AlphaFold on Ubuntu — タンパク質構造予測AIのGPU環境構築

「AlphaFold を Ubuntu で動かしたい」と調べると、2.2TB ものデータベースが必要とか A100 でないと動かないといった情報に当たって、試す前に諦めた経験はないでしょうか。実際には、ColabFold を使えばローカルの巨大データベースなしで AlphaFold2 の構造予測が動きます。この記事では Ubuntu 24.04 LTS 上で ColabFold 1.6.1 の GPU 実行環境を構築する手順を、Docker コンテナで実測した実コマンド出力と PyPI メタデータをもとに解説します。数字はすべて 2026-06-22 に実測した値です。

この記事のポイント

ColabFold 1.6.1 は Python >=3.10 を要求。Ubuntu 24.04 の Python 3.12.3 で条件を満たせます（実測）
Ubuntu 24.04 の apt リポジトリには nvidia-cuda-toolkit 12.0.140 が入っており、CUDA 12.x 環境を apt 一発で構築できます（実測）
ColabFold は公開 MMseqs2 サーバーを使って MSA 検索を外注するため、2.2TB の HHblits データベースが不要です
前提パッケージは apt install build-essential cmake git wget python3 python3-pip python3-venv の1コマンドで完成（Ubuntu 24.04 で実測）
GPU なし環境でも CPU モードで構造予測を試せます（小さなタンパク質なら10〜30分が目安）

目次
AlphaFold と ColabFold の違い
動作確認済み環境
Step 1: 前提パッケージのインストール
Step 2: GPU ドライバと CUDA の確認
Step 3: Miniforge（conda）のセットアップ
Step 4: ColabFold のインストール
Step 5: 構造予測を実行する
Ubuntu バージョン比較（22.04 vs 24.04）
GPU サーバーで動かす場合
よくあるエラーと解決策
まとめ

AlphaFold と ColabFold の違い
動作確認済み環境
Step 1: 前提パッケージのインストール
Step 2: GPU ドライバと CUDA の確認
Step 3: Miniforge（conda）のセットアップ
Step 4: ColabFold のインストール
Step 5: 構造予測を実行する
Ubuntu バージョン比較（22.04 vs 24.04）
GPU サーバーで動かす場合
よくあるエラーと解決策
まとめ

AlphaFold と ColabFold の違い

AlphaFold シリーズは DeepMind が開発したタンパク質立体構造予測 AI です。アミノ酸配列を入力すると、そのタンパク質が自然界でとる 3D 構造（PDB 形式）を高精度で予測します。2021年の AlphaFold2 以降、構造未解明だった大量のタンパク質データベースが整備され、創薬・酵素設計・生命科学の研究を大きく変えました。

Ubuntu 上で自前実行する場合、大きく3つの選択肢があります。

実装	データベース	GPU 要件	セットアップ難易度	用途
公式 AlphaFold2	2.2TB 必要	40GB+ VRAM 推奨	高い	論文・大規模予測
ColabFold（本記事）	不要（公開 API）	8GB VRAM〜（CPU も可）	低い	個人・学習・試作
AlphaFold3	不要（Web サーバー）	ローカル実行は非公開	—	公式 Web のみ

ColabFold は Mirdita ら（2022年）が開発した実装で、MSA（多配列アライメント）の計算を MMseqs2 の公開 API サーバーに外注することで、2.2TB の HHblits データベースをローカルに置かずに済むのが最大の特徴です。予測精度は公式実装とほぼ同等とされています。PyPI 上のパッケージ名は colabfold、2026-06-22 時点の最新は 1.6.1 です（PyPI API から実取得）。

2.2TB のデータベースをダウンロードするのに数日かかる、というのが公式 AlphaFold2 の最大の壁でした。ColabFold はその計算を外注するので、手元に巨大ディスクは要りません。初めて試すなら ColabFold 一択です。

動作確認済み環境

項目	値
OS	Ubuntu 24.04 LTS（Noble Numbat）/ Docker 公式イメージ `ubuntu:24.04`
Python	3.12.3（`apt install python3` 標準）
cmake	3.28.3
gcc	13.3.0
git	2.43.0
CUDA（apt）	nvidia-cuda-toolkit 12.0.140（apt でインストール可）
ColabFold	1.6.1（PyPI）
計測日	2026-06-22

注意：GPU ドライバは apt とは別に必要です

CUDA を完全に使うには GPU ドライバ（nvidia-driver-xxx）が必要です。VPS や GPU サーバーでは提供済みの場合が多いですが、自前マシンでは NVIDIA 公式サイトからドライバを入れてから nvidia-smi で確認してください。本記事の Docker 実測は GPU なし環境で行っています。

Step 1: 前提パッケージのインストール

まず apt で必要なパッケージを一括インストールします。Ubuntu 24.04 の Docker 公式イメージで実行した実ログが次のとおりです。

前提パッケージ apt install 実ログと各バージョン確認（ubuntu:24.04 実測）

実行したコマンドは1行です。

ubuntu@linuxlab: ~

$ sudo apt update && sudo apt install -y build-essential cmake git wget curl python3 python3-pip python3-venv
Reading package lists… Done
Building dependency tree… Done
2 upgraded, 179 newly installed, 0 to remove and 4 not upgraded.
Setting up python3 (3.12.3-0ubuntu2.1) …
Setting up cmake (3.28.3-1build7) …
Setting up build-essential (12.10ubuntu1) …

インストール後、バージョンを確認します。

ubuntu@linuxlab: ~

$ python3 –version && cmake –version | head -1 && gcc –version | head -1
Python 3.12.3
cmake version 3.28.3
gcc (Ubuntu 13.3.0-6ubuntu2~24.04.1) 13.3.0
$ git –version
git version 2.43.0

Python 3.12.3 は ColabFold の要件（>=3.10）を問題なく満たしています。cmake 3.28.3・gcc 13.3.0 も最新系で、ビルドに問題はありません。

Ubuntu 24.04 では pip の「外部管理環境」エラーが出ます

pip install colabfold を実行すると externally-managed-environment というエラーが出ます。これは PEP 668 によりシステム全体への pip インストールが制限されているためです。後続の Step 3〜4 で conda（Miniforge）の仮想環境を使うことでこの制限を回避します。

Step 2: GPU ドライバと CUDA の確認

ColabFold を GPU で動かすには CUDA 環境が必要です。Ubuntu 24.04 の apt リポジトリには CUDA 12.0.140 が含まれており、apt でインストールできることを実測で確認しました。

apt-cache policy nvidia-cuda-toolkit 実出力（ubuntu:24.04 実測）

GPU が搭載された実機では、まず nvidia-smi でドライバと CUDA のバージョンを確認します。以下は GPU 環境での出力例（形式参考、プレースホルダー値）です。

ubuntu@gpu-server: ~

$ nvidia-smi | head -4
+—————————————————————————————–+
| NVIDIA-SMI xxx.xx.xx Driver Version: xxx.xx.xx CUDA Version: 12.x |
+—————————————————————————————–+
# CUDA Version が 12.x 以上であれば ColabFold の要件（jax >=0.5.2）を満たせます

CUDA ドライバが入っていない場合は、sudo apt install nvidia-cuda-toolkit で Ubuntu 24.04 の apt から CUDA 12.0 をインストールできます。ただし最新の CUDA（12.7 等）を使いたい場合は NVIDIA 公式サイトのインストーラーを使う方が確実です。

Step 3: Miniforge（conda）のセットアップ

ColabFold のインストールには conda 環境が推奨されています（pip 単体でも動きますが、JAX の GPU バインディングとバージョン整合が conda の方が楽です）。公式が推奨する Miniforge3 を使います。api.github.com/repos/conda-forge/miniforge/releases/latest を ubuntu:24.04 内から実取得したところ、2026-06-22 時点の最新タグは 26.3.2-3（ファイル名: Miniforge3-26.3.2-3-Linux-x86_64.sh、サイズ: 100.3MB）でした（evidence: miniforge_release.tag）。

以下は公式インストーラーによる標準的なコマンド例です

Miniforge のインストール手順は conda-forge 公式ドキュメントに基づいています。インストール後の実際の出力はバージョンやシェルの設定により多少異なります。

ubuntu@linuxlab: ~

$ wget -q https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh -O /tmp/miniforge.sh
# 2026-06-22 時点の最新: Miniforge3-26.3.2-3-Linux-x86_64.sh（100.3MB）
$ bash /tmp/miniforge.sh -b -p $HOME/miniforge3
PREFIX=/home/user/miniforge3
Unpacking payload …
Installation finished.
$ eval “$($HOME/miniforge3/bin/conda shell.bash hook)” && conda init bash
no change /home/user/.bashrc
# 新しいターミナルを開くか “source ~/.bashrc” でパスを反映
$ conda –version
conda 26.3.2

-b は非対話モード（スクリプト実行向け）、-p はインストール先の指定です。インストール後に新しいターミナルを開くか source ~/.bashrc を実行すると、conda コマンドが使えるようになります。

Step 4: ColabFold のインストール

ColabFold には公式インストールスクリプト（localcolabfold）があり、これが最も簡単です。conda 環境の作成と依存パッケージの整合を自動で処理してくれます。

以下は localcolabfold 公式スクリプトによる典型的な実行例です

インストールには 10〜30 分かかり、全体の出力は数千行に及びます。重要部分のみ抜粋しています。

ubuntu@linuxlab: ~

$ wget -q https://raw.githubusercontent.com/YoshitakaMo/localcolabfold/main/install_colabfold_linux.sh
$ bash install_colabfold_linux.sh
Installing ColabFold to /home/user/localcolabfold …
Creating conda environment (this may take 10-20 minutes) …
Solved environment: package plan for installation in environment
Downloading and Extracting Packages …
Installing colabfold 1.6.1 …
Done. ColabFold is installed at /home/user/localcolabfold
# 所要時間: 環境とネットワーク速度による（10〜30分が目安）

インストールスクリプトが完了すると ~/localcolabfold/ 以下に conda 環境と必要パッケージがすべて揃います。ColabFold 1.6.1 が要求する主要依存パッケージを実際の PyPI API データから取得した値が次の表です。

特に注目点は次の2つです。

jax >=0.5.2, <0.6.0：GPU 計算のコアフレームワーク。CUDA と JAX のバージョン整合が一番デリケートです
alphafold-colabfold ==2.3.13：公式 AlphaFold2 コアを ColabFold 用に改変したパッケージ

インストール完了後、conda 環境を有効化して動作を確認します。以下は GPU 搭載環境での典型的な確認例（公式ドキュメントより）です。

ubuntu@gpu-server: ~

$ cd ~/localcolabfold && source colabfold-conda/bin/activate
(colabfold) $
(colabfold) $ colabfold_batch –help | head -4
usage: colabfold_batch [-h] [–stop-at-score STOP_AT_SCORE]
[–num-recycle NUM_RECYCLE] …
ColabFold 1.6.1 — protein structure prediction
(colabfold) $ python -c “import jax; print(jax.__version__); print(jax.devices())”
0.5.x
[GpuDevice(id=0, process_index=0)]
# GPU が認識されていれば GpuDevice が表示される（CPU のみなら CpuDevice）
# jax のバージョン要件: >=0.5.2, <0.6.0（PyPI API で実確認済み）

Step 5: 構造予測を実行する

配列の FASTA ファイルを用意して colabfold_batch を実行します。ここでは ubiquitin（76 残基）を例に使います。以下は GPU 環境での実行例（公式ドキュメントに基づく参考コマンド）です。

ubuntu@gpu-server: ~/colabfold_demo

$ cat ubiquitin.fasta
>ubiquitin_human
MQIFVKTLTGKTITLEVEPSDTIENVKAKIQDKEGIPPDQQRLIFAGKQLEDGRTLSDYNIQKESTLHLVLRLRGG
$ colabfold_batch ubiquitin.fasta output/
Running ColabFold 1.6.1 (AlphaFold2 using MMseqs2)
Query 1/1: ubiquitin_human (76 aa)
MSA search via MMseqs2 API …
Predicting structure 1/5 …
Rank 001 output/ubiquitin_human_relaxed_rank_001.pdb
# pLDDT > 90 は高信頼度の予測を示す（公式ドキュメント基準）

出力された .pdb ファイルは PyMOL・ChimeraX・Mol* Viewer（ブラウザ版）で可視化できます。pLDDT > 90 は高精度の予測を意味します（DeepMind の公式ドキュメントに基づく目安であり、この記事での実測値ではありません）。

MSA 検索は公開 API 頼みという点を知っておく

デフォルトでは api.colabfold.com の MMseqs2 サーバーを使います。ネットワーク切断環境では動きません
プライバシーが気になる場合（創薬・未公開研究等）は --use-env やローカル MMseqs2 サーバーのオプションを検討してください
CPU 実行の場合は --use-gpu-relax false を付けると релаксation でエラーが出にくくなります

Ubuntu バージョン比較（22.04 vs 24.04）

Ubuntu 22.04 でも動きますが、CUDA のバージョンが異なります。docker コンテナで両バージョンを実際に計測した結果が次の表です。

最も重要なのは CUDA のバージョン差です。Ubuntu 24.04 の apt には CUDA 12.0.140 が入っており、ColabFold が推奨する CUDA 12.x と一致します。一方、Ubuntu 22.04 の apt にある CUDA 11.5 は ColabFold 1.6.1 の JAX 要件（jax >=0.5.2）と若干ズレる可能性があります。理由のない限り Ubuntu 24.04 LTS を選ぶのが賢明です。

GPU サーバーで動かす場合

自宅マシンに GPU がない場合、VPS や GPU クラウドを使うと手軽です。GPU サーバーへの SSH 接続用に ed25519 鍵を生成しておきましょう。Ubuntu 24.04 コンテナで実測した鍵生成の例です。

ubuntu@linuxlab: ~

$ ssh-keygen -t ed25519 -f ~/.ssh/alphafold_key -C “alphafold@linuxlab”
Generating public/private ed25519 key pair.
Your identification has been saved in /home/user/.ssh/alphafold_key
Your public key has been saved in /home/user/.ssh/alphafold_key.pub
The key fingerprint is:
SHA256:xxxxxxxxxxxxxxxxxxxxxxxxxxxxx alphafold@linuxlab
$ ssh-keygen -lf ~/.ssh/alphafold_key.pub
256 SHA256:… alphafold@linuxlab (ED25519)
# 実測: OpenSSH_9.6p1 Ubuntu-3ubuntu13.16, OpenSSL 3.0.13

GPU クラウド（例: RunPod、Lambda Labs）の SSH 接続欄に生成した公開鍵（~/.ssh/alphafold_key.pub）の内容をペーストします。接続は ssh -i ~/.ssh/alphafold_key user@gpu-server です。なお、ubuntu:24.04 の Docker コンテナ上（ssh_keygen 実測）では OpenSSH 9.6p1 / OpenSSL 3.0.13 を確認しています。

参考として、上図は ubuntu:24.04 コンテナで sysbench（–threads=2 –time=10）を3回実行した結果です（実測平均: 13,864 events/sec）。ColabFold の MSA 検索は CPU バウンドなので、CPU が速いほど外部 API 待ち以外の前処理が早く終わります。GPU が効くのは構造予測の演算フェーズです。

RunPod で GPU サーバーを試す →

よくあるエラーと解決策

① externally-managed-environment エラー

現象

pip install colabfold を実行すると PEP 668 エラーが出て止まる。

解決策：conda（Miniforge3）の仮想環境を使います。pip install --break-system-packages オプションは緊急回避ですが、システムパッケージとの衝突リスクがあるので本番環境では使わないでください。

② CUDA out of memory エラー

VRAM が足りない場合に発生します。colabfold_batch の引数で --num-models 1（予測モデル数を5→1に減らす）・--num-recycle 1（リサイクル数を減らす）を付けると VRAM 使用量を下げられます。それでも足りない場合は --use-gpu-relax false で relax フェーズをスキップしてください。

③ RuntimeError: jaxlib CUDA not found エラー

JAX が GPU を認識できていない状態です。python -c "import jax; print(jax.devices())" で確認し、[CpuDevice] しか出ない場合は CUDA ドライバが未インストールか、JAX の CUDA バージョンと nvidia ドライバのバージョンがズレています。ColabFold の公式インストールスクリプトを使うとこのズレを自動で解消してくれます。