用途：该技能封装 AlphaFold2 与 AlphaFold2-Multimer，通过 colabfold_batch 预测蛋白质结构。它用公共 MMseqs2 服务器替代 DeepMind 的本地数据库 MSA 流程，因此一次预测只需一条命令和一个 FASTA 文件，无需挂载约 2TB 数据库。AF2 仍是单体预测的参考方法，多聚体模型也仍是较强的蛋白-蛋白验证工具，但不处理配体或核酸，这类任务应转向 boltz、chai1 或 openfold3。
主要能力与用法：输入为普通 FASTA。多聚体把每条链放在同一序列行、用冒号分隔，colabfold_batch 会为每段构建配对 MSA 并在检测到冒号时运行多聚体模型。示例命令：colabfold_batch input.fasta out --num-recycle 3 --model-type alphafold2_multimer_v3。单体则省略 --model-type 和冒号。--templates 与 --amber 分别添加 PDB 模板和 OpenMM 弛豫，默认关闭，均会增加每个模型的耗时。默认运行全部五个 AF2 模型权重，按 pLDDT（多聚体按 pTM/ipTM）排序，输出到 out/，包含五个排序 PDB 及对应 JSON 评分文件，b-factor 列携带 pLDDT。Rank-1 优先查看，ipTM 大于 0.5 通常视为界面软通过。
限制与注意事项：colabfold/batch.py 在导入时硬设 TF_FORCE_UNIFIED_MEMORY=1 和 XLA_PYTHON_CLIENT_MEM_FRACTION=4.0，在 gVisor 沙箱下统一内存不受支持，会导致 JAX 无限循环分配主机内存、任务看似挂起。需在导入前覆盖这两个变量（TF_FORCE_UNIFIED_MEMORY=0、fraction 0.95），或在镜像构建时从 batch.py 中删除这两处赋值。MSA 服务器是耗时瓶颈且为公共限流资源，默认 --msa-mode mmseqs2_uniref_env 会把序列提交到 api.colabfold.com；批量任务可先用 --msa-only 运行一次 MSA 阶段，保留 .a3m 文件，后续运行以该目录为输入，GPU 阶段即可立即开始。常见错误：任务在 Running model_1 时静默挂起且主机内存上升，属统一内存循环问题；XLA 编译时 RESOURCE_EXHAUSTED/OOM，说明内存比例过高，可降到 0.9 左右；MSA 阶段卡在 Submitting job，说明公共服务器限流，可等待或用 --msa-only 预计算后从缓存 .a3m 重跑。后续可用于设计序列验证，将 rank-1 模型用 US-align 叠合到设计骨架上，并以 pLDDT/ipTM 阈值把关；含配体复合物则交给 boltz 或 chai1。ColabFold 代码为 MIT，AlphaFold2 代码为 Apache-2.0，AF2 模型参数为 CC-BY-4.0 并受 DeepMind 使用条款约束。