用途：使用 OpenFold3（AlQuraishi Lab 的开源权重 PyTorch AlphaFold3 复现）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 24GB（推荐 80GB H100）、内存 32GB（推荐 64GB）、权重磁盘约 3GB。
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 与 use_cueq_triangle_kernels: True。
权重：Apache-2.0，约 2.3GB，来自 HF OpenFold/OpenFold3，仓库为 gated（自动批准），需先在模型页接受访问表单并登录。示例：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据可用也会自动下载。
运行：run_openfold predict --query_json=queries.json --output-dir out/ --use-msa-server false --use-templates false。checkpoint 会自动在 $OPENFOLD_CACHE 下发现，仅在非标准布局时用 --inference-ckpt-path 指定。启用 MSA 与模板（更慢、更准）时去掉两个 false，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": {...}}}，链需指定 molecule_type（protein/dna/rna 用 sequence；ligand 用 smiles 或 ccd_codes）、chain_ids 列表，同源多聚体重复同一序列；可提供自定义 a3m。
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、配置 JSON 与各 query/seed 目录，内有 .cif 与 confidences JSON；先读 *_confidences_aggregated.json（含 avg_plddt、ptm、iptm、gpde、has_clash、sample_ranking_score 等）。良好结果参考：Successful Queries 与输入数一致，avg_plddt>70（单序列）或>80（含 MSA），ptm>0.6，复合物 iptm>0.5，has_clash 为 0.0。
限制与排错：DeepSpeed 缺失可改用 cuEq 路径（需 pip install nvidia-cutlass）；rdkit 需 libXrender 等 X11 库；boto3/awscrt 被急切导入需安装；JSON 形状错误或多余键会触发 ValidationError；--runner-yaml 仅接受 InferenceExperimentConfig，核与内存设置位于 model_config.py；RCSB 不可达时用 --use-templates false；显存不足可减少扩散样本或使用 low_mem 预设。其余细节资料未提供。