欢迎关注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://spike.blog.csdn.net/article/details/163298981
免责声明：本文来源于个人知识与公开资料，仅用于学术交流，欢迎讨论，不支持转载。
Paper：ColabFold: making protein folding accessible to all.
- ColabFold 是由德国马克斯·普朗克研究所、韩国首尔大学和美国哈佛大学研究人员牵头，联合东京大学、密歇根州立大学研究者研发。
ColabFold 是基于 AlphaFold2 和 AlphaFold-Multimer 的蛋白质三维结构预测相关的数据集，核心创新是使用 MMseqs2 快速搜索大规模蛋白质序列数据库生成多序列比对(MSA)，显著缩短结构预测所需时间，保持接近原始 AlphaFold2 的预测精度。支持单体及同源、异源蛋白质复合物预测，被广泛应用于蛋白质结构分析、复合物建模和高通量蛋白质组研究。
1. MSA 与 Template
1.1 MSA 搜索库的处理
ColabFold 将 MSA 搜索库分为参考蛋白序列库(uniref30_2103)和 环境蛋白序列库(colabfold_envdb_202108)。
- 参考序列库以 UniRef100 为基础，先按约 30% 序列一致性聚类，形成 UniRef30。搜索时只扫描 UniRef30 的簇代表序列，命中后再展开对应的 UniRef100 簇成员，从而减少直接搜索全部序列的计算量。
- 环境序列库以 BFD 和 MGnify 为基础，加入 MetaEuk、SMAG、TOPAZ、MetaClust、MGV 和 GPD 等真核、病毒及噬菌体蛋白目录，构成 ColabFoldDB。
- 不同来源的环境序列按照约 30% 序列一致性和 90% 覆盖度进行归簇或重新聚类。
- 为降低冗余，每个簇仅保留若干条最具多样性的成员序列。论文版 ColabFoldDB 最终包含约
2.09亿个代表序列和7.39亿个成员序列。 - 数据库经过
MMseqs2格式化和索引，使簇代表、成员序列及其比对关系能够被快速读取。
其核心思想是：搜索较小的代表序列库，命中后再展开成员序列，以较低成本恢复大规模数据库的序列多样性。
代表序列（Representative Sequence）：每个序列簇中选出的一条中心序列，用于代表整个簇。ColabFold 搜索时主要搜索这些代表序列，以减少计算量。它不一定是功能研究最充分或质量最高的蛋白质，只是该序列簇的检索入口。
成员序列（Member Sequence）：被归入该簇的其他相似序列。保留了不同物种、环境样本和序列变体的信息。命中代表序列后，ColabFold 会展开相应成员并加入 MSA。
UniRef100 ：几乎相同的序列才合并，簇和代表序列最多；UniRef90 ：成员之间达到约90%一致性，簇数量较多；UniRef30：可以合并更远缘的序列，簇数量较少、压缩程度更高。
1.2 Template(模板)库的处理
ColabFold 使用聚类后的 PDB70 或 PDB100 作为结构模板搜索库。
- 先将 PDB 蛋白质链按序列相似性聚类，以簇代表序列构建 MMseqs2 搜索数据库。
- 同时保留模板对应的 profile/HMM、PDB编号、链编号和 mmCIF 三维结构文件。
- MMseqs2 只负责快速筛选候选模板；随后使用 HHsearch 对候选模板进行更精确的 profile--profile 比对。
- 候选模板根据 E-value 等指标排序，最多选择前20个。
- 将模板序列、查询---模板残基对应关系、原子坐标、原子掩码和发布日期转换为 AlphaFold2 所需的模板特征。
- 通过
max_template_date排除指定日期之后发布的模板，避免在 CASP 等回顾性测试中发生数据泄漏。
公共 ColabFold 服务器官方记录的模板库为 PDB100 230517，即包含截至 2023年5月17日 的 PDB 模板。
E-value 越小，比对越显著，候选模板通常越可靠
搜索流程，如下：
#mermaid-svg-BTNFOFDhOHGBXb6E{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-BTNFOFDhOHGBXb6E .error-icon{fill:#552222;}#mermaid-svg-BTNFOFDhOHGBXb6E .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-BTNFOFDhOHGBXb6E .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-BTNFOFDhOHGBXb6E .marker{fill:#333333;stroke:#333333;}#mermaid-svg-BTNFOFDhOHGBXb6E .marker.cross{stroke:#333333;}#mermaid-svg-BTNFOFDhOHGBXb6E svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-BTNFOFDhOHGBXb6E p{margin:0;}#mermaid-svg-BTNFOFDhOHGBXb6E .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E .cluster-label text{fill:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E .cluster-label span{color:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E .cluster-label span p{background-color:transparent;}#mermaid-svg-BTNFOFDhOHGBXb6E .label text,#mermaid-svg-BTNFOFDhOHGBXb6E span{fill:#333;color:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E .node rect,#mermaid-svg-BTNFOFDhOHGBXb6E .node circle,#mermaid-svg-BTNFOFDhOHGBXb6E .node ellipse,#mermaid-svg-BTNFOFDhOHGBXb6E .node polygon,#mermaid-svg-BTNFOFDhOHGBXb6E .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-BTNFOFDhOHGBXb6E .rough-node .label text,#mermaid-svg-BTNFOFDhOHGBXb6E .node .label text,#mermaid-svg-BTNFOFDhOHGBXb6E .image-shape .label,#mermaid-svg-BTNFOFDhOHGBXb6E .icon-shape .label{text-anchor:middle;}#mermaid-svg-BTNFOFDhOHGBXb6E .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-BTNFOFDhOHGBXb6E .rough-node .label,#mermaid-svg-BTNFOFDhOHGBXb6E .node .label,#mermaid-svg-BTNFOFDhOHGBXb6E .image-shape .label,#mermaid-svg-BTNFOFDhOHGBXb6E .icon-shape .label{text-align:center;}#mermaid-svg-BTNFOFDhOHGBXb6E .node.clickable{cursor:pointer;}#mermaid-svg-BTNFOFDhOHGBXb6E .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-BTNFOFDhOHGBXb6E .arrowheadPath{fill:#333333;}#mermaid-svg-BTNFOFDhOHGBXb6E .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-BTNFOFDhOHGBXb6E .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-BTNFOFDhOHGBXb6E .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-BTNFOFDhOHGBXb6E .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-BTNFOFDhOHGBXb6E .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-BTNFOFDhOHGBXb6E .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-BTNFOFDhOHGBXb6E .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-BTNFOFDhOHGBXb6E .cluster text{fill:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E .cluster span{color:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-BTNFOFDhOHGBXb6E .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-BTNFOFDhOHGBXb6E rect.text{fill:none;stroke-width:0;}#mermaid-svg-BTNFOFDhOHGBXb6E .icon-shape,#mermaid-svg-BTNFOFDhOHGBXb6E .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-BTNFOFDhOHGBXb6E .icon-shape p,#mermaid-svg-BTNFOFDhOHGBXb6E .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-BTNFOFDhOHGBXb6E .icon-shape .label rect,#mermaid-svg-BTNFOFDhOHGBXb6E .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-BTNFOFDhOHGBXb6E .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-BTNFOFDhOHGBXb6E .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-BTNFOFDhOHGBXb6E :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 输入序列
搜索 UniRef
搜索 ColabFoldDB
过滤并生成 MSA
搜索并筛选 PDB 模板
AlphaFold2／Multimer
预测结构
如图所示：
2. 构建 ColabFold 搜索库
使用 aria2 多线程下载工具：
bash
apt-get update
apt-get install -y aria2
aria2是轻量级、开源、跨平台的命令行下载工具；实际执行程序名为aria2c，特别适合下载大文件、批量文件以及需要断点续传的科研数据库。由 Tatsuhiro Tsujikawa (辻川达宏) 发起、开源社区共同维护的多协议命令行下载工具。
安装 MMSeqs2，使用简单，在 conda 中直接安装，即可运行：
bash
conda install -c conda-forge -c bioconda mmseqs2
conda install -c conda-forge -c bioconda hhsuite=3.3.0 kalign2=2.04其中，MMseqs2 与 ColabFold 是相同的研发团队。MMseqs2 提供高速蛋白质序列搜索和多序列比对（MSA）能力；ColabFold 将 MMseqs2 接入 AlphaFold2/RoseTTAFold，构建成易用的蛋白质结构预测。
| 软件 | 核心作用 | 典型输入 | 典型输出 | ColabFold 中的用途 |
|---|---|---|---|---|
| MMseqs2 | 超大规模序列搜索和聚类 | FASTA、MMseqs 数据库 | 同源序列、A3M/MSA | 搜索 UniRef30、环境库，生成 MSA |
| HH-suite / HHsearch | HMM--HMM、谱--谱的远缘同源搜索 | MSA/A3M 或 profile HMM | 模板命中、.hhr |
在 PDB 中寻找结构模板 |
| Kalign2 | 多序列比对 | 少量蛋白/核酸序列 | 对齐后的序列 | 模板特征处理中的精细对齐与修正 |
HH-suite：敏感的模板搜索工具包，其中包括：
hhsearch、hhblits、hhmake、hhfilter。
2.1 下载数据
ColabFold 下载地址，下载数据库：
bash
# colabfold_envdb_202108.tar.gz 110G
# pdb70_220313.fasta.gz 21M
# uniref30_2103.tar.gz 71G
# uniref30_2103_taxonomy.tar.gz 1.3G
aria2c -c -x 8 -s 8 https://wwwuser.gwdg.de/~compbiol/colabfold/uniref30_2103.tar.gz
aria2c -c -x 8 -s 8 https://wwwuser.gwdg.de/~compbiol/colabfold/uniref30_2103_taxonomy.tar.gz
aria2c -c -x 8 -s 8 https://wwwuser.gwdg.de/~compbiol/colabfold/colabfold_envdb_202108.tar.gz
aria2c -c -x 8 -s 8 https://wwwuser.gwdg.de/~compbiol/colabfold/pdb70_220313.fasta.gz
-c：断点续传，即--continue=true。如果本地存在未下载完成的文件和对应的.aria2控制文件，就从中断位置继续下载。
-x 8：对每台服务器最多建立8个连接，即--max-connection-per-server=8。
-s 8：把一个文件拆分为最多8个片段并行下载，即--split=8。
其中，GWDG 是哥廷根大学和马克斯·普朗克学会共同运营的科研计算与 IT 服务中心
哥廷根大学（Georg-August-Universität Göttingen）创建于1737年，位于德国下萨克森州哥廷根市，是一所享有国际声誉的综合性研究型大学。学校在人文社会科学、自然科学、生命科学和医学等领域实力突出，历史上与众多著名学者及诺贝尔奖得主密切相关，尤其以数学、物理学等学科的深厚传统闻名。哥廷根大学重视跨学科研究和国际合作，与当地多家科研机构共同构成了活跃的学术生态。
马克斯·普朗克学会（Max-Planck-Gesellschaft，简称MPG）成立于1948年，是德国最重要的基础研究机构之一，总部位于慕尼黑。学会以德国物理学家马克斯·普朗克命名，下设众多马克斯·普朗克研究所，研究范围涵盖自然科学、生命科学、社会科学和人文科学等领域。其特点是给予科研人员较高的学术自主权，鼓励探索前沿、原创且具有长期价值的研究课题，在全球科研界具有广泛影响力。
ColabFold 下载网站：
可选 MD5 校验，速度较慢：
bash
printf '%s %s\n' \
'2af35af92a9b1cf287a2845a80adf0c3' 'uniref30_2103.tar.gz' \
'2847cfbf9831b8a3990c016d89d2a295' 'uniref30_2103_taxonomy.tar.gz' \
'fb4976e65837fb8167d46ad0e3653c9c' 'colabfold_envdb_202108.tar.gz' \
'f43aa975d54b49004bdc3f89191685df' 'pdb70_220313.fasta.gz' \
| md5sum -c -2.2 准备数据
建议同时开启3个Shell，执行这3个命令，整体约 904 GB：
UniRef30 数据库：
bash
tar -xzf uniref30_2103.tar.gz
tar -xzf uniref30_2103_taxonomy.tar.gz
mmseqs tsv2exprofiledb uniref30_2103 uniref30_2103_dbColabfold EnvDB 数据库：
bash
tar -xzf colabfold_envdb_202108.tar.gz
mmseqs tsv2exprofiledb colabfold_envdb_202108 colabfold_envdb_202108_dbPDB70 数据库：
bash
mmseqs createdb pdb70_220313.fasta.gz pdb70_220313_db配置 ColabFold 搜索服务：
bash
git clone https://github.com/sokrypton/ColabFold.git
cd ColabFold
# 这是 v1.5.2 之后、v1.5.3 之前的开发版本，2023-05-28
# git checkout 9bd39fd8be88ca71c039be9a8000bb0db92f80a2
# git checkout c7d1772352cc9619df25c6d36cb0f218c0c6610e
git checkout v1.6.2
pip install .
# 最新的版本是 v1.6.2
# pip install 'colabfold[alphafold]==1.5.5'
pip install 'colabfold[alphafold]==v1.6.2'**v1.6.2（2026-07-14 发布）**相关差异：
| 方面 | v1.5.5 | v1.6.2 |
|---|---|---|
| 默认预测模型 | AF2 monomer / AF2-multimer v3 | 基本不变，仍是 AF2 / AF2-multimer v3 |
| AlphaFold 实现包 | alphafold-colabfold 2.3.6 |
2.3.18 |
| GPU 推理 | 标准 JAX/XLA | 可选 Pallas/Triton 融合 Evoformer kernel |
| 推理速度 | 基准 | 官方称启用 --use-pallas 约快 2.5 倍 |
| 复合物 MSA | 较旧的配对流程 | 新 --pair-mode，配对流程更快、更灵活 |
| 本地 MSA 搜索 | CPU MMseqs2 为主 | 支持 MMseqs2-GPU |
| AF3 支持 | 无 | 可输出 AlphaFold 3 输入 JSON，但不能直接运行 AF3 |
| 模板数据库 | PDB70 流程 | 切换到 PDB100 |
| 已知结构引导 | 无正式 CLI 支持 | --initial-guess 可用 PDB/mmCIF 热启动 |
| 置信度指标 | pLDDT、pTM、ipTM | 增加 actifpTM |
| Python | >=3.9,<3.12 |
>=3.10，支持较新 Python及 ARM64 |
| TensorFlow | 必需依赖之一 | 已完全移除 |
| Docker | 较旧 CUDA 镜像 | CUDA 12、CUDA 13、ARM64 镜像 |
判断 MMSeqs2 是否支持 GPU：
bash
mmseqs --help | grep gpuserver
gpuserver Start a GPU server2.3 准备数据(GPU版本)
构建数据集：
bash
mkdir colabfold_db_202108_2302_gpu安装环境：
bash
pip install 'colabfold[alphafold,openmm]==1.6.2' 'jax[cuda12]' 'openmm[cuda12]'运行下载命令：
bash
cd /data/ColabFold/
GPU=1 ./setup_databases.sh /data/colabfold_db_202108_2302_gpu/3. 测试搜索
准备单体与复合物的序列：
bash
# 单体
cat > "ubiquitin_1UBQ.fasta" <<'EOF'
>ubiquitin_1UBQ
MQIFVKTLTGKTITLEVEPSDTIENVKAKIQDKEGIPPDQQRLIFAGKQLEDGRTLSDYNIQKESTLHLVLRLRGG
EOF
# 复合物
cat > "barnase_barstar_1BRS.fasta" <<'EOF'
>barnase_barstar_1BRS
AQVINTFDGVADYLQTYHKLPDNYITKSEAQALGWVASKGNLADVAPGKSIGGDIFSNREGKLPGKSGRTWREADINYTSGFRNSDRILYSSDWLIYKTTDHYQTFTKIR:KKAVINGEQIRSISDLHQTLKKELALPEYYGENLDALWDALTGWVEYPLVLEWRQFEQSKQLTENGAESVLQVFREAKAEGADITIILS
EOF如果要让 ColabFold 将其识别为一个两链复合物，官方 FASTA/CSV 输入格式必须在同一个任务中用冒号分链：
bash
>barnase_barstar_1BRS
BARNASE_SEQUENCE:BARSTAR_SEQUENCE同时，搜索2个示例，都位于 inputs 文件夹中，--gpu 0 表示使用 CPU 预测，即：
bash
colabfold_search \
"/data/examples/inputs" \
"/data/colabfold_db_202108_2103/" \
"/data/examples/test_colabfold_cpu/msas_templates" \
--db1 uniref30_2103_db \
--db2 pdb70_220313_db \
--db3 colabfold_envdb_202108_db \
--use-templates 1 \
--gpu 0 \
--threads 64 \
--pair-mode unpaired_paired--db1：UniRef30 主数据库。最核心的数据库，用于搜索与输入蛋白相似的序列、构建基础 MSA、获取 UniRef 聚类中的序列、使用 taxonomy/mapping 信息生成复合物 paired MSA。--db2：PDB 模板搜索数据库。用于搜索与输入序列相似、已有实验结构的 PDB 模板。--db3：环境(Env)序列数据库。增加 MSA 深度、改善同源序列较少的蛋白预测、覆盖未被充分注释的微生物和环境蛋白、在某些情况下提高低同源蛋白的预测质量。
注意：第一次运行，需要构建初始化环境。
搜索结果，如下：
bash
test_colabfold_cpu/msas_templates$ tree -L 1 -h
[4.0K] .
├── [3.9M] barnase_barstar_1BRS.a3m
├── [1.0K] barnase_barstar_1BRS_pdb70_220313_db.m8
├── [2.7M] ubiquitin_1UBQ.a3m
└── [9.3K] ubiquitin_1UBQ_pdb70_220313_db.m8
0 directories, 4 files其中，m8 文件，即名称来自旧版 BLAST 的 -m 8 输出模式，即"无注释的表格格式"。信息如下：
bash
query,target,fident,alnlen,mismatch,gapopen,qstart,qend,tstart,tend,evalue,bits,cigar
101 6PQK_A 0.981 110 2 0 1 110 19 128 5.689E-46 160 110M
101 1A2P_B 1.000 110 0 0 1 110 1 110 1.469E-45 159 110M
101 1B2S_B 0.990 110 1 0 1 110 1 110 1.843E-44 156 110M
101 2C4B_A 0.990 109 1 0 2 110 1 109 1.686E-43 153 109M
101 3Q3F_A 1.000 103 0 0 1 103 2 104 1.411E-41 147 103M
101 3DA7_G 1.000 66 0 0 1 66 46 111 1.519E-24 98 66M
101 3DA7_A 1.000 66 0 0 1 66 46 111 1.519E-24 98 66M
101 1PYL_B 0.310 58 39 1 53 109 36 93 2.206E-14 69 30M1D27M
101 3D5G_B 0.310 58 39 1 53 109 36 93 2.206E-14 69 30M1D27M
101 1MGR_A 0.338 59 37 2 53 109 37 95 7.806E-14 68 30M1D12M1D15M
101 1MGW_A 0.338 59 37 2 53 109 37 95 7.806E-14 68 30M1D12M1D15M
101 4GHO_B 0.338 59 37 2 53 109 34 92 3.455E-12 63 30M1D10M1D17M
101 2SAR_B 0.338 59 37 2 53 109 34 92 4.738E-12 63 30M1D10M1D17M
101 1T2H_B 0.338 59 37 2 53 109 34 92 1.675E-11 61 30M1D10M1D17M
101 1ZGX_A 0.321 28 19 0 53 80 34 61 1.396E-03 38 28M
101 1ZGX_B 0.392 28 16 1 83 109 2 29 4.290E-02 34 10M1D17M
102 6PQK_D 0.977 89 2 0 1 89 2 90 2.076E-24 97 89M
102 6PQK_B 0.977 89 2 0 1 89 2 90 2.076E-24 97 89MColabFold 在建立临时 query.fas 时，给同一复合物的不同独特链编号，101表示第1个链，102表示第2个链。表头，具体含义：
| 列 | 字段 | 含义 |
|---|---|---|
| 1 | query |
查询序列内部编号 |
| 2 | target |
命中的 PDB 模板链 |
| 3 | fident |
完全相同残基的比例，范围 0--1 |
| 4 | alnlen |
比对长度，包括带缺口的比对列 |
| 5 | mismatch |
不相同的残基数量 |
| 6 | gapopen |
缺口开启次数，不是缺口字符总数 |
| 7 | qstart |
查询序列上的比对起点，1-based |
| 8 | qend |
查询序列上的比对终点，1-based |
| 9 | tstart |
模板序列上的比对起点，1-based |
| 10 | tend |
模板序列上的比对终点，1-based |
| 11 | evalue |
E-value，越小越可信 |
| 12 | bits |
Bit score，越大越好 |
| 13 | cigar |
比对路径的压缩表示 |
Colabfold 的服务搜索 (https://api.colabfold.com)，使用远程服务器搜索 MSA 与 模板：
bash
colabfold_batch \
"/data/examples/inputs" \
"/data/examples/test_colabfold_remote/msas_templates" \
--msa-only \
--msa-mode mmseqs2_uniref_env \
--templates \
--pair-mode unpaired_paired \
--pair-strategy greedy \
--host-url "https://api.colabfold.com"参数对应关系：
--msa-mode mmseqs2_uniref_env：远程搜索 UniRef30 和环境数据库。--templates：远程搜索 PDB 模板。--msa-only：只生成 MSA/模板，不运行结构预测。--pair-mode unpaired_paired：复合物同时生成 paired 和 unpaired MSA。--pair-strategy greedy：使用较宽松的物种配对策略。--host-url：指定 ColabFold 官方服务器；可省略，因为它是默认值。
官方提示该公共服务每天只能处理有限数量的 MSA；大规模任务仍建议使用本地
colabfold_search。