有关模型性能和功能的更多信息，请参阅我们的[技术报告](https://www.biorxiv.org/content/10.1101/2024.10.10.615955)。
## 安装
````外壳
# pypi 上的版本：
pip 安装 chai_lab==0.6.1
# 最新可用版本（每天更新以测试尚未发布的功能）：
pip install git+https://github.com/chaidiscovery/chai-lab.git
````
此 Python 包需要 Linux、Python 3.10 或更高版本，以及支持 CUDA 和 bfloat16 的 GPU。我们建议使用 A100 80GB 或 H100 80GB 或 L40S 48GB 芯片，但 A10 和 A30 适用于较小的复合体。用户还报告了消费级 RTX 4090 的成功。
## 运行模型
### 命令行推理
您可以通过调用以下命令将包含所有序列（包括修饰残基、核苷酸和配体作为 SMILES 字符串）的 FASTA 文件折叠到感兴趣的复合体中：
````外壳
chai-lab 折叠 input.fasta 输出文件夹
````
默认情况下，该模型生成五个样本预测，并使用没有 MSA 或模板的嵌入。有关如何向模型提供 MSA、模板和约束的其他信息，请参阅下面的文档，或运行“chai-lab Fold --help”。
例如，要使用 MSA 运行模型（我们建议这样做以提高性能），请传递“--use-msa-server”和“--use-templates-server”标志：
````外壳
chai-lab 折叠 --use-msa-server --use-templates-server input.fasta 输出文件夹
````
如果您托管自己的 ColabFold 服务器，请另外向您的服务器传递 `--msa-server` 标志：
````外壳
chai-lab Fold --use-msa-server --msa-server-url "https://api.internalcolabserver.com" input.fasta 输出文件夹
````
我们还为 MSA 文件格式转换等任务提供额外的实用函数；有关详细信息，请参阅“chai --help”。
### Python 推理
Chai-1 折叠代码的主要入口点是通过“chai_lab.chai1.run_inference”函数。以下脚本演示了如何向模型提供输入，并获取 PDB 文件列表以供下游分析：
````外壳
python 示例/predict_struct.py
````
为了获得最佳性能，我们建议使用 MSA 运行模型。以下脚本演示了如何向模型提供 MSA。
````外壳
python 示例/msas/predict_with_msas.py
````
有关进一步说明，请参阅下面的“如何向 Chai-1 提供 MSA？”。
<详情>
默认情况下，权重会自动下载并存储在