AlphaFold 資料庫收錄 8,028 個病毒蛋白複合體預測，推論流程同步開源

EMBL-EBI、Google DeepMind 與 NVIDIA 等團隊於 9 月 24 日公開新一批病毒蛋白複合體預測。合作計畫涵蓋 23 個病毒科、2,812 組病毒蛋白質體，產出 5,279 個高信心異源二聚體與 2,749 個同源二聚體；前者由不同蛋白組成，後者由相同蛋白組成。AlphaFold 的疫情整備入口也整合其他資料，因此這 8,028 筆並非入口全部內容。[官方公告](https://www.ebi.ac.uk/about/news/technology-and-innovation/alphafold-database-adds-viral-protein-complexes-to-support-pandemic-preparedness/)、[資料庫更新](https://alphafold.ebi.ac.uk/)

技術重點在於把序列搜尋、結構推論與品質篩選串成大規模流程。同步公開的 BioNeMo Structure Prediction Pipeline，以 MMseqs2 GPU 搜尋建立多序列比對；摺疊階段可用 OpenFold2 搭配 AlphaFold2-Multimer 權重與 BioNeMo Inference Runtime；後處理再評估蛋白接觸介面、檢查空間碰撞，匯出結構檔與資料清單。[程式庫說明](https://github.com/NVIDIA-BioNeMo/BioNeMo-Structure-Prediction-Pipeline)

研究團隊可直接使用候選結構，也能將流程套用至自己的目標。各階段以容器化工作交由 Slurm 排程，透過本機或 S3 相容儲存交接資料，並保存輸入校驗碼與執行紀錄。依此設計，可望減少重複建置與運算，讓後續實驗有可排序的候選清單；資料與流程一併公開，也提供了檢查預測來源的基礎。[NVIDIA 發布說明](https://blogs.nvidia.com/blog/open-protein-dataset/)、[流程架構](https://github.com/NVIDIA-BioNeMo/BioNeMo-Structure-Prediction-Pipeline)

部署門檻仍高：文件要求至少 80 GB GPU 記憶體及叢集容器配套，使用者還須準備序列資料庫、權重與參考資料。公開版需逐階段交接，尚無單一指令完成全流程；設定亦須明確選用 `public` 預設組態，否則會選到 `internal`。[硬體需求](https://github.com/NVIDIA-BioNeMo/BioNeMo-Structure-Prediction-Pipeline)、[版本限制](https://github.com/NVIDIA-BioNeMo/BioNeMo-Structure-Prediction-Pipeline/blob/main/docs/status.md)

高信心分數仍是模型判斷，可能的結合形狀須經實驗確認。EMBL-EBI 明示，結構無法單獨推斷病毒突變的影響或實際行為。若將結果用於訓練或評估其他模型，宜保留來源與信心標記，另以實驗結構檢查誤差，避免把候選當成已驗證標籤。接下來值得追蹤各病毒家族的實驗驗證、不同輸入長度的資源需求及完整流程吞吐量；工作成功執行，尚不足以證明科學準確度或跨硬體效能。[研究限制](https://www.ebi.ac.uk/about/news/technology-and-innovation/alphafold-database-adds-viral-protein-complexes-to-support-pandemic-preparedness/)、[驗證界線](https://github.com/NVIDIA-BioNeMo/BioNeMo-Structure-Prediction-Pipeline/blob/main/docs/status.md)