AlphaFold のデータベースダウンロードのトラブルシューティング

#Bioinformatics

#AWS

大村保貴

2024.6.29

AlphaFold / OpenFold は、タンパク質の立体構造予測において革新的なツールです。実行するには巨大なデータベースのダウンロードが必要となります。本記事では、EC2 インスタンスでの AlphaFold データベースダウンロード時の問題と対策を紹介します。

背景と課題

私は AlphaFold ではなく OpenFold の環境構築していました。その際に EC2 インスタンス（EBS）への AlphaFold のデータベースをダウンロード時に以下の問題がありました。

EBS 容量不足によるダウンロード失敗
長いダウンロード時間
ダウンロードの途中失敗

以下、各問題の詳細と解決策を説明します。

EBS容量不足

問題の背景

コストを節約するために必要最小限の EBS 容量を確保していたので要因です。

必要容量

OpenFold の全データベースには約 2.7TB 以上のストレージが必要です。データベースの容量は以下の通りです。

BFD: 1.8 TB
MGnify: 120 GB
PDB mmCIF: 238 GB
UniRef30: 206 GB
UniRef90: 67 GB
UniProt: 105 GB
PDB70: 56 GB
PDB seqres: 0.2 GB
OpenFold パラメータ: 3.5 GB

推奨対策

必要容量を確認する（最低 2.7TB）

長いダウンロード時間

問題の背景

ダウンロード時間の長さは、私の検証タイミングによると AlphaFold 2 のリリース直後（2021 年）から現在（2024 年）まで継続しています。

具体的な所要時間

北米リージョンの EC2 インスタンス：約一晩
日本国内のオンプレミス環境：約一日

推奨対策

ダウンロードスクリプトをバックグランド実行（※後述）
下手に手を出さずに大人しく待つ

データベースファイルの保存場所と影響

データベースファイルは世界各地に分散して保存されているため、特定のリージョンを選択してもダウンロード速度の大幅な改善は期待できない可能性があります。

アメリカ
ヨーロッパ
Google Cloud Storage（リージョン不明）

注意: CDN を利用している可能性があるため、実際のダウンロード速度は予測が困難です。

以下、データベースファイルのホスト先情報です。

BFD

スクリプト: download_bfd.sh
ソース: https://storage.googleapis.com/alphafold-databases/v2.3/UniRef30_2021_03.tar.g
地域: 不明（Google Cloud Storage）

MGnify

スクリプト: download_mgnify.sh
ソース: https://storage.googleapis.com/alphafold-databases/v2.3/mgy_clusters_2022_05.fa.gz
地域: 不明（Google Cloud Storage）

PDB70

スクリプト: download_pdb70.sh
ソース: http://wwwuser.gwdg.de/~compbiol/data/hhsuite/databases/hhsuite_dbs/old-releases/pdb70_from_mmcif_latest.tar.gz
地域: ドイツ

PDB mmCIF

スクリプト: download_pdb_mmcif.sh
ソース: https://ftp.wwpdb.org/pub/pdb/data/structures/divided/mmCIF/
地域: アメリカ

UniRef30

スクリプト: download_uniref30.sh
ソース: https://storage.googleapis.com/alphafold-databases/v2.3/UniRef30_2021_03.tar.g
地域: 不明（Google Cloud Storage）

UniRef90

スクリプト: download_uniref90.sh
ソース: ftp://ftp.uniprot.org/pub/databases/uniprot/uniref/uniref90/uniref90.fasta.gz
地域: イギリス

UniProt

スクリプト: download_uniprot.sh
ソース:
- ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_trembl.fasta.gz
- ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz
地域: イギリス

PDB seqres

スクリプト: download_pdb_seqres.sh
ソース: ftp://ftp.wwpdb.org/pub/pdb/derived_data/pdb_seqres.txt
地域: アメリカ

OpenFold パラメータ

スクリプト: download_openfold_params.sh
ソース: s3://openfold/openfold_params/ （us-east-1）
地域: AWS 北米リージョン

ダウンロードの途中失敗

問題の背景

download_alphafold_dbs.shスクリプトの完了メッセージが確認できない
aria2cコマンドによるレジューム機能が期待通りに動作しない

原因は特定できないのですが、ダウンロードが完了しなく何度も再実行しても完了メッセージを確認できませんでした。

推奨対策

個別のダウンロードスクリプトをバックグラウンドで実行する。一括ダウンロードスクリプトではなく、個別のスクリプトを実行する方針にしました。

nohup bash scripts/download_bfd.sh data/ > bfd_download.log 2>&1 &
nohup bash scripts/download_uniclust30.sh data/ > uniclust30_download.log 2>&1 &
nohup bash scripts/download_mgnify.sh data/ > mgnify_download.log 2>&1 &
nohup bash scripts/download_pdb70.sh data/ > pdb70_download.log 2>&1 &
nohup bash scripts/download_pdb_mmcif.sh data/ > pdb_mmcif_download.log 2>&1 &
nohup bash scripts/download_uniprot.sh data/ > uniprot_download.log 2>&1 &
nohup bash scripts/download_openfold_params.sh data/ > openfold_params_download.log 2>&1 &