AF_Cache：高通量蛋白质相互作用预测的AlphaFold高效化流程

将AlphaFold从“预测几个复合物”推向“筛查数千个蛋白”的全互配场景，计算开销往往成为最大的拦路虎。斯德哥尔摩大学和林雪平大学的研究者们最近在Bioinformatics上发布的AF_Cache，正是为了解决这一痛点而生。它没有发明新的预测模型，而是精准地做了一件事：消除冗余计算。这套流程的核心逻辑可以概括为一个简单的算术事实——在筛查中，绝大多数MSA和模型编译都是重复劳动。AF_Cache通过“去冗余”、“GPU加速比对”和“分桶编译”三招，让原本需要数周的计算缩短到几天甚至几小时。

---

文献信息

项目	内容
标题	AF_Cache: Efficient Pipeline for Running AlphaFold for High-Throughput Protein-Protein Interaction Prediction
作者	Sarah Narrowe，Arne Elofsson（斯德哥尔摩大学 生物化学与生物物理系 / SciLifeLab）；Claudio Mirabello（林雪平大学 / NBIS，通讯作者）
来源	Bioinformatics（2026，Application Note）；预印本 arXiv:2606.04566v1 [q-bio.BM]
代码	https://github.com/clami66/AF_cache
数据/复现	https://zenodo.org/records/20478892
类型	工具/流程类（Application Note），非新模型，非新算法

---

一、问题背景

蛋白质-蛋白质相互作用（PPI）是几乎所有细胞过程的基石，AlphaFold2（AF2）和AlphaFold3（AF3）让从结构层面预测这些相互作用的精度达到了接近实验的水平。但当目标从“几个复合物”变成“对成百上千个蛋白做全互配”时，官方默认流程的计算开销会迅速膨胀到难以承受。

作者将AlphaFold的耗时拆解为两大来源，这在AF2和AF3上都成立：

（1）多序列比对（MSA）生成。官方流程依赖CPU上的JackHMMer与HHblits进行同源序列搜索，这个过程本身就慢。更关键的是，每次预测前都会为当前复合物的每条链重新生成MSA，完全不复用之前算过的结果。在全互配场景下，同一个单体的比对会被反复计算无数次，这就是最根本的浪费。

（2）JAX模型编译（仅AF2）。AF2的神经网络基于JAX，当输入序列长度变化时需要重新编译计算图。对长蛋白来说，这点开销可以忽略；但对一批短蛋白而言，编译反而成了单次预测中最耗时的环节。AF2提供了一个将序列补齐到等长以复用编译的选项，但它仅对单体有效，而且不支持按多个尺寸分桶，对短序列的效率很差。

事实上，更快的MSA方法早已存在：ColabFold用MMseqs2替代了CPU比对；Perry等人的AlphaFast进一步用GPU版MMseqs2、并以批处理方式加速AF3的MSA生成。AF_Cache与这些工作同源，但它的定位更全面——把“去冗余”、“GPU加速”和“减少编译”三件事一并解决，并且同时覆盖AF2和AF3。

---

二、方法学详解

AF_Cache的核心由三项相互独立且可叠加的优化构成。理解它们各自解决什么问题，是判断这套流程价值的关键。

2.1 GPU加速的MSA生成（MMseqs2-GPU + CPU/GPU并行）

整个数据集的MSA在工作流开始时一次性生成，使用GPU加速版的MMseqs2。搜索与profile都跑在GPU上，单卡已经比纯CPU快，使用多卡时加速比还能进一步提升（本文基准是在单卡上进行的）。

在比对协议上，AF_Cache沿用ColabFold的流程，并加入了一处聪明的工程改进：在对UniRef和环境数据库分别比对时，让CPU步骤与GPU步骤跨两个数据库并行执行，减少了GPU等待UniRef比对完成时的空转时间。这是相对ColabFold的一个增量优化。

2.2 输入特征缓存：把组合爆炸压回线性

这才是全文最有价值的一刀。其依据是一个非常简单的组合数学事实：

设有 N 个蛋白做全互配（含同源二聚体），需要预测的二聚体数量为 N(N+1)/2 对。每对包含2条链，按默认逻辑，链级比对总数为：

默认链级 MSA 次数 = N × (N + 1)

但这些链中，互不相同的单体其实只有 N 个。为什么？因为默认流程把每个单体的比对重复计算了约 (N+1) 次。AF_Cache的做法是：对一组去重后的单体，所有比对与模板特征只生成一次并缓存，需要时直接复用。 缓存以pickle文件形式存于AF2版本，以JSON输入文件形式存于AF3版本。

为了量化收益，作者定义了三条对照基线：

• vanilla（原版）：官方默认行为，每对、每条链都重新生成MSA。
• opti（手工优化）：把100个单体的MSA只生成一次，再用符号链接（AF2）或写入输入JSON（AF3）的方式复用。这是一个有经验的用户可以手动设置的合理基线。
• AF_Cache：在opti的去冗余之上，叠加GPU比对与（AF2的）分桶编译。

2.3 模型编译优化：尺寸分桶 + 张量补齐（仅AF2）

针对AF2的JAX重编译问题，AF_Cache把总长度（两条链长度之和）相近的复合物归入同一个“桶”，桶内将所有特征张量补齐到相同长度。这样，JAX模型在每个桶内只对第一个复合物编译一次，后续所有复合物都直接复用已编译图。每省去一次编译，可以节省大约1–2分钟的GPU时间。

值得一提的是，AF3自身已经内置了类似的机制（对单体与多聚体都自动按桶补齐），因此作者只为AF2实现了这个功能，AF3部分直接复用官方推理代码。

2.4 工程实现与可用性

AF_Cache以单条Nextflow流程交付。工程完成度是它的一个重要卖点：

• 输入只需要一个装有FASTA文件的目录；默认执行全互配，也可通过输入文件指定特定配对。对称对默认去重，可用 --both_directions 开关包含双向。
• 流程自动下载并安装依赖，包括序列数据库与AF2的网络权重。这意味着它也是在本地或HPC上部署AF2/AF3的一种省心方式。
• AF3官方需要用户手动编写JSON输入，AF_Cache将其全自动生成。
• 支持跨多节点的HPC并行，也支持在本地单机运行单个任务。模板生成可用 --skip_templates 关闭。

---

三、基准测试设计

对于这类“加速”类工作，清晰的基准设计是评估可信度的前提。

数据集。作者于2026年1月从人类蛋白质图谱（HPA）中，按 subcell_location:Mitochondria AND hpa_evidence:Evidence at protein level 筛选出821个线粒体蛋白，再随机抽取其中长度在40–1000残基之间的100个蛋白。对这100个蛋白做全互配预测，共5,050对：4,950个异源二聚体 + 100个同源二聚体。

结构证据标注。为了识别“有结构支持”的蛋白对，作者用MMseqs2以fident=0.7的阈值将每个蛋白比对到PDB。当两个或更多蛋白映射到同一PDB条目时，其所有可能配对都被标记为“共享PDB条目”。作者也明确指出，共享PDB条目并不等于这些蛋白一定直接相互作用。

预测设置。

• AF2：仅用 model_1_multimer_v3 做单次预测，最大循环数=3；模板生成关闭。
• AF3：单一随机种子，单个扩散样本。
• 默认流程的MSA在独立的CPU集群上生成，使用与官方一致的工具与数据库。

硬件。默认流程的MSA部分使用8/16/32个Intel Xeon Gold 6130 CPU核；GPU任务在单块NVIDIA A100（40 GB）上运行。

作者也坦陈了一个值得注意的可比性限制：受HPC集群限制，默认流程的CPU与GPU部分只能分开运行，这与“真正一体化运行”的官方流程可能存在时间差异。为了部分弥补这一点，他们把对比统一折算到128个CPU核（假设完美并行），但承认无法保证完全补偿。这是判断加速比是否被高估/低估的关键背景。

---

四、核心结果

4.1 预处理（MSA + 缓存）加速：把“13×”和“1343×”讲清楚

原文给出几个不同口径的加速比，初看容易混淆。作者从补充表S1的MSA列做了因子分解，发现这些数字其实由两个正交的因子相乘而成：

加速因子	AF2（默认 full BFD）	AF3（默认 small BFD）	物理含义
去冗余（opti / vanilla）	~101×	~101×	链级比对 10,100 → 100 次，由组合关系决定
GPU 比对（cache / opti）	~13×	~5×	MMseqs2-GPU 相对 CPU 版 JackHMMer/HHblits
合计（cache / vanilla）	~1343×	~542×	两因子相乘

这个分解澄清了几个容易混淆的点：

• 原文摘要中的“MSA最高提速13×”，指的是单位比对吞吐上GPU相对CPU的提升（公平折算到128核后）。
• “相对vanilla提速1343×/542×”，则是把GPU加速与去冗余叠加后的总效果。两个数字并不矛盾。
• 至于更醒目的“1702×/688×”，是按“原始GPU核时 vs CPU核时”硬比得到的。作者本人也指出这不现实——因为GPU与CPU的成本/可得性不可同日而语，所以才有折算到128核后的13×/5×。

4.2 推理加速：AF2约2×，AF3不变

推理阶段的对比只在AF2上有意义，因为AF_Cache3.0直接复用AF3官方推理代码，与默认AF3没有差别。（一个有趣的工程细节：AF3的3.0.1版本明显快于3.0.0，流程已自动采用3.0.1。）

对AF2，缓存+等长补齐把预测与编译的总时间从253 GPU·小时降到125 GPU·小时，降幅超过50%。按每对计，耗时从180.5秒降到89.2秒，恰为2.02×，每对节省约91秒。这91秒正对应被分桶机制省去的JAX编译开销。换句话说，AF2的“2×推理加速”本质上就是把逐对重复编译变成了逐桶编译一次。

4.3 完整运行时分解

补充表S1和S2给出了非常详细的分解。以下是从中派生出的整体加速比一览：

对比	AF2	AF3
端到端 vs vanilla（最坏基线）	~16.4×	~8.6×
端到端 vs opti（合理人工基线）	~3.0×	~1.06×

4.4 预测一致性（ipTM）：整体中等，结构支持对高度一致

速度之外，作者用ipTM评分对比新旧流程预测结果的一致性：

• 全体配对：相关性中等。AF2 r = 0.70、AF3 r = 0.64。
• 有共享PDB条目支持的配对：高度一致。r 升至0.98（AF2）/ 0.94（AF3）。
• AF2与AF3之间：整体相关0.42，但在共享PDB条目子集上升到0.92–0.94。

作者据此论证：对结构上真实可信的蛋白对，AF_Cache与官方流程给出几乎相同的判断；整体的中等相关反映的是AlphaFold自身对输入的敏感性，而非缓存引入的退化。

---

五、批判性评价

优点

• 定位精准，即插即用。不触碰预测内核，只消除冗余计算，因此风险低、可信度高。Nextflow封装、自动装依赖、AF3自动写JSON，工程完成度在同类工具中非常突出。
• 数字诚实。作者主动区分了“1702×的理想口径”与“13×的现实口径”，并坦陈HPC限制带来的可比性瑕疵。这种透明度在加速类论文里并不常见。
• 可分解、可复现。加速比能被干净地分解为“去冗余 × GPU比对”两个正交因子，且代码、MSA与预测模型全部公开。

需审慎看待之处

• 衡量的是“一致性”而非“正确性”。ipTM对比反映的是AF_Cache与默认AlphaFold输出是否彼此一致，而非它们对实验真值是否准确。全体配对仅中等相关，意味着两套流程在大量蛋白对上给出了不同的ipTM。无论用哪套流程，都应谨慎解读单个配对的ipTM绝对值。
• 中等相关存在一个未被拆开的混杂因素。该相关性同时包含两个来源：(a) AlphaFold本身的随机性/输入敏感性，以及 (b) AF_Cache与“默认”在MSA数据库与比对工具上的系统性差异。论文将此主要归因于(a)，但严格而言(b)也会有一定的贡献。
• 基准范围有限。仅一个数据集（人类线粒体蛋白），对其他蛋白质组、超大复合物、超长或高度无序的序列的泛化性未直接验证。
• 加速比依赖硬件与基线。13×/5×取决于A100 vs Xeon的算力比以及“折算到128核”的假设。换一套硬件，结论会改变。
• 对AF3相对opti的净增益很小（~6%）。如果已经在手动复用AF3的MSA，AF_Cache3.0的额外加速有限，其主要价值体现在自动化而非推理提速。

---

小结

AF_Cache把一个朴素却被长期忽视的事实——全互配筛查中绝大多数MSA与模型编译都是重复劳动——转化为一套工程扎实、覆盖AF2/AF3、通用性强的加速流程。它的加速可以被清晰分解，对结构上可信的蛋白对，预测结果与官方流程高度一致。它不是一个新模型，但对那些想把AlphaFold真正用到蛋白质组规模的研究者来说，这是一个极具价值的基础设施。