做批量预测或参数调优，建议上24 GB以上。CPU要求不算高，但内存至少32 GB，推荐64 GB。磁盘么，一个AlphaFold全套数据（PDB库、UniRef、BFD、MGnify等）大概要2.5 TB，SSD能大大减少预处理时间。

系统方面，我建议用Ubuntu 20.04 LTS或22.04 LTS。CentOS 7也能跑，但驱动和库的兼容性会让你多掉不少头发。

组件	最低要求	推荐配置
GPU	NVIDIA GPU, 16 GB显存, 算力≥7.0	NVIDIA A100 / RTX 4090, 40 GB显存
CPU	8核	16核及以上
内存	32 GB	64 GB
系统	Ubuntu 18.04+ / CentOS 7+	Ubuntu 22.04 LTS
CUDA版本	CUDA 11.0+	CUDA 11.8 / 12.1

2.2 CUDA与cuDNN安装

CUDA版本的选择是整条依赖链的锚点。AlphaFold官方推荐CUDA 11.0，但我实测下来CUDA 11.8 + cuDNN 8.6最稳，JAX和OpenMM都支持得很好。CUDA 12.1也行，但要注意JAX的CUDA 12 wheel当时还是RC版，我踩过坑。

安装步骤很简单，官方runfile或deb包都行，我习惯用deb包，方便后续管理。

# 安装CUDA 11.8 (deb方式)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-11-8

# 设置环境变量（写入~/.bashrc）
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

cuDNN我建议用tar包手动安装，避免apt仓库里的版本混乱。

# 下载cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

2.3 OpenMM安装

OpenMM是AlphaFold做结构优化的核心引擎。我建议通过conda安装，省去手动编译的麻烦。但要注意，conda默认的OpenMM是CPU版，你需要指定CUDA支持的版本。

# 创建独立环境（强烈推荐）
conda create -n alphafold python=3.9
conda activate alphafold

# 安装OpenMM与CUDA支持
conda install -c conda-forge openmm cudatoolkit=11.8

验证安装：运行一个简单的测试脚本，看看是否能正确调用GPU。

python -c "import openmm; print(openmm.Platform.getPlatformByName('CUDA').getName())"

如果输出CUDA，恭喜你，OpenMM已经能和GPU对话了。如果报错No module named 'openmm'，检查一下环境是否激活。如果报Platform not found，大概率是cuDNN没装对或者链接失效。

2.4 JAX安装

JAX是AlphaFold深度学习推理的核心框架。它的安装是最大的变数——JAX的wheel必须和CUDA版本精确对应，差一个次版本号都可能出问题。

官方推荐用pip安装预编译wheel，不要手动编译！我吃过手动编译的亏，折腾两天没编出来，最后还是换回官方wheel。

# CUDA 11.8 + cuDNN 8.6
pip install jax==0.4.16 jaxlib==0.4.16+cuda11.cudnn86 -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html

# CUDA 12.1 + cuDNN 8.9
pip install jax==0.4.16 jaxlib==0.4.16+cuda12.cudnn89 -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html

安装完后，务必验证GPU是否正常工作：

python -c "import jax; print(jax.devices()); print(jax.numpy.ones(3))"

如果输出类似[cuda(id=0)]，说明JAX能调用GPU。如果显示[cpu(id=0)]，说明JAX没找到CUDA库。最常见的两个原因：要么JAX wheel版本和CUDA不匹配，要么LD_LIBRARY_PATH没包含cuDNN库。

2.5 AlphaFold源码安装与依赖

拿到AlphaFold源码后，需要安装它的Python依赖。我建议先用conda装好核心科学计算库，再用pip装剩下的。这样可以避免conda和pip在numpy、scipy上的版本冲突。

git clone https://github.com/deepmind/alphafold.git
cd alphafold

# 安装核心依赖（conda通道）
conda install -c conda-forge numpy scipy pandas absl-py matplotlib

# 安装剩余依赖（pip）
pip install -r requirements.txt

# 额外装一个hmmer（多序列比对需要）
conda install -c bioconda hmmer hhsuite kalign

注意，requirements.txt里可能锁定了某些包的版本，但实际跑的时候，JAX和OpenMM已经提前装好了，有版本冲突可以更新requirements.txt里的版本号。我个人习惯先把=版本号删掉，让pip自己解析兼容版本。

2.6 验证安装——跑一个迷你测试

不要一上来就跑长序列，先用一个小型蛋白（比如PDB ID: 1L2Y, 20个残基）验证整个流程。AlphaFold自带一个脚本run_alphafold.sh，但需要配置数据库路径。我建议先手动写一个Python调用来测试。

# test_alphafold.py
import jax
import openmm
from alphafold.model import model
from alphafold.data import pipeline

# 打印关键组件版本
print(f"JAX devices: {jax.devices()}")
print(f"OpenMM platform: {openmm.Platform.getDefaultPlatform().getName()}")

# 加载一个小模型参数
params = model.RunModel("monomer_ptm", use_jax=True)
print("Model loaded successfully!")

如果这个脚本无误，说明你的环境搭建成功了90%。剩下的10%是数据库路径和特征生成，到实际跑任务时再调就行。