2022/05/13

戴尔 PowerEdge XE8545 帮助企业轻松应对AI时代浪潮

戴尔官方企采中心

蛋白质对于人体和生命来说

犹如高楼大厦中的一砖一瓦

失去蛋白质，生命也会如同

缺少材料的大楼般轰然倒塌

人体中存在众多类型的蛋白质，如人体免疫系统的抗体蛋白、胶原蛋白、抗冻蛋白、核糖体等，每种蛋白质都有自己独特的蛋白质三维结构。研究蛋白质，对于生命科学与药物研发具有重要的价值。

很多人体疫病，都是由蛋白质的错误折叠引发的，比如帕金森症、阿尔斯海默症、亨廷顿症等。药物原理类似于一把钥匙，锁就是疫病靶点，通常可以把它认为是一种蛋白质。“钥匙小分子”加入锁孔就是和蛋白质发生结合，抑制蛋白质正常作用，或者激活蛋白质的某些作用。

因此，了解和预测蛋白质的形状，有利于科学家设计出新的更有效的治疗疾病的方法，帮助新药物发现，降低实验成本。

蛋白质是由氨基酸序列组成，但真正决定蛋白质作用的是它的3D结构，即氨基酸序列的折叠方式，如下图的示例。蛋白质结构发现的主要方法，包括X-ray晶体衍射法、核磁共振法，以及2013年后成为热门的冷冻电镜三维重构法等。但是冷冻电镜采购成本高昂，图像重构需要耗费大量的计算力，往往需要很长时间才能解出一个新的蛋白质3D结构。

1972年诺贝尔化学奖得主，美国生物化学家克里斯蒂安. 安芬森提出：给定一个氨基酸序列，理论上就能预测出蛋白质的3D结构。五十年来，为了验证这个理论，科学家尝试各种模型预测蛋白质结构的方法，但是在全球蛋白质结构预测领域最知名的CASP竞赛中，直到2018年预测准确率的成绩只是40%上下。

蛋白质越大，模型越复杂和困难，因为需要考虑氨基酸之间更多相互作用。据统计，枚举一个蛋白质可能的构型平均有10的300次幂的搜索空间。采用传统的如分子动力学结构预测计算方案，需要极高的算力以及漫长的计算时间。在过去50年的时间内，只有17%的人类蛋白质组得到结构解析。

2020年Google DeepMind推出的AlphaFold2改变了一切。2020年12月发布的CASP14成绩单，AlphaFold2将CASP蛋白质结构预测成绩提高到92.4分（满分100分），与蛋白质真实结构只差一个原子的宽度。2021年7月，Alphafold2模型结构及训练过程发布在Nature杂志，并开源了蛋白质结构数据库及推理代码。

Alphafold2能够预测出98.5%的人类蛋白质结构，其中60%的结构位置预测具有可信度。Science杂志则把AlphaFold2评选为2021年十大科学发现之首。

Alphafold2相较第一代AlphaFold的卷积神经网络，利用多序列比对（MSA），将蛋白质的结构和生物信息整合到深度学习算法，主要包括神经网络EvoFormer和结构模块Structure Module：

EvoFormer主要将图网络和多序列比对结合完成结构预测，图网络将蛋白质相关信息构建成一个图表，以此表示不同氨基酸质间的距离；通过三重Attention自注意力机制来处理氨基酸之间的关系图。结构模块主要将EvoFormer得到的信息转换为蛋白质的3D结构。AlphaFold2是一个端到端神经网络，反复将最终损失应用于输出结果，然后对输出结果进行递归，以不断逼近正确结果。

那么，训练AlphaFold2以及使用AlphaFold2进行蛋白质结构预测的推理计算，需要怎样的计算力支持？戴尔科技中国研究院以及戴尔数据中心业务部解决方案团队，通过在GitHub下载AlphaFold2模型代码，部署在Dell PowerEdge XE8545服务器上，使用NVIDIA A100 GPU测试AlphaFlod2对68-2750个氨基酸残基组成的不同大小的蛋白质进行3D结构预测，对AlphaFold2的计算性能和特性进行评估。

戴尔PowerEdge XE8545是戴尔科技最新推出的15G服务器家族中，专门针对AI GPU计算进行设计和优化的加速服务器。4U空间内可以支持4张A100 GPU加速卡，GPU之间通过NVLink实现600GB/s的pear-to-pear高速直连通信。

测试环境硬件及软件配置如下：

●AMD EPYC 7713 64-Core Processor × 2

●1024 GB memory

●Nvidia A100 GPUs × 4, 80GB/500W

●CentOS Linux 7.0

●Python 3.8.0, TensorFlow 2.5.0

●CUDA 11.5, cuDNN 8.3

XE8545推理68-2750个氨基酸残基组成的蛋白质的3D结构预测耗费的计算时间如下表所示（Top1模型，即推荐置信度最佳的模型），使用单张A100推理计算时间从19.3分钟到2个半小时不等。

如果按照DeepMind论文Top5模型，XE8545单卡A100推理计算时间如下：

通过性能日志分析，我们可以明显地看到AlphaFold2在推理过程中，由CPU和GPU交替计算，第一阶段同源序列搜索、模版搜索及特征构造，以及最后阶段3D结构生成的计算过程主要由CPU计算；中间第二个阶段Evoformer神经网络和结构模块计算则主要由GPU进行计算。而XE8545所提供的强劲GPU算力与AMD 多核CPU算力(128核)，则能够确保AlphaFold2在规定时间内完成一个大型的蛋白质3D结构的预测计算。

我们也对比了不同GPU对于AlphaFold2推理计算性能的影响。我们选取了一台戴尔7750工作站，配置一张NVIDIA RTX5000显卡，对蛋白质结构预测(Top1模型)计算性能进行对比，对比结果如下表所示：

实验数据显示：当蛋白质规模很小的时候，企业级与消费级GPU性能相差不大；越大的蛋白质，使用A100结构预测加速性能越明显。预测1511个残基的蛋白质3D结构，XE8545+A100耗费时间是RTX5000的65%；预测2000个残基的蛋白质3D结构，XE8545耗费的时间只有RTX5000的50%。

我们可以看到，当预测2800个残基的蛋白质结构时，RTX5000由于显存容量和算力的限制，无法完成结构预测工作，而XE8545仍然以小时级的时间顺利完成同等规模的蛋白质结构预测。

从模型训练的角度来看，Alphafold2以及后续出现的类似的蛋白质结构预测模型，由于采用Transformer机制，模型训练需要非常高的计算力，通常需要64-512张GPU组成计算集群，采用分布式训练机制，才能在比较短的时间内实现模型收敛。

DeepMind在论文中谈到，训练AlphaFold2模型使用128块Google TPU芯片，接近2周时间完成模型训练。2022年3月，上海交通大学与潞晨科技发布的FastFold模型，使用256张A100 GPU进行初始训练和512张A100进行Fine-tuning，2.81天完成模型训练。