## 1. 推理 Benchmark ### 1.1 软硬件环境 PP-Helixfold模型的推理测试是在NVIDIA A100 (40G)单卡上完成的，batch size大小为1。为了能复现我们论文中报告的实验结果，需在特定环境下进行实验。 * Python: 3.7 * CUDA 11.2 * CUDNN 8.10.1 * NCCL 2.12.12. ### 1.2 数据集 PP-HelixFold模型使用的训练样本25%来自RCSB PDB，75%来自自蒸馏数据集。测试时，我们搜集了87个CASP14的结构域蛋白和371个从2021-09-04到2022-02-19的CAMEO蛋白作为测试集。 ### 1.3 模型效果 通过与原版AlphaFold2模型和哥伦比亚大学Mohammed AlQuraishi教授团队基于PyTorch复现的OpenFold模型的性能对比测试显示，PP-HelixFold模型的训练性能相比AlphaFold2提升106.97%，相比OpenFold提升104.86%，将训练耗时从约11天减少到7.5天，并且在使用混合并行时能进一步降低至5.3天。在性能大幅度提升的同时，PP-HelixFold从头端到端完整训练可以达到AlphaFold2论文媲美的精度。在包含87个蛋白的CASP14数据集和371个蛋白的CAMEO数据集上，PP-HelixFold模型的TM-score指标分别达到0.8771和0.8885，与原版AlphaFold2准确率相当甚至更优。   ## 2. 相关使用说明 请参考：https://github.com/PaddlePaddle/PaddleHelix/tree/dev/apps/protein_folding/helixfold
