AlphaFold3 インストール手順 (Ubuntu 24.04対応)

2025年8月5日

次世代たんぱく質構造予測モデル「AlphaFold3」 インストール手順 (Ubuntu 24.04対応)

はじめに

このページでは、Ubuntu 24.04環境におけるAlphaFold3のインストール手順をわかりやすく解説します。

AlphaFold3は、DeepMindが開発した次世代のタンパク質構造予測モデルです。複雑な分子間相互作用や多鎖構造の解析に対応しており、創薬や構造生物学の分野に革新をもたらしています。
高精度な予測性能を持つ一方で、導入にはGPU環境や大容量ストレージなどの技術的な準備が必要です。

この記事では、Ubuntu 24.04を例に、DockerやCUDA Toolkitの設定、データベースの取得、モデルパラメータの配置など、実運用に向けたポイントを詳しく紹介します。

インストール前の準備

まず、AlphaFold3の動作に必要なDockerとNVIDIA Container Toolkitをインストールします。

Dockerのインストール

sudo apt-get update
sudo apt-get install ca-certificates curl
sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc
echo \
“deb [arch=$ (dpkg –print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu \
$ (. /etc/os-release && echo “$VERSION_CODENAME”) stable” | \
sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

動作確認

sudo docker run hello-world

非ルートユーザーでDockerを実行可能にする設定

sudo usermod -a -G docker $USER
reboot

CUDA Toolkitのインストール

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-8

インストール完了後、

export PATH=/usr/local/cuda/bin:${PATH}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64\:${LD_LIBRARY_PATH}

上記内容を記述したファイル “cuda.sh” を作成し、

/etc/profile.d/

に保存することで、環境変数の設定を行います。

NVIDIA Container Toolkitのインストール

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg –dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
&& curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
sed ‘s#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g’ | \
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
nvidia-ctk runtime configure –runtime=docker –config=$HOME/.config/docker/daemon.json
systemctl –user restart docker
sudo nvidia-ctk config –set nvidia-container-cli.no-cgroups –in-place

動作確認

docker run –rm –gpus all nvidia/cuda:12.8.0-base-ubuntu24.04 nvidia-smi

AlphaFold3のインストール手順

GitをインストールしてAlphaFold3のリポジトリをダウンロードします。

sudo apt-get install git
git clone https://github.com/google-deepmind/AlphaFold3.git

クローンしたAlphaFold3のリポジトリから、データベースダウンロード用のシェルスクリプトを実行します。

sudo apt install wget zstd
cd AlphaFold3
./fetch_databases.sh [<DB_DIR>]

データベースの保存先について

<DB_DIR> には、データベースの保存先となるパスを指定してください。
指定しない場合、デフォルトでは $HOME/public_databases に保存されます。

また、Dockerイメージ作成時に大容量データベースがコピーされるのを防ぐため、<DB_DIR> はAlphaFold3のリポジトリフォルダの外に保存することを推奨します。

データベースのダウンロードサイズは約252GB、解凍後は約630GBとなるため、十分な空き容量のあるSSDを使用することをおすすめします。

Dockerコンテナの作成

AlphaFold3が動作するDockerコンテナを作成します。

docker build -t AlphaFold3 -f docker/Dockerfile .

入力JSONファイルの作成

入力JSONファイルを作成します。
今回はAlphaFold3公式GithubのReadmeに記載されている通りに、下記を入力したファイルを fold_input.json として $HOME/af_input に保存します。

{
“name”: “2PV7”,
“sequences”: [
{
“protein”: {
“id”: [“A”, “B”],
“sequence”: “GMRESYANENQFGFKTINSDIHKIVIVGGYGKLGGLFARYLRASGYPISILDREDWAVAESILANADVVIVSVPINLTLETIERLKPYLTENMLLADLTSVKREPLAKMLEVHTGAVLGLHPMFGADIASMAKQVVVRCDGRFPERYEWLLEQIQIWGAKIYQTNATEHDHNMTYIQALRHFSTFANGLHLSKQPINLANLLALSSPIYRLELAMIGRLFAQDAELYADIIMDKSENLAVIETLKQTYDEALTFFENNDRQGFIDAFHKVRDWFGDYSEQFLKESRQLLQQANDLKQG”
}
}
],
“modelSeeds”: [1],
“dialect”: “alphafold3”,
“version”: 1
}

 

ご用意いただいたモデルパラメータを $HOME/models に配置します。

モデルパラメータについて

モデルパラメータの取得には、Googleの申請フォームからアクセス申請を行う必要があります。

AlphaFold3 | Request to access model parameters

これでAlphaFold3のインストールは完了です。

AlphaFold3の起動

下記のコマンドでAlphaFold3を起動することができます。

docker run -it \
–volume $HOME/af_input:/root/af_input \
–volume $HOME/af_output:/root/af_output \
–volume <MODEL_PARAMETERS_DIR>:/root/models \
–volume <SSD_DB_DIR>:/root/public_databases \
–volume <DB_DIR>:/root/public_databases_fallback \
–gpus all \
AlphaFold3 \
python run_alphafold.py \
–json_path=/root/af_input/fold_input.json \
–model_dir=/root/models \
–db_dir=/root/public_databases \
–db_dir=/root/public_databases_fallback \
–output_dir=/root/af_output

おわりに

AlphaFold3の導入は、構造予測の精度とスピードを飛躍的に高める研究基盤の構築につながります。
本記事の手順を参考に、ぜひご自身の研究環境にAlphaFold3を取り入れてみてください。

導入に関する技術的なご相談や、社内展開に向けたサポートが必要な場合は、お気軽にお問い合わせください。

お問い合わせ

関連情報

機械学習・DFT計算 両立ワークステーション
用途：Alphafold3、ESM Cambrian、機械学習、Gaussian
機械学習・DFT計算 両立ワークステーション

お問い合わせ
CPU AMD Ryzen9 9950X 4.30GHz(Boost時最大5.70GHz) 16C/32T
メモリ 合計192GB DDR5-5600 48GB x 4
ストレージ 1TB SSD S-ATA + 4TB SSD M.2 NVMe Gen4
GPU NVIDIA GeForce RTX5090 32GB
OS Ubuntu 24.04
遺伝子解析用・構造予測向けマシン
用途：RNA-seq解析、ゲノム解析、構造予測
遺伝子解析用・構造予測向けマシン

お問い合わせ
CPU Intel Xeon W7-2595X 2.80GHz (TB3.0時 最大4.8GHz) 26C/52T
メモリ 合計256GB DDR5 5600 REG ECC 64GB x 4
ストレージ 2TB SSD S-ATA x 2(RAIDなし) + 4TB SSD M.2 NVMe Gen4
GPU NVIDIA RTX 4500 Ada 24GB (DisplayPort x 4)
OS Microsoft Windows 11 Pro for WS 64bit(Ubuntu22.04 デュアルブート設定)
このエントリーをはてなブックマークに追加