集群软件使用方法

软件统一存放路径

集群上的软件均集中放置在 /appsnew/ 目录下，目录结构如下：

bash

/appsnew/
 ├── bioapps       # 生物信息类软件
 ├── CryoEMapps    # 冷冻电镜相关软件
 ├── mdapps        # 分子设计相关软件
 ├── physapps      # 物理学相关软件
 ├── opt           # 优化与通用工具
 ├── usr           # 用户编译的通用软件（如 gcc, python 等）
 ├── source        # 软件环境配置脚本（启动入口）
 ├── clusterinfo   # 集群说明与信息
 ├── desktop       # 桌面环境相关
 ├── podman        # 容器相关工具
 ├── rocky8.8_opt  # Rocky Linux 8.8 平台兼容软件
 ├── src           # 源码包存放区
 ├── tmp / testhpc / iso / home # 临时或测试用目录

说明：

不同类别的软件放置在对应子目录中。
在集群中，软件必须通过 /appsnew/source/ 下的脚本加载，source 脚本会自动配置好软件所需的运行环境（路径、依赖库等）

注意

一句话：先 source，再用软件！

1. 使用不同版本的 GCC

集群中预置了多个 GCC 版本，可通过 source 命令加载。

例如加载 gcc-8.3.0c99

bash

source /appsnew/source/gcc-8.3.0c99.sh
which gcc

输出示例：

bash

/appsnew/usr/gcc/gcc-8.3.0c99/bin/gcc

其他版本还有 gcc-8.3.0.sh、gcc-9.3.0.sh、gcc-11.3.0.sh、gcc-12.1.0.sh 等。
gcc-8.3.0c99.sh 和 gcc-8.3.0.sh 区别在于使用了c99标准进行编译。

2. 使用不同版本的 Python

例如加载 Python 3.8.6：

bash

source /appsnew/source/Python-3.8.6.sh
which python

输出示例：

bash

/appsnew/usr/python/Python-3.8.6/virtualenv/bin/python

说明：

每个 Python 版本自带独立虚拟环境（virtualenv），避免冲突。
退出环境使用 deactivate 命令即可
根据项目需求选择合适版本。

3. 使用不同版本的 Conda

集群中预置了多个 Anaconda 、Miniconda版本，可通过 source 命令加载。

示例：加载 Anaconda3-2025.06-1

bash

source /appsnew/source/Anaconda3-2025.06-1.sh

环境加载成功后，你会看到命令行提示符发生变化，例如

bash

(base) [skl_lcy@login01 ~]#

验证 Python 路径：

bash

which python

示例输出：

bash

/appsnew/usr/python/Anaconda3-2025.06-1/bin/python

切换 Conda 源

为提升下载速度，可以切换为国内镜像：

bash

# 清华源
cat /appsnew/source/conda.tsu > ~/.condarc && conda clean -i

# 中科大源
cat /appsnew/source/conda.ustc > ~/.condarc && conda clean -i

# 切换回官方源
cat /appsnew/source/conda.official > ~/.condarc && conda clean -i

查看所用源

bash

conda config --show channels && \
conda config --show default_channels && \
conda config --show custom_channels

不要修改系统 base 环境
使用前建议在在个人目录创建属于自己的环境
使用镜像源（推荐使用清华源）

4. 使用不同版本的深度学习框架

例如加载 TensorFlow 2.11 环境：

bash

source /appsnew/source/Tensorflow2.11_Keras2.11.0_keras-nightly2.13.0_torch1.13.1_py3.9.4_cuda11.4.4.sh

环境加载成功后，你会看到命令行提示符发生变化，例如：

bash

(py3.9.4t2.11) [skl_lcy@login01 ~]#

进入 Python 并导入 TensorFlow，在 Python 解释器里执行测试

bash

(py3.9.4t2.11) [skl_lcy@login01 ~]# python
Python 3.9.4 (default, Apr 24 2021, 19:48:02) 
[GCC 4.8.5 20150623 (Red Hat 4.8.5-36)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
2025-08-25 11:47:32.971828: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX2 AVX512F AVX512_VNNI FMA
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2025-08-25 11:47:33.077862: I tensorflow/core/util/port.cc:104] oneDNN custom operations are on. You may see slightly different numerical results due to floating-point round-off errors from different computation orders. To turn them off, set the environment variable `TF_ENABLE_ONEDNN_OPTS=0`.
>>> print("TensorFlow 版本:", tf.__version__)
TensorFlow 版本: 2.11.0
>>>

5. 使用不同版本的 R

集群中预置了多个 R 版本，可通过 source 命令加载。

示例：加载 R-3.5.3

bash

source /appsnew/source/R-3.5.3.sh
which R

输出结果：

bash

/appsnew/usr/R/R-3.5.3/bin/R

其他版本还有 MRO-3.5.2.sh、R-3.6.3.sh、R-4.2.3.sh、R-4.4.0.sh 等。

6. 使用不同版本的 Java

集群中预置了多个 Java 版本，可通过 source 命令加载。

示例：加载 Java JDK 11.0.3

bash

source /appsnew/source/java_jdk-11.0.3.sh
which java

输出结果：

bash

/appsnew/opt/java/jdk-11.0.3/bin/java

其他版本还有 openjdk-12.0.1.sh、jdk-1.8.0.sh 等。

7. 使用不同版本的 FFTW

集群中预置了多个 FFTW 版本，可通过 source 命令加载。

示例：加载 FFTW 2.1.5 (GCC 版)

bash

source /appsnew/source/fftw-3.3.8gcc.sh
which fftw-wisdom

输出结果：

bash

/appsnew/usr/fftw/fftw-3.3.8gcc/bin/fftw-wisdom

其他版本还有 fftw-2.1.5intel2019.sh、fftw-3.3.8gcc.sh、fftw-3.3.8intel2019.sh 等。

8. 使用不同版本的 Boost

集群中预置了多个 Boost 版本，可通过 source 命令加载。

示例：加载 加载 Boost 1.70.0

进入测试目录

bash

mkdir -p ~/lustre1/test
cd ~/lustre1/test

创建测试程序 test_boost.cpp

cpp

#include <boost/version.hpp>
#include <iostream>
int main() {
    std::cout << "Boost version: "
              << BOOST_VERSION / 100000 << "."
              << BOOST_VERSION / 100 % 1000 << "."
              << BOOST_VERSION % 100
              << std::endl;
    return 0;
}

加载 Boost 环境并编译

bash

source /appsnew/source/boost_1_70_0.sh
g++ test_boost.cpp -I$BOOST_ROOT/include -o test_boost

运行程序

bash

./test_boost

输出结果：

bash

Boost version: 1.70.0

其他版本还包括：boost_1_49_0.sh、boost_1_59_0.sh、boost_1_69_0lt.sh、boost_1_69_0.sh 等，用户可以根据软件或编译器需求选择合适的版本。

9. 使用 PGI 编译器

集群中预置了 PGI 2019 编译器环境，可通过 source 命令加载：

示例：加载 PGI 2019 (LLVM 版)

bash

source /appsnew/source/pgi2019-llvm.sh
pgcc --version

输出结果：

bash

pgcc 19.4-0 LLVM 64-bit target on x86-64 Linux -tp skylake 
PGI Compilers and Tools
Copyright (c) 2019, NVIDIA CORPORATION.  All rights reserved.

表示已成功启用 PGI 编译器。

其他版本还包括：pgi2019.sh —— 非 LLVM 版本

10. 使用不同版本的 GSL

集群中预置了多个 GSL 版本，可通过 source 命令加载。

示例：加载 GSL 2.5

bash

source /appsnew/source/gsl-2.5.sh
gsl-config --version

输出结果：

bash

2.5

表示已成功启用 GSL 2.5。

其他版本还包括：gsl-1.16.sh

11. 使用更高版本的构建与工具链软件

集群中预置了常用的工具和依赖库，可通过 source 命令加载指定版本。

示例：加载 CMake 3.14.3

bash

source /appsnew/source/cmake-3.14.3.sh
cmake --version

输出结果：

bash

cmake version 3.14.3

CMake suite maintained and supported by Kitware (kitware.com/cmake).

其他可用版本：

automake-1.16.sh
gnuplot-5.2.6.sh
zlib-1.2.11.sh

12. 使用不同版本的 Intel 编译器

集群中预置了多个 **Intel **编译器版本，可根据需求通过 source 命令加载。

示例：加载 Intel 2019

bash

source /appsnew/source/intel2022.sh
which icx

输出结果：

bash

/appsnew/usr/intel/intel2022/compiler/2022.1.0/linux/bin/icx

其他版本还包括：intel2018.sh、intel2020u4.sh等

13.使用不同版本的 CUDA 库

集群预置了多个 CUDA 版本，均已包含对应版本的 cuDNN，可根据需求通过 source 命令加载

示例：加载 CUDA 11.8

bash

source /appsnew/source/cuda-11.8.0.sh
nvcc -V

输出结果：

bash

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Wed_Sep_21_10:33:58_PDT_2022
Cuda compilation tools, release 11.8, V11.8.89
Build cuda_11.8.r11.8/compiler.31833905_0

其他版本还有：

bash

# 常用版本
source /appsnew/source/cuda-11.0.3.sh
source /appsnew/source/cuda-11.3.1.sh
source /appsnew/source/cuda-11.4.4.sh
source /appsnew/source/cuda-11.5.2.sh  #可能不可用
source /appsnew/source/cuda-11.8.0.sh  #可能不可用

# 旧版本
source /appsnew/source/cuda-10.0.sh
source /appsnew/source/cuda-10.1.sh

# 以下不支持2018，2019intel编译器，使用2015或者2013编译器编译
source /appsnew/source/cuda-7.0.28.sh
source /appsnew/source/cuda-7.5.sh
source /appsnew/source/cuda-8.0.61.sh
source /appsnew/source/cuda-9.0-cudnnv7.1.sh
source /appsnew/source/cuda-9.0-cudnnv7.4.2.24.sh
source /appsnew/source/cuda-9.0.sh
source /appsnew/source/cuda-9.1-cudnnv7.1.sh
source /appsnew/source/cuda-9.1.sh
source /appsnew/source/cuda-9.2-cudnnv7.1.sh
source /appsnew/source/cuda-9.2-cudnnv7.4.2.24.sh
source /appsnew/source/cuda-9.2.sh

TIP

CUDA 9.x 版本需手动区分不同的 cuDNN 版本（如 v7.1、v7.4.2.24 等），加载时请选择对应脚本；自 CUDA 10 起，cuDNN 已随 CUDA 库统一打包，无需单独指定。

14. 使用不同版本的 Amber

集群中预置了多个 GROMACS 版本，可通过 source 命令加载。

示例：加载 Amber18 (Intel2022 编译，CUDA11.1.4.4 环境)

bash

source /appsnew/source/amber22-intel2022-cuda11.4.4.sh
which pmemd.cuda

输出结果：

bash

/appsnew/mdapps/amber22/bin/pmemd.cuda

说明 Amber 环境已成功加载。

其他版本还包括：amber18-intel2019-cuda10.1.sh、amber18-intel2021-cuda10.2.1.sh 等。

15. 使用不同版本的 GROMACS

集群中预置了多个 GROMACS 版本，可通过 source 命令加载。

示例：加载 GROMACS2024.1-cuda12.3

bash

source /appsnew/source/gromacs2024.1-cuda12.3.sh
which gmx

输出结果：

bash

/appsnew/mdapps/gromacs2024.1-243-cuda12.3/bin/gmx

表示已成功启用 GROMACS。

其他版本还包括：gromacs-2018.8.sh、gromacs2021.1.d.sh 等。

16. 使用不同版本的 Pymol

集群中提供了基于 Anaconda 的 pymol 2.5 环境，可通过 source 和 conda activate 加载。

示例：加载 pymol 2.5

bash

source /appsnew/source/Anaconda3-2022.05-local.sh
conda activate pymol2.5

验证调用模块：

bash

(pymol2.5) python
>>> import pymol

bash

Python 3.8.16 (default, Jan 17 2023, 23:13:24) 
[GCC 11.2.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import pymol
>>>

说明 pymol 模块已成功导入

或者使用：/appsnew/mdapps/pymol2.5.4_py37/bin/python

17. 使用 Gaussian

1. 在个人 lustre1 目录中新建 g16 文件夹

bash

mkdir -p ~/lustre1/g16

2. 拷贝集群上的 Gaussian 程序

bash

cp -r /appsnew/mdapps/Gaussian16/Gaussian16_AVX2 ~/lustre1/g16

3. 设置权限

bash

chmod -R 750 ~/lustre1/g16/Gaussian16_AVX2

4. 编写环境激活脚本

bash

vim ~/lustre1/g16/env_g16.sh

粘贴以下内容即可

bash

#!/bin/bash

# 设置 Gaussian 根目录（为 g16root 所需）
export g16root=$HOME/lustre1/g16

# 设置 Gaussian 可执行目录
export GAUSS_EXEDIR=$g16root/Gaussian16_AVX2/g16

# 将 Gaussian 添加到 PATH
export PATH=$GAUSS_EXEDIR:$PATH

# 设置 Gaussian 临时文件目录
export GAUSS_SCRDIR=$HOME/lustre1/g16/tmp/$SLURM_JOB_ID
mkdir -p $GAUSS_SCRDIR

echo "✅ Gaussian 16 AVX2 环境已激活（$GAUSS_EXEDIR）"

保存后赋予执行权限：

bash

chmod +x ~/lustre1/g16/env_g16.sh

5. 使用时激活环境

每次使用 Gaussian 前，在终端中执行

bash

source ~/lustre1/g16/env_g16.sh

6. 验证环境激活是否成功

bash

which g16

输出应为：

bash

~/lustre1/g16/Gaussian16_AVX2/g16/g16

18. 使用 Alphafold3.01

1. 输入结构文件准备

参考官方说明：Google DeepMind Alphafold3 Input Docs

这里以 PDB 结构 1tce 为例，进入测试目录：

bash

cd ~/lustre1/test

准备文件 1tce.json

json

{
  "name": "1tce",
  "modelSeeds": [1, 22, 333, 4444, 66666],
  "sequences": [
    {"protein": {
       "id": "A",
       "sequence": "AEQLRGEPWFHGKLSRREAEALLQLNGDFLVRESTTTPGQYVLTGSQSGQPKHLLLVDPEGVVRTKDHRFESVSHLISYHMDNHLPIISAGSELCLQQPVERKLLEH"
      }
    },
    {"protein": {
        "id": "B",
        "sequence": "GHDGLYQGLSTATK"
      }
    }
  ],
  "dialect": "alphafold3",
  "version": 1
}

说明：

"name": "1tce" → 定义输出文件夹名。
"modelSeeds": [1, 22, 333, 4444, 66666] → 设置随机种子数，每个种子生成 5 个结构。
"sequences" → 定义蛋白链 ID 和序列。

2. 提交任务脚本

运行任务命令：

bash

bjmurun-l40 1 1 AF3.01RUN.sh 1tce.json

这里：

bjmurun-l40 → 提交到 gpu_l40 分区。
第一个 1 → 使用 1 个节点。
第二个 1 → 使用 1 张 GPU 卡。
AF3.01RUN.sh → 执行脚本。
1tce.json → 输入文件。

任务提交后，会自动生成以下文件：

bash

[skl_lcy@login01 test]# ls
1tce.json  AF3192921_68062.err  AF3192921_68062.out  alphafold3  job.srp192921

job.srp192921 → Slurm 提交脚本，可修改后再次运行。
AF3192921_68062.out → 标准输出。
AF3192921_68062.err → 错误输出。
alphafold3 → 环境目录

job.srp192921 示例：

bash

#!/bin/bash
#SBATCH -J AF3192921
#SBATCH -p gpu_l40
#SBATCH -N 1 
#SBATCH -o AF3192921_%j.out
#SBATCH -e AF3192921_%j.err
#SBATCH --no-requeue
#SBATCH -A skl_g1
#SBATCH --qos=skll40
#SBATCH --gres=gpu:1
#SBATCH --overcommit
#SBATCH --mincpus=12
pkurun AF3.01RUN.sh 1tce.json

可以添加多任务：

bash

pkurun AF3.01RUN.sh 1shc.json
pkurun AF3.01RUN.sh 19ht.json
pkurun AF3.01RUN.sh 1jq9.json

注意：pkurun 等同于 srun，也可以直接执行脚本，不需要pkurun。

3. 结果文件解析

任务完成后会生成 1tce/ 文件夹：

bash

[skl_lcy@login01 1tce]# ls
1tce_confidences.json          seed-1_sample-0  seed-22_sample-0  seed-333_sample-0  seed-4444_sample-0  seed-66666_sample-0  TERMS_OF_USE.md
1tce_data.json                 seed-1_sample-1  seed-22_sample-1  seed-333_sample-1  seed-4444_sample-1  seed-66666_sample-1
1tce_model.cif                 seed-1_sample-2  seed-22_sample-2  seed-333_sample-2  seed-4444_sample-2  seed-66666_sample-2
1tce_ranking_scores.csv        seed-1_sample-3  seed-22_sample-3  seed-333_sample-3  seed-4444_sample-3  seed-66666_sample-3
1tce_summary_confidences.json  seed-1_sample-4  seed-22_sample-4  seed-333_sample-4  seed-4444_sample-4  seed-66666_sample-4

关键文件：

*_model.cif → 预测结构。
*_confidences.json → 置信度。
*_ranking_scores.csv → 打分结果。

1tce_ranking_scores.csv 内容示例：

csv

seed,sample,ranking_score
1,0,0.8010334016888545
1,1,0.8269798979642062
1,2,0.8080210063849947
...
66666,3,0.7990581424937476
66666,4,0.7869926574613606

解释：

每个种子（seed）会生成 5 个结构（sample=0..4）。
ranking_score 越高，说明预测结构越可信。
一般选择排名最高的结构作为后续分析对象。

1tce_summary_confidences.json 内容示例：

json

{
 "chain_iptm": [0.76, 0.76],
 "chain_pair_iptm": [
   [0.84, 0.76],
   [0.76, 0.02]
 ],
 "chain_pair_pae_min": [
   [0.76, 1.18],
   [1.1, 0.76]
 ],
 "chain_ptm": [0.84, 0.02],
 "fraction_disordered": 0.12,
 "has_clash": 0.0,
 "iptm": 0.76,
 "ptm": 0.84,
 "ranking_score": 0.83
}

指标	含义	数值	解读
pTM	预测整体构象精度	0.84	高于 0.8，整体结构预测可信
ipTM	蛋白-蛋白界面预测精度	0.76	高于 0.5，说明可能存在相互作用
fraction_disordered	无序区域比例 (0~1)	0.12	无序比例低，结构较稳定
has_clash	原子冲突情况	0.0	无明显原子冲突
ranking_score	综合打分	0.83	高于 0.75，预测结果可信
chain_pair_iptm	链间界面 TM-score 矩阵	A-A:0.84, A-B:0.76 B-A:0.76, B-B:0.02	A-B 跨链 ipTM=0.76，说明界面预测精度可靠
chain_pair_pae_min	链间最小 PAE 误差矩阵 (Å)	A-A:0.76, A-B:1.18 B-A:1.10, B-B:0.76	A-B 跨链误差 ~1 Å，说明链间相对位置预测可靠

整体可信度高：pTM=0.84，ipTM=0.76。
复合物相互作用可靠：A-B 界面预测 TM-score 较高，跨链误差低。
结构稳定：fraction_disordered=0.12，预测模型有序；has_clash=0.0，无冲突。
综合评分 ranking_score=0.83 → 高于 0.75，预测模型可信度强。

结构对比：

青色 → PDB 实验结构（核磁）。
绿色 → AF3.01 预测结构。
RMSD = 1.214 (725 to 725 atoms)。

RMSD 1.214 Å 表示实验结构与预测结构之间的平均原子坐标偏差约为 1.2 Å，在结构生物学里属于高一致性（通常 <2 Å 就认为预测和实验结果非常接近）。
差异主要集中在柔性 loop 区域，不影响整体结构可信度。

4. 其他 GPU 分区

默认推荐 gpu_l40，因为是单卡节点。

如果需要，也可提交到其他分区：

bash

bjmurun-l48  1 1 AF3.01RUN.sh 1tce.json
bjmurun-h100 1 1 AF3.01RUN.sh 1tce.json # 当前暂不支持AF3.01，请投其他分区
bjmurun-a800 1 1 AF3.01RUN.sh 1tce.json

WARNING

这些分区一般为 8 卡节点，不建议单卡跑

集群软件使用方法 ​

软件统一存放路径 ​

1. 使用不同版本的 GCC ​

2. 使用不同版本的 Python ​

3. 使用不同版本的 Conda ​

切换 Conda 源 ​

4. 使用不同版本的深度学习框架 ​

5. 使用不同版本的 R ​

6. 使用不同版本的 Java ​

7. 使用不同版本的 FFTW ​

8. 使用不同版本的 Boost ​

9. 使用 PGI 编译器 ​

10. 使用不同版本的 GSL ​

11. 使用更高版本的构建与工具链软件 ​

12. 使用不同版本的 Intel 编译器 ​

13.使用不同版本的 CUDA 库 ​

14. 使用不同版本的 Amber ​

15. 使用不同版本的 GROMACS ​

16. 使用不同版本的 Pymol ​

17. 使用 Gaussian ​

18. 使用 Alphafold3.01 ​

集群软件使用方法

软件统一存放路径

1. 使用不同版本的 GCC

2. 使用不同版本的 Python

3. 使用不同版本的 Conda

切换 Conda 源

4. 使用不同版本的深度学习框架

5. 使用不同版本的 R

6. 使用不同版本的 Java

7. 使用不同版本的 FFTW

8. 使用不同版本的 Boost

9. 使用 PGI 编译器

10. 使用不同版本的 GSL

11. 使用更高版本的构建与工具链软件

12. 使用不同版本的 Intel 编译器

13.使用不同版本的 CUDA 库

14. 使用不同版本的 Amber

15. 使用不同版本的 GROMACS

16. 使用不同版本的 Pymol

17. 使用 Gaussian

18. 使用 Alphafold3.01