F03 Cómo ejecutar una arquitectura pesada de forma gratuita

En F02～F03 analizamos la arquitectura de red neuronal de AlphaFold2·3. Sin embargo, al intentar ejecutar este modelo en la práctica, uno se topa con un muro inesperado: más que la inferencia de la red neuronal en sí, la etapa de creación del MSA (alineamiento de secuencias múltiples) que se introduce como entrada tarda mucho más tiempo. El pipeline oficial original de AlphaFold2 busca en bases de datos de cientos de millones a miles de millones de secuencias, como BFD·Uniclust30, utilizando jackhmmer·HHblits; solo esta etapa puede tardar desde decenas de minutos hasta varias horas por cada secuencia y requiere un espacio de almacenamiento local de cientos de GB a más de 2 TB.

ColabFold(Mirdita et al., 2022) reduce significativamente este cuello de botella mediante un motor de búsqueda mucho más rápido y lo traslada a la nube —utiliza MMseqs2 operando como servidor, lo que permite obtener MSAs de calidad similar en cuestión de segundos o minutos sin necesidad de una base de datos gigante de forma local (aunque persisten cuellos de botella operativos como la congestión del servidor, límites de solicitudes y el momento de actualización de la base de datos). En este episodio, abordamos el principio por el cual MMseqs2 acelera la búsqueda y las limitaciones prácticas que se encuentran al ejecutar predicciones reales con una GPU T4 gratuita de Colab.

Indexación de k-mer en MMseqs2 y el límite de la memoria GPU

El problema de la búsqueda tradicional: demasiado lento para comparar honestamente con todas las secuencias

Las herramientas de la familia HHblits·jackhmmer realizan alineamientos muy sensibles basados en perfiles HMM (Modelos Ocultos de Markov), pero esto conlleva una carga computacional elevada. Si la base de datos tiene $N$ secuencias con una longitud promedio $L$, un alineamiento exhaustivo de todos contra todos (como Smith-Waterman, etc.) requiere prácticamente recorrer toda la base de datos, por lo que la carga computacional por cada búsqueda aumenta proporcionalmente a $N$.

La solución de MMseqs2: reducir primero los candidatos mediante pre-filtrado de k-mer

MMseqs2 (Many-against-Many sequence searching 2) vectoriza de forma mucho más agresiva la estrategia de semilla-y-extensión (seed-and-extend) que utilizaba la familia BLAST. La clave reside en dos etapas.

1. Indexación de k-mer (k-mer Indexing): Se fragmentan todas las secuencias de la base de datos en unidades de sub-secuencias cortas de longitud $k$ (normalmente 6～7) para crear previamente un índice invertido (inverted index — un índice que rastrea en qué posiciones de la base de datos aparece cada k-mer). La secuencia de búsqueda también se divide en k-mers de la misma manera y, en la búsqueda de proteínas, se consideran no solo los k-mers exactamente iguales, sino también aquellos que son similares en términos de puntuación de sustitución (substitution score).
2. Prefiltrado: Solo se conservan como candidatos las secuencias de la base de datos que comparten al menos un número determinado de k-meros con la secuencia de consulta. Dado que esta etapa implica búsquedas en una tabla hash, es extremadamente rápida y solo una pequeña fracción de la base de datos completa pasa a la siguiente etapa.

El alineamiento preciso (con huecos) se realiza únicamente para este reducido conjunto de candidatos. La idea clave es que, dado que solo una pequeña fracción ($f \ll 1$) de las secuencias de la base de datos llega a la etapa de alineamiento preciso, la carga computacional total se reduce considerablemente, quedando muy por debajo de $N$ (en la práctica, los costos de consulta del índice, la enumeración de k-meros similares y el procesamiento de diagonales se suman, por lo que no se puede representar con precisión mediante una fórmula simple como $f \times N$). Existe un equilibrio entre la velocidad y la cantidad de homólogos distantes que podrían perderse, dependiendo de qué tan estricta sea esta condición de filtrado.

Ejemplo de cálculo manual: Por qué surge un límite superior de longitud de secuencia en una GPU T4 de 16 GB

La representación de pares en redes neuronales tipo AlphaFold mantiene tensores de tamaño $L \times L$ para una longitud de secuencia $L$, a lo largo de múltiples canales con dimensión $c$. En términos de memoria, basándose en fp32 (4 bytes), la proporción es aproximadamente

$\text{Memoria} \approx L^2 \times c \times 4\text{ bytes}$

Si asumimos $c=128$, la memoria requerida para un solo tensor con una longitud de secuencia $L=1000$ es

$1000^2 \times 128 \times 4\text{ bytes} = 5.12 \times 10^8 \text{ bytes} \approx 512\text{MB}$

Si la longitud de secuencia aumenta a $L=2500$ (un factor de 2.5 veces),

$2500^2 \times 128 \times 4\text{ bytes} = 3.2 \times 10^9 \text{ bytes} \approx 3.2\text{GB}$

La memoria aumenta en el cuadrado del factor de longitud, es decir, $2.5^2 = 6.25$ veces. Este cálculo corresponde únicamente a un tensor de representación de pares; la memoria real de inferencia depende además de varios factores como la profundidad del MSA, los cálculos intermedios de atención, las configuraciones de reciclaje y conjunto, si es monómero o multímero, y la estrategia de reutilización de memoria del framework. Por lo tanto, este cálculo ilustra por qué el riesgo de OOM (falta de memoria) en una T4 aumenta drásticamente a medida que crece la longitud de la secuencia, pero no permite derivar un límite fijo como "exactamente 2000～2500 residuos es el límite en 16 GB" únicamente con esta fórmula; el límite real debe verificarse mediante pruebas comparativas directas según la versión y configuración de ColabFold utilizadas.

Mapeo CS

• Indexación de k-mers y extensión desde semilla (Seed-and-Extend): La búsqueda en dos fases de MMseqs2 sigue el mismo patrón de diseño que un motor de búsqueda que primero reduce rápidamente los documentos candidatos mediante un índice invertido y luego realiza una clasificación precisa.
• Compensación espacio-tiempo (Time-Space Tradeoff): Al utilizar k-mers más largos (o permitir un margen más estricto para k-mers similares), el número de candidatos disminuye y el cálculo se acelera, pero la sensibilidad (capacidad de detectar homólogos lejanos) disminuye; por el contrario, al usar k-mers más cortos o permitir un rango más amplio de k-mers similares, aumenta el número de candidatos y la sensibilidad, pero el proceso se vuelve más lento. Esta es una compensación del mismo tipo que utilizar más memoria para mejorar la precisión o ahorrar memoria sacrificando la precisión.
• Limitaciones prácticas de la complejidad cuadrática ($O(L^2)$): La escalabilidad al cuadrado de la representación por pares es un caso típico de algoritmos cuadráticos que, según los libros de texto de algoritmos, "funcionan teóricamente pero se vuelven inutilizables en la práctica cuando el tamaño de entrada aumenta".

Práctica con R y Bash: Reproducción del cálculo de escalado de memoria

# Calcular el escalado de memoria de la representación Pair
pair_memory_gb <- function(L, channels = 128, bytes_per_elem = 4) {
  (L^2 * channels * bytes_per_elem) / 1e9
}

for (L in c(500, 1000, 1500, 2000, 2500, 3000)) {
  cat(sprintf("L=%d: %.2f GB\n", L, pair_memory_gb(L)))
}

#!/usr/bin/env bash
# Ejemplo de ejecución local de ColabFold (celda de Colab o entorno GPU local)
colabfold_batch \
  --num-recycle 3 \
  --amber \
  --num-relax 1 \
  input_sequences.fasta \
  output_dir/

Defectos comunes

• Intentar directamente una secuencia que supera el límite superior de T4: Es común que la ejecución falle a mitad del proceso debido a falta de memoria (OOM). Si existen límites de dominio con una base biológica sólida, se puede considerar dividir por dominios para realizar predicciones individuales y luego evaluar el acoplamiento; sin embargo, si los límites se definen incorrectamente, el plegamiento en sí puede cambiar o no restaurarse la disposición relativa entre dominios, por lo que no es una solución general. Una alternativa más segura es utilizar GPUs con mayor VRAM (como A100).
• Ignorar la diferencia de calidad entre la MSA de MMseqs2 y la MSA del flujo de trabajo oficial: Aunque las MSAs basadas en MMseqs2 suelen ofrecer una precisión similar en la mayoría de los casos, pueden encontrar menos homólogos distantes en secuencias filogenéticas muy escasas o superficiales, lo que reduce la confianza de la predicción. Si pLDDT es bajo, se debe verificar primero la profundidad de la MSA.
• Utilizar únicamente los valores predeterminados para num_recycle y relax: Aumentar el número de iteraciones de reciclaje suele mejorar la precisión, pero el tiempo de cálculo aumenta proporcionalmente. El refinamiento de Amber es un postprocesamiento que alivia colisiones estéricas locales y ángulos de enlace anómalos, pero no verifica ni corrige la disposición incorrecta del esqueleto o de la interfaz en sí; por lo tanto, los ajustes deben adaptarse al objetivo (cribado rápido frente a estructura final).

Para profundizar más

El texto ha sido reescrito directamente por el equipo de investigación de BPD. Profundice consultando el artículo original y los materiales oficiales.

• Artículo original de ColabFold: Mirdita et al. (2022), ColabFold: making protein folding accessible to all, Nature Methods.
• Artículo original de MMseqs2: Steinegger & Söding (2017), MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets, Nature Biotechnology.
• Repositorio oficial de ColabFold: github.com/sokrypton/ColabFold — cuadernos y documentación de opciones de ejecución.

Ha aprendido cómo ejecutar predicciones de cadenas individuales en un entorno gratuito. Sin embargo, la mayoría de las funciones biológicas reales se manifiestan cuando las proteínas forman complejos con otras proteínas o ligandos.

En el siguiente capítulo F05, se tratarán AlphaFold-Multimer para predecir estructuras multiméricas compuestas por varias cadenas y uniones de ligandos, así como los resultados del benchmark CASP15.