用途：使用 OpenFold3（AlQuraishi 实验室开源的 AlphaFold3 PyTorch 复现，开放权重）预测蛋白质、DNA、RNA 及配体复合物的三维结构。
环境要求：Python 3.10+（推荐 3.11），CUDA 12.1+（推荐 12.4+），GPU 显存最低 24GB、推荐 80GB（H100），内存最低 32GB、推荐 64GB，权重约 3GB 磁盘。
安装：pip install 'openfold3[cuequivariance]==0.4.1'。默认注意力核为 DeepSpeed DS4Sci_EvoformerAttention；若不可用，可在 model_config.py 的 eval 内存设置中改为 use_deepspeed_evo_attention: False、use_cueq_triangle_kernels: True 使用 cuEquivariance 三角核（无需源码编译）。
权重：Apache-2.0，约 2.3GB，来自 HF OpenFold/OpenFold3，仓库受限（自动批准），需先在模型页接受访问表单并认证（huggingface-cli login 或 HF_TOKEN）。下载命令：export OPENFOLD_CACHE=~/.openfold3 后执行 huggingface-cli download OpenFold/OpenFold3 checkpoints/of3-p2-155k.pt --local-dir "$OPENFOLD_CACHE"。首次运行若网络与凭证可用也会自动下载。
运行：export OPENFOLD_CACHE=/path/to/cache，然后 run_openfold predict --query_json=queries.json --output-dir out/ --use-msa-server false --use-templates false。程序会自动发现 $OPENFOLD_CACHE 下的检查点；仅在非标准布局或多检查点时用 --inference-ckpt-path 指定。需要 MSA 与模板（更慢、更准）时去掉两个 false 标志，此时需能访问 api.colabfold.com 与 data.rcsb.org。
查询格式：不读 FASTA，使用经 InferenceQuerySet（pydantic，禁止额外键）校验的 JSON，顶层为 {"queries": {"名称": {...}}}，链可指定 molecule_type（protein/dna/rna 需 sequence；ligand 需 smiles 或 ccd_codes）、chain_ids 列表（同源寡聚可重复序列），并支持 use_msas 与自定义 a3m 路径；seeds 为种子列表。
关键参数：--num-diffusion-samples 默认 5；--num-model-seeds 默认 1；--use-msa-server 默认 true；--use-templates 默认 true。
输出：out/ 下含 summary.txt、model_config.json、experiment_config.json、inference_query_set.json，以及按查询/种子分目录的 .cif 模型、完整与聚合置信度 JSON、timing.json。聚合文件含 avg_plddt、ptm、iptm、gpde、has_clash、sample_ranking_score 等。良好结果参考：summary 成功数匹配输入、avg_plddt>70（单序列）或>80（含 MSA）、ptm>0.6、复合物 iptm>0.5、has_clash 为 0。
限制与排查：DeepSpeed 缺失可改用 cuEq 路径（需 pip install nvidia-cutlass）；rdkit 需 X11 库（apt-get install libxrender1 libxext6 libsm6）；可能需 pip install boto3 awscrt；JSON 形状错误或多余键会触发 ValidationError；--runner-yaml 仅接受 InferenceExperimentConfig，核与内存设置须改 model_config.py；RCSB 不可达时用 --use-templates false；显存不足可减少扩散样本数或使用 low_mem 预设。其余细节暂未提供。