双显卡驱动alphafold2炼丹

图片来源于网络

小小实验室有钱啊，导师丢我两显卡，希望我加快计算进程。（绞尽脑汁，尝试修改alphafold官网提供的源代码，，，，未果，能力有限，无法从源头上实现数据并行【蛋白序列很多，为了加速运行，让显卡各自运行不同的模型，这可以减少整个项目的完成时间】或者是模型并行【相当于蛋白序列很长，一个显卡显存不够用，所以模型跨越在两张显卡上】）走了很多“邪门歪道”，可以实现，我不仅把双显卡分开用（即实现数据并行），还把内存条分开用了（￣□￣｜｜），真是个小机灵鬼。

1.首先先把alphafold软件文件内的几个文件修改一下

文件所在位置如下显示：

1.1使用htop查看几条内存条可用，下图显示本机有32条可用，

1.2上一步中得到本机的内存条数后，按需求修改下列文件

vim hhblits.py   #注意hhblits.py所在路径要对哈

我记得不错的话，原文件的n_cpu: int = 8，根据我的需要我把它改为16（本机内存条数为32，即显卡分开用，那么内存也分开用，达到利用最大化好了，，，）

vim hmmsearch.py

解释：同修改上一个文件的原因一样

vim jackhmmer.py

2.vim创建两个脚本，例子：al.sh和alpha.sh

代码中有些地方看不懂的话，看这篇博文的解释o(╥﹏╥)o本地版alphafold2批量处理序列-CSDN博客

vim al.sh #内容如下

#!/bin/bash  
  
# 遍历Fasta文件目录下的所有文件 
#!/bin/bash   

export TF_FORCE_UNIFIED_MEMORY=1
export XLA_PYTHON_CLIENT_MEM_FRACTION=4.0


# 遍历Fasta文件目录下的所有文件    
for file in /data1/huahua/proin/proin/crh1/xin-crh1-2/*; do
            # 提取文件名（不包含路径）      
                filename=$(basename "$file")

                    # 运行AlphaFold预测命令      
                        echo "Predicting $filename..."      
                            CUDA_VISIBLE_DEVICES=1 taskset -c 0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15 python run_alphafold.py --data_dir=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes --uniref90_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/uniref90/uniref90.fasta --mgnify_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/mgnify/mgy_clusters_2022_05.fa --template_mmcif_dir=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/pdb_mmcif/mmcif_files --max_template_date=2021-11-01 --obsolete_pdbs_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/pdb_mmcif/obsolete.dat --model_preset=multimer --uniprot_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/uniprot/uniprot.fasta --pdb_seqres_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/pdb_seqres/pdb_seqres.txt --db_preset=reduced_dbs --small_bfd_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldData/small_bfd/bfd-first_non_consensus_sequences.fasta --fasta_paths="$file" --output_dir=/data1/huahua/proin/out-m/crh1/xin-crh1-2 --use_gpu_relax=true --benchmark=true --models_to_relax=best --num_multimer_predictions_per_model=1 --use_precomputed_msas=true

                 done

#其中CUDA_VISIBLE_DEVICES=1指定显卡1
#taskset -c 0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15 指定显存条前16个
#后面代码是alphafold2的运行常规代码。本例为预测复合体。
#注意所有文件所在路径！！！！！！

vim alpha.sh  #内容如下

#!/bin/bash  
  
# 遍历Fasta文件目录下的所有文件 
#!/bin/bash    
export TF_FORCE_UNIFIED_MEMORY=1
export XLA_PYTHON_CLIENT_MEM_FRACTION=4.0


# 遍历Fasta文件目录下的所有文件    
for file in /data1/huahua/proin/proin/crh1/xin-crh1-1/*; do
            # 提取文件名（不包含路径）      
                filename=$(basename "$file")

                    # 运行AlphaFold预测命令      
                        echo "Predicting $filename..."      
                            CUDA_VISIBLE_DEVICES=0 taskset -c 16,17,18,19,20,21,22,23,24,25,26,27,28,29,10,31 python run_alphafold.py --data_dir=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes --uniref90_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/uniref90/uniref90.fasta --mgnify_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/mgnify/mgy_clusters_2022_05.fa --template_mmcif_dir=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/pdb_mmcif/mmcif_files --max_template_date=2021-11-01 --obsolete_pdbs_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/pdb_mmcif/obsolete.dat --model_preset=multimer --uniprot_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/uniprot/uniprot.fasta --pdb_seqres_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldDataRes/pdb_seqres/pdb_seqres.txt --db_preset=reduced_dbs --small_bfd_database_path=/data1/luping/alphaFold/alphaFold2/alphafold/scripts/AlphaFoldData/small_bfd/bfd-first_non_consensus_sequences.fasta --fasta_paths="$file" --output_dir=/data1/huahua/proin/out-m/crh1/xin-crh1-1 --use_gpu_relax=true --benchmark=true --models_to_relax=best --num_multimer_predictions_per_model=1 --use_precomputed_msas=true

                 done


#其中CUDA_VISIBLE_DEVICES=0指定显卡0
#taskset -c 16,17,18,19,20,21,22,23,24,25,26,27,28,29,10,31 指定显存条后16个
#后面代码是alphafold2的运行常规代码。本例为预测复合体。
#注意所有文件所在路径！！！！！！

3.最后使用nohup分别运行这两个文件即可

nohup al.sh > out.txt &          #注意al.sh所在路径！！！   其中&表示在后台运行

nohup alpha.sh > out1.txt &

注：运行后检查是否有报错，分别运行cat out.txt和cat out1.txt查看是否有其他报错（只要前期alphafold2安装好、数据库下载好、环境配置好、文件所在路径正确、运行nohup时是在alphafold的安装路径下、两个脚本的路径正确，那么你就成功了）。