AlphaFold 报错解决全解按故障烈度带你排完 9 个常见坑【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold搜「AlphaFold 报错解决」「AlphaFold 错误排查」最常见的红字基本就是这九种。这篇文章不按章节分而是按故障烈度来排先讲直接跑不起来的再讲跑到一半崩掉的最后讲跑完没出结果的外加一套跑之前就能避坑的自查清单。每段都带报错原文、编号排查步骤和可直接照抄的命令。故障烈度典型症状看哪里直接跑不起来外部工具找不到、import 报错、输入被校验拦住第 1 节跑起来但卡住/崩数据库缺失、参数文件缺失、显存爆掉第 2、3 节后期崩 / 没结果relaxation 失败、输出不完整第 3 节提前避坑排查工具箱 运行前自查清单第 4 节一、先读报错三个最常见的开局拦路虎动手之前先把报错最后几行读一遍——属于依赖、数据还是资源多数情况一眼能判断。1.1 提示 jackhmmer not found十有八九是 PATH 的问题 ⚠️症状进程刚启动就退出报错里明确写出找不到哪个可执行文件。ValueError: Could not find path to the jackhmmer binary. Make sure it is installed on your system.引号里的工具名是关键。AlphaFold 在 MSA 阶段要调用 JackHMMER、HHblits、HHsearch、hmmsearch、hmmbuild、Kalign 这一组外部程序PATH 里找不到就会抛这种错。搜「AlphaFold jackhmmer not found」能看到大量同款问题根源大多一致。排查步骤检查工具是否安装一行全部验完which jackhmmer hhblits hhsearch hmmsearch hmmbuild kalign哪个没输出路径就先补装嫌麻烦的话直接用仓库里的 Docker 打包依赖已经配齐。确认都装了还报错多半是跑 AlphaFold 的那个进程 PATH 里没有它们。在启动命令里显式写全路径python run_alphafold.py \ --fasta_pathsinput.fasta \ --output_diroutput \ --data_dir/path/to/alphafold_data \ --jackhmmer_binary_path/path/to/jackhmmer \ --hhblits_binary_path/path/to/hhblits \ --hhsearch_binary_path/path/to/hhsearch \ --hmmsearch_binary_path/path/to/hmmsearch \ --hmmbuild_binary_path/path/to/hmmbuild \ --kalign_binary_path/path/to/kalign对比其余*_binary_path参数是否也需要一并指定——它们默认取自shutil.which拿到 None 就说明系统里根本没找到。1.2 import 一报错先怀疑依赖版本症状报错发生在导入阶段信息里带着模块名或属性名。ImportError: cannot import name something from module AttributeError: module module has no attribute something这类错几乎总是某个包版本和仓库预期对不上别自己猜版本按仓库锁定的来执行依赖清单严格按版本装pip install -r requirements.txt本仓库锁的是tensorflow-cpu2.16.1、jax0.4.26等版本见 requirements.txt混装新 TF 或 JAX 很容易炸。确认三件套齐了TensorFlow推理、JAX模型计算、OpenMMrelaxation 步骤背后的分子动力学引擎。如果跑 GPU核对 CUDA 与 cuDNN 版本和所装 TF/JAX 是否匹配并确认 JAX 真的看到了显卡import jax print(jax.devices())输出里有 GPU 就对了只有 cpu回头查 CUDA 配置。从零开始的话先拉代码再装git clone https://gitcode.com/GitHub_Trending/al/alphafold1.3 FASTA 输入本身有问题校验直接拦住症状报错信息提到 FASTA 路径或抱怨文件名不唯一。ValueError: All FASTA paths must have a unique basename.这条是 9 成人都栽过的经典AlphaFold 用 FASTA 的基名给每次预测的目录命名所以多个 FASTA 的基名不能重——input.fasta和input_2.fasta没问题dir1/input.fasta和dir2/input.fasta就会撞。检查所有传入 FASTA 的文件名保证基名互不相同。对照标准格式确认文件内容首行加 ID后面是序列行sequence_id SEQUENCEOFAMINOACIDSLINE注意单个 FASTA 里写多条序列会被当作一个multimer多链目标来预测而不是多个独立单体。想预测多个独立单链请分别写文件。二、最耗时的坑数据库与模型参数一半的红字和数据有关规则只有一条--data_dir指向的根目录里必须同时放得下各数据库目录 params 子目录。2.1 找不到 HHsearch database先查 data_dir再查完整性症状MSA 阶段报某个数据库不存在。ValueError: Could not find HHsearch database /path/to/pdb70搜「AlphaFold 数据库下载失败」的人多数是卡在下载中断、或者data_dir指错了层级。排查步骤执行仓库自带的下载脚本参数和全部数据库一次拉齐bash scripts/download_all_data.sh /path/to/alphafold_data只想快速验证流程的话加第二个参数切换小数据库集会联动换用小 BFDbash scripts/download_all_data.sh /path/to/alphafold_data reduced_dbs确认运行时的--data_dir指向的是数据库的根目录不是某个子目录。抽查一个库看文件是否齐。以 PDB70 为例目录下应包含下面 6 个文件三对 ffdata/ffindexpdb70_a3m.ffdata pdb70_a3m.ffindex pdb70_hhm.ffdata pdb70_hhm.ffindex pdb70_cs219.ffdata pdb70_cs219.ffindex下载断掉就重跑对应的 下载脚本让它续传。full_dbs 和 reduced_dbs 怎么选一张表看懂维度full_dbs默认reduced_dbsBFD完整 BFD小 BFD总体积数百 GB 量级小很多预测质量完整略有损失适用阶段正式出结果流程验证、快速测试2.2 缺 params_model_1.npz参数文件没下症状加载模型权重时报文件不存在路径指向 params 目录。FileNotFoundError: [Errno 2] No such file or directory: /path/to/params/params_model_1.npzAlphaFold 用的是 5 套模型参数文件名是固定的缺一个都会挂。执行专用脚本单独下载bash scripts/download_alphafold_params.sh /path/to/alphafold_data下载后核对 params 目录5 个文件一个不能少params_model_1.npz params_model_2.npz params_model_3.npz params_model_4.npz params_model_5.npz确认 params 子目录和--data_dir在同一个根目录下。2.3 报 must be set when running with预设和数据库没配对症状路径看起来都对却在参数校验阶段被拦措辞很有辨识度。ValueError: pdb70_database_path must be set when running with --model_presetmonomer这是 run_alphafold.py 自检时抛的错模型预设model_preset和数据库不匹配。规则正好相反——monomer 要 PDB70multimer 要 PDB SeqRes 加 UniProt维度monomermultimer必配数据库参数--pdb70_database_path--pdb_seqres_database_path、--uniprot_database_path显存需求低高适用对象单链蛋白多链复合物修法是让预设和数据库对上两套命令二选一# 单体 python run_alphafold.py --model_presetmonomer \ --pdb70_database_path/path/to/pdb70 ... # 多聚体 python run_alphafold.py --model_presetmultimer \ --pdb_seqres_database_path/path/to/pdb_seqres \ --uniprot_database_path/path/to/uniprot ...三、跑起来了又崩掉OOM 与后期两大坑3.1 GPU 显存爆了怎么救AlphaFold OOM 的降级顺序症状跑了一阵后崩溃报错是内存分配失败。搜「AlphaFold GPU 内存不足」或「AlphaFold OOM」基本都落在这两条信息上ResourceExhaustedError: OOM when allocating tensor with shape [...] jaxlib.xla_extension.XlaRuntimeError: RESOURCE_EXHAUSTED: Out of memory重点看报错里的 tensor shape——那是塞不进去的最后一次分配。救援按从轻到重的顺序来检查是否在用 multimer 而其实 monomer 就够多聚体是显存头号大户能换--model_presetmonomer就先换。执行--db_presetreduced_dbsMSA 输入变小压力跟着降。对比硬件规格正式跑建议至少 16GB VRAM 的卡V100、A100 级别。特别长的序列可以拆分预测但质量会有损失属于最后手段。想手动给 JAX 限个顶注意要在第一次计算之前设置import jax jax.config.update(jax_platform_name, gpu) jax.config.update(jax_gpu_memory_limit, 16 * 1024**3) # 16GB3.2 relaxation 失败别慌先搞清楚它只是揉平结构 先补一句背景relaxation 是把预测结构揉平的收尾环节用分子动力学弛豫修正立体化学冲突引擎是 OpenMM。它挂了不影响模型预测本身。搜「AlphaFold relaxation 失败」通常意味着流程已经跑到了最后一步。症状末端阶段报收敛失败。ValueError: Minimization failed after 100 attempts.确认你只是要结果就跳过 relaxation保留原始预测结构可能带少量立体化学冲突但好过没有python run_alphafold.py --models_to_relaxNONE ...坚持要揉的话调 run_alphafold.py 顶部的三个常数迭代上限 / 能量容差 / 约束刚度放宽标准RELAX_MAX_ITERATIONS 200 # 默认 0即不限制 RELAX_ENERGY_TOLERANCE 5.0 # 默认 2.39调大即放宽 RELAX_STIFFNESS 5.0 # 默认 10.0调小即放宽遇到 OpenMM 的 GPU 相关报错对比试一次 CPU 弛豫--use_gpu_relaxFalse。核对输入序列是否含少见氨基酸或 PTM 修饰这些会让弛豫明显更难收敛单链带修饰的话可以试试monomer_ptm预设。3.3 输出文件不完整跑完没结果的四个追问症状进程退出了输出目录里却没有排名靠前的 PDB 或评分文件。别猜按顺序问四个问题检查日志确认最后阶段是否真的执行完中途中断的话前面留下的只是半成品。确认磁盘剩余空间大蛋白输出单个文件就能到数百 MB盘写满会直接失败df -h /path/to/output对比写入权限确认运行账号对输出目录有完整读写权限。换个目录重跑把--output_dir指向新的空目录避免被上次坏掉的运行残留干扰。四、排查工具箱与跑前自查4.1 三个通用的排查动作把日志verbosity调高看数据流水线内部状态import logging logging.set_verbosity(logging.DEBUG)分步隔离完整跑不通时先单独跑 MSA 生成验证数据库与外部工具再单独跑特征提取检查输入处理然后只跑单模型推理最后单独跑 relaxation。问题定位到阶段原因基本就锁定八成。运行中同步盯资源定位瓶颈nvidia-smi # 显存占用与利用率 top # CPU 与内存 df -h # 磁盘4.2 报错排查全景图4.3 跑之前把这三件事过一遍维度关键点硬件GPU ≥16GB VRAM数据库预留数百 GB全套约 400GB库放 SSD 上读取速度明显更快软件用仓库与锁定依赖一致的版本把 JAX 正确配到 GPU批量任务用并行或作业调度系统分派运行策略首测用monomerreduced_dbs验证流程正式跑上完整数据库 多模型重复跑同一批序列时考虑复用预计算 MSA 省时写在最后九个坑按烈度排完先是 PATH再是版本然后是数据接着显存最后才是后期的 relaxation。把报错原文读仔细九成红字都能定位到它所属的阶段。更多技术细节可以看仓库里的 技术报告 和 afdb 文档。你踩过上面哪个坑评论区聊聊。【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AlphaFold 报错解决全解：按故障烈度带你排完 9 个常见坑
AlphaFold 报错解决全解按故障烈度带你排完 9 个常见坑【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold搜「AlphaFold 报错解决」「AlphaFold 错误排查」最常见的红字基本就是这九种。这篇文章不按章节分而是按故障烈度来排先讲直接跑不起来的再讲跑到一半崩掉的最后讲跑完没出结果的外加一套跑之前就能避坑的自查清单。每段都带报错原文、编号排查步骤和可直接照抄的命令。故障烈度典型症状看哪里直接跑不起来外部工具找不到、import 报错、输入被校验拦住第 1 节跑起来但卡住/崩数据库缺失、参数文件缺失、显存爆掉第 2、3 节后期崩 / 没结果relaxation 失败、输出不完整第 3 节提前避坑排查工具箱 运行前自查清单第 4 节一、先读报错三个最常见的开局拦路虎动手之前先把报错最后几行读一遍——属于依赖、数据还是资源多数情况一眼能判断。1.1 提示 jackhmmer not found十有八九是 PATH 的问题 ⚠️症状进程刚启动就退出报错里明确写出找不到哪个可执行文件。ValueError: Could not find path to the jackhmmer binary. Make sure it is installed on your system.引号里的工具名是关键。AlphaFold 在 MSA 阶段要调用 JackHMMER、HHblits、HHsearch、hmmsearch、hmmbuild、Kalign 这一组外部程序PATH 里找不到就会抛这种错。搜「AlphaFold jackhmmer not found」能看到大量同款问题根源大多一致。排查步骤检查工具是否安装一行全部验完which jackhmmer hhblits hhsearch hmmsearch hmmbuild kalign哪个没输出路径就先补装嫌麻烦的话直接用仓库里的 Docker 打包依赖已经配齐。确认都装了还报错多半是跑 AlphaFold 的那个进程 PATH 里没有它们。在启动命令里显式写全路径python run_alphafold.py \ --fasta_pathsinput.fasta \ --output_diroutput \ --data_dir/path/to/alphafold_data \ --jackhmmer_binary_path/path/to/jackhmmer \ --hhblits_binary_path/path/to/hhblits \ --hhsearch_binary_path/path/to/hhsearch \ --hmmsearch_binary_path/path/to/hmmsearch \ --hmmbuild_binary_path/path/to/hmmbuild \ --kalign_binary_path/path/to/kalign对比其余*_binary_path参数是否也需要一并指定——它们默认取自shutil.which拿到 None 就说明系统里根本没找到。1.2 import 一报错先怀疑依赖版本症状报错发生在导入阶段信息里带着模块名或属性名。ImportError: cannot import name something from module AttributeError: module module has no attribute something这类错几乎总是某个包版本和仓库预期对不上别自己猜版本按仓库锁定的来执行依赖清单严格按版本装pip install -r requirements.txt本仓库锁的是tensorflow-cpu2.16.1、jax0.4.26等版本见 requirements.txt混装新 TF 或 JAX 很容易炸。确认三件套齐了TensorFlow推理、JAX模型计算、OpenMMrelaxation 步骤背后的分子动力学引擎。如果跑 GPU核对 CUDA 与 cuDNN 版本和所装 TF/JAX 是否匹配并确认 JAX 真的看到了显卡import jax print(jax.devices())输出里有 GPU 就对了只有 cpu回头查 CUDA 配置。从零开始的话先拉代码再装git clone https://gitcode.com/GitHub_Trending/al/alphafold1.3 FASTA 输入本身有问题校验直接拦住症状报错信息提到 FASTA 路径或抱怨文件名不唯一。ValueError: All FASTA paths must have a unique basename.这条是 9 成人都栽过的经典AlphaFold 用 FASTA 的基名给每次预测的目录命名所以多个 FASTA 的基名不能重——input.fasta和input_2.fasta没问题dir1/input.fasta和dir2/input.fasta就会撞。检查所有传入 FASTA 的文件名保证基名互不相同。对照标准格式确认文件内容首行加 ID后面是序列行sequence_id SEQUENCEOFAMINOACIDSLINE注意单个 FASTA 里写多条序列会被当作一个multimer多链目标来预测而不是多个独立单体。想预测多个独立单链请分别写文件。二、最耗时的坑数据库与模型参数一半的红字和数据有关规则只有一条--data_dir指向的根目录里必须同时放得下各数据库目录 params 子目录。2.1 找不到 HHsearch database先查 data_dir再查完整性症状MSA 阶段报某个数据库不存在。ValueError: Could not find HHsearch database /path/to/pdb70搜「AlphaFold 数据库下载失败」的人多数是卡在下载中断、或者data_dir指错了层级。排查步骤执行仓库自带的下载脚本参数和全部数据库一次拉齐bash scripts/download_all_data.sh /path/to/alphafold_data只想快速验证流程的话加第二个参数切换小数据库集会联动换用小 BFDbash scripts/download_all_data.sh /path/to/alphafold_data reduced_dbs确认运行时的--data_dir指向的是数据库的根目录不是某个子目录。抽查一个库看文件是否齐。以 PDB70 为例目录下应包含下面 6 个文件三对 ffdata/ffindexpdb70_a3m.ffdata pdb70_a3m.ffindex pdb70_hhm.ffdata pdb70_hhm.ffindex pdb70_cs219.ffdata pdb70_cs219.ffindex下载断掉就重跑对应的 下载脚本让它续传。full_dbs 和 reduced_dbs 怎么选一张表看懂维度full_dbs默认reduced_dbsBFD完整 BFD小 BFD总体积数百 GB 量级小很多预测质量完整略有损失适用阶段正式出结果流程验证、快速测试2.2 缺 params_model_1.npz参数文件没下症状加载模型权重时报文件不存在路径指向 params 目录。FileNotFoundError: [Errno 2] No such file or directory: /path/to/params/params_model_1.npzAlphaFold 用的是 5 套模型参数文件名是固定的缺一个都会挂。执行专用脚本单独下载bash scripts/download_alphafold_params.sh /path/to/alphafold_data下载后核对 params 目录5 个文件一个不能少params_model_1.npz params_model_2.npz params_model_3.npz params_model_4.npz params_model_5.npz确认 params 子目录和--data_dir在同一个根目录下。2.3 报 must be set when running with预设和数据库没配对症状路径看起来都对却在参数校验阶段被拦措辞很有辨识度。ValueError: pdb70_database_path must be set when running with --model_presetmonomer这是 run_alphafold.py 自检时抛的错模型预设model_preset和数据库不匹配。规则正好相反——monomer 要 PDB70multimer 要 PDB SeqRes 加 UniProt维度monomermultimer必配数据库参数--pdb70_database_path--pdb_seqres_database_path、--uniprot_database_path显存需求低高适用对象单链蛋白多链复合物修法是让预设和数据库对上两套命令二选一# 单体 python run_alphafold.py --model_presetmonomer \ --pdb70_database_path/path/to/pdb70 ... # 多聚体 python run_alphafold.py --model_presetmultimer \ --pdb_seqres_database_path/path/to/pdb_seqres \ --uniprot_database_path/path/to/uniprot ...三、跑起来了又崩掉OOM 与后期两大坑3.1 GPU 显存爆了怎么救AlphaFold OOM 的降级顺序症状跑了一阵后崩溃报错是内存分配失败。搜「AlphaFold GPU 内存不足」或「AlphaFold OOM」基本都落在这两条信息上ResourceExhaustedError: OOM when allocating tensor with shape [...] jaxlib.xla_extension.XlaRuntimeError: RESOURCE_EXHAUSTED: Out of memory重点看报错里的 tensor shape——那是塞不进去的最后一次分配。救援按从轻到重的顺序来检查是否在用 multimer 而其实 monomer 就够多聚体是显存头号大户能换--model_presetmonomer就先换。执行--db_presetreduced_dbsMSA 输入变小压力跟着降。对比硬件规格正式跑建议至少 16GB VRAM 的卡V100、A100 级别。特别长的序列可以拆分预测但质量会有损失属于最后手段。想手动给 JAX 限个顶注意要在第一次计算之前设置import jax jax.config.update(jax_platform_name, gpu) jax.config.update(jax_gpu_memory_limit, 16 * 1024**3) # 16GB3.2 relaxation 失败别慌先搞清楚它只是揉平结构 先补一句背景relaxation 是把预测结构揉平的收尾环节用分子动力学弛豫修正立体化学冲突引擎是 OpenMM。它挂了不影响模型预测本身。搜「AlphaFold relaxation 失败」通常意味着流程已经跑到了最后一步。症状末端阶段报收敛失败。ValueError: Minimization failed after 100 attempts.确认你只是要结果就跳过 relaxation保留原始预测结构可能带少量立体化学冲突但好过没有python run_alphafold.py --models_to_relaxNONE ...坚持要揉的话调 run_alphafold.py 顶部的三个常数迭代上限 / 能量容差 / 约束刚度放宽标准RELAX_MAX_ITERATIONS 200 # 默认 0即不限制 RELAX_ENERGY_TOLERANCE 5.0 # 默认 2.39调大即放宽 RELAX_STIFFNESS 5.0 # 默认 10.0调小即放宽遇到 OpenMM 的 GPU 相关报错对比试一次 CPU 弛豫--use_gpu_relaxFalse。核对输入序列是否含少见氨基酸或 PTM 修饰这些会让弛豫明显更难收敛单链带修饰的话可以试试monomer_ptm预设。3.3 输出文件不完整跑完没结果的四个追问症状进程退出了输出目录里却没有排名靠前的 PDB 或评分文件。别猜按顺序问四个问题检查日志确认最后阶段是否真的执行完中途中断的话前面留下的只是半成品。确认磁盘剩余空间大蛋白输出单个文件就能到数百 MB盘写满会直接失败df -h /path/to/output对比写入权限确认运行账号对输出目录有完整读写权限。换个目录重跑把--output_dir指向新的空目录避免被上次坏掉的运行残留干扰。四、排查工具箱与跑前自查4.1 三个通用的排查动作把日志verbosity调高看数据流水线内部状态import logging logging.set_verbosity(logging.DEBUG)分步隔离完整跑不通时先单独跑 MSA 生成验证数据库与外部工具再单独跑特征提取检查输入处理然后只跑单模型推理最后单独跑 relaxation。问题定位到阶段原因基本就锁定八成。运行中同步盯资源定位瓶颈nvidia-smi # 显存占用与利用率 top # CPU 与内存 df -h # 磁盘4.2 报错排查全景图4.3 跑之前把这三件事过一遍维度关键点硬件GPU ≥16GB VRAM数据库预留数百 GB全套约 400GB库放 SSD 上读取速度明显更快软件用仓库与锁定依赖一致的版本把 JAX 正确配到 GPU批量任务用并行或作业调度系统分派运行策略首测用monomerreduced_dbs验证流程正式跑上完整数据库 多模型重复跑同一批序列时考虑复用预计算 MSA 省时写在最后九个坑按烈度排完先是 PATH再是版本然后是数据接着显存最后才是后期的 relaxation。把报错原文读仔细九成红字都能定位到它所属的阶段。更多技术细节可以看仓库里的 技术报告 和 afdb 文档。你踩过上面哪个坑评论区聊聊。【免费下载链接】alphafoldOpen source code for AlphaFold 2.项目地址: https://gitcode.com/GitHub_Trending/al/alphafold创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考