将AlphaFold从“预测少数几个复合物”提升至“高通量筛查数千种蛋白质”的全配体互作场景时，计算开销往往是最大的瓶颈。斯德哥尔摩大学与林雪平大学的研究团队近日在Bioinformatics上发布的AF_Cache工具，正是为破解这一难题而设计。它并未提出全新的预测模型，而是精准聚焦于一个核心目标：消除重复计算。该流程的基本原理可归结为一个简单的算术事实——在全互配筛查中，绝大多数多序列比对（MSA）与模型编译都是冗余操作。AF_Cache通过“去冗余”、“GPU加速比对”与“分桶编译”三项策略，将原本需要数周的计算任务压缩至几天甚至数小时。

文献信息

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础，AlphaFold2（AF2）与AlphaFold3（AF3）已能够从结构层面以接近实验的精度预测这些互作。然而，当目标从“几个复合物”转向“对成百上千种蛋白质进行全互配筛查”时，官方默认流程的计算开销会迅速膨胀至难以承受的程度。

作者将AlphaFold的耗时分解为两大来源，这一框架在AF2与AF3中均成立：

（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，这一过程本身较慢。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，完全不复用之前计算过的结果。在全互配场景下，同一个单体的比对会被反复计算无数次，这正是最根本的资源浪费。

（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重新编译计算图。对于长蛋白质，这一开销可以忽略；但对于一批短蛋白质，编译反而成为单次预测中最耗时的环节。AF2提供了将序列补齐至等长以复用编译的选项，但该选项仅对单体有效，且不支持按多个尺寸分桶，对短序列的效率较差。

事实上，更快的MSA方法早已存在：ColabFold使用MMseqs2替代CPU比对；Perry等人的AlphaFast进一步采用GPU版MMseqs2，并以批处理方式加速AF3的MSA生成。AF_Cache与这些工作一脉相承，但其定位更为全面——将“去冗余”、“GPU加速”与“减少编译”三项任务协同解决，并且同时支持AF2与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策略组成。理解各自解决的问题，是评估该流程价值的关键。

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，采用GPU加速版的MMseqs2。搜索与profile均在GPU上执行，单卡已比纯CPU更快，使用多卡时加速比还可进一步提升（本文基准在单卡上进行）。

在比对协议上，AF_Cache沿用ColabFold的流程，并引入一项巧妙的工程改进：在对UniRef与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，从而减少GPU等待UniRef比对完成时的空闲时间。这是对ColabFold的一项增量优化。

2.2 输入特征缓存：将组合爆炸压缩回线性

这才是全文最具价值的设计。其依据是一个简单的组合数学事实：

设有 N 个蛋白质进行全互配（含同源二聚体），需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，互不相同的单体实际上只有 N 个。原因在于默认流程将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）：将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。这是有经验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将总长度（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至相同长度。这样，JAX模型在每个桶内只对第一个复合物编译一次，后续所有复合物直接复用已编译图。每省去一次编译，可节省约1–2分钟的GPU时间。

值得一提的是，AF3自身已内置类似机制（对单体与多聚体均自动按桶补齐），因此作者仅为AF2实现该功能，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。工程完成度是其重要卖点：

• 输入仅需一个装有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可全自动生成。
• 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个蛋白进行全互配预测，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。为识别“有结构支持”的蛋白对，作者使用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，其所有可能配对均被标记为“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。

作者也坦陈了一项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。为部分弥补这一点，他们将对比统一折算到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或低估的关键背景。

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，发现这些数字实际上由两个正交因子相乘而成：

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×”，则是将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的成本及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

推理阶段的对比仅在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没有差异。（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+等长补齐将预测与编译的总时间从253 GPU·小时降至125 GPU·小时，降幅超过50%。按每对计，耗时从180.5秒降至89.2秒，恰好为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：

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，作者利用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。无论使用哪套流程，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将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。其加速效果可以被清晰分解，对结构上可信的蛋白对，预测结果与官方流程高度一致。它并非一个新模型，但对于那些希望将AlphaFold真正应用于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。