add msas args

README.md

@@ -92,7 +92,7 @@ $DOWNLOAD_DIR/
 ```bash
     ./run_monomer.sh
 ```
-单体推理参数说明：download_dir为数据集下载目录，monomer.fasta为推理的单体序列；`--output_dir`为输出目录；`model_names`为推理的模型名称，`--model_preset=monomer`为单体模型配置；`--run_relax=true`为进行relax操作；`--use_gpu_relax=true`为使用gpu进行relax操作（速度更快，但可能不太稳定），`--use_gpu_relax=false`为使用CPU进行relax操作（速度慢，但稳定）。
+单体推理参数说明：download_dir为数据集下载目录，monomer.fasta为推理的单体序列；`--output_dir`为输出目录；`model_names`为推理的模型名称，`--model_preset=monomer`为单体模型配置；`--run_relax=true`为进行relax操作；`--use_gpu_relax=true`为使用gpu进行relax操作（速度更快，但可能不太稳定），`--use_gpu_relax=false`为使用CPU进行relax操作（速度慢，但稳定）；若添加--use_precomputed_msas=true则可以加载已有的MSAs，否则默认运行MSA工具。
 
 ### 多体
 ```bash

run_alphafold.py

@@ -194,18 +194,18 @@ def predict_structure(
 
   # Get features.
   t_0 = time.time()
-  features_output_path = os.path.join(output_dir, 'features.pkl')
-  if os.path.exists(features_output_path):
-    feature_dict = pickle.load(open(features_output_path, 'rb'))
+  # features_output_path = os.path.join(output_dir, 'features.pkl')
+  # if os.path.exists(features_output_path):
+  #   feature_dict = pickle.load(open(features_output_path, 'rb'))
   
-  else:
-    feature_dict = data_pipeline.process(
-        input_fasta_path=fasta_path,
-        msa_output_dir=msa_output_dir)
+  # else:
+  feature_dict = data_pipeline.process(
+      input_fasta_path=fasta_path,
+      msa_output_dir=msa_output_dir)
   timings['features'] = time.time() - t_0
 
   # Write out features as a pickled dictionary.
-  # features_output_path = os.path.join(output_dir, 'features.pkl')
+  features_output_path = os.path.join(output_dir, 'features.pkl')
   with open(features_output_path, 'wb') as f:
     pickle.dump(feature_dict, f, protocol=4)
 

run_monomer.sh

@@ -2,6 +2,7 @@
  python3 run_alphafold.py \
  --fasta_paths=monomer.fasta \
  --output_dir=./ \
+ --use_precomputed_msas=false \
  --data_dir=$download_dir  \
  --model_names="model_1" \
  --uniref90_database_path=$download_dir/uniref90/uniref90.fasta \

run_multimer.sh

@@ -2,6 +2,7 @@ download_dir=/data/alphafold2
 python3 run_alphafold.py \
  --fasta_paths=multimer.fasta \
  --output_dir=./ \
+ --use_precomputed_msas=false \
  --num_multimer_predictions_per_model=1 \
  --data_dir=$download_dir  \
  --model_names="model_1_multimer_v3" \