PepGLAD

Pepglad: تصميم الببتيد الكامل مع الانتشار الكامن الهندسي

روابط سريعة

• يثبت
  • بيئة
  • مجموعات البيانات
  • الأوزان المدربة
• الاستخدام
  • ببتيد تسلسل بنية co-bruction
  • التنبؤ ببنية ربط الببتيد
• استنساخ تجارب الورق
  • رمز
  • جيل التشكل الملزم
• اتصال
• مرجع

يثبت

بيئة

يمكن بناء بيئة كوندا مع تكوين env.yaml :

conda env create -f env.yaml

يتم اختبار الرموز مع الإصدار 11.7 CUDA و Pytorch الإصدار 1.13.1 .

لا تنس تنشيط البيئة قبل تشغيل الرموز:

conda activate PepGLAD

(اختياري) Pyrosetta

يتم استخدام pyrosetta لحساب طاقة الواجهة للببتيدات التي تم إنشاؤها. إذا كنت مهتمًا به ، فيرجى اتباع التعليمات هنا للتثبيت.

(اختياري) مجموعات البيانات

تستخدم مجموعات البيانات هذه فقط لنماذج القياس. إذا كنت ترغب فقط في استخدام الأوزان المدربة للاستدلال على حالاتك ، فليست هناك حاجة لتنزيل مجموعات البيانات هذه.

بيببش

1. تحميل

يتم تحميل مجموعات البيانات ، التي تم تقديمها في الأصل في هذه الورقة ، إلى Zenodo في عنوان URL هذا. يمكنك تنزيلها على النحو التالي:

mkdir datasets  # all datasets will be put into this directory
wget https://zenodo.org/records/13373108/files/train_valid.tar.gz ? download=1 -O ./datasets/train_valid.tar.gz   # training/validation
wget https://zenodo.org/records/13373108/files/LNR.tar.gz ? download=1 -O ./datasets/LNR.tar.gz   # test set
wget https://zenodo.org/records/13373108/files/ProtFrag.tar.gz ? download=1 -O ./datasets/ProtFrag.tar.gz     # augmentation dataset

2. تخفيض الضغط

tar zxvf ./datasets/train_valid.tar.gz -C ./datasets
tar zxvf ./datasets/LNR.tar.gz -C ./datasets
tar zxvf ./datasets/ProtFrag.tar.gz -C ./datasets

3. عملية

python -m scripts.data_process.process --index ./datasets/train_valid/all.txt  --out_dir ./datasets/train_valid/processed  # train/validation set
python -m scripts.data_process.process --index ./datasets/LNR/test.txt  --out_dir ./datasets/LNR/processed  # test set
python -m scripts.data_process.process --index ./datasets/ProtFrag/all.txt --out_dir ./datasets/ProtFrag/processed # augmentation dataset

يجب إنشاء فهرس البيانات المصنعة لتقسيم القطار/التحقق من الصحة على النحو التالي ، مما سيؤدي إلى datasets/train_valid/processed/train_index.txt و datasets/train_valid/processed/valid_index.txt :

python -m scripts.data_process.split --train_index datasets/train_valid/train.txt --valid_index datasets/train_valid/valid.txt --processed_dir datasets/train_valid/processed/

PEPBDB

1. تحميل

wget http://huanglab.phys.hust.edu.cn/pepbdb/db/download/pepbdb-20200318.tgz -O ./datasets/pepbdb.tgz

2. فك الضغط

tar zxvf ./datasets/pepbdb.tgz -C ./datasets/pepbdb

3. عملية

python -m scripts.data_process.pepbdb --index ./datasets/pepbdb/peptidelist.txt --out_dir ./datasets/pepbdb/processed
python -m scripts.data_process.split --train_index ./datasets/pepbdb/train.txt --valid_index ./datasets/pepbdb/valid.txt --test_index ./datasets/pepbdb/test.txt --processed_dir datasets/pepbdb/processed/
mv ./datasets/pepbdb/processed/pdbs ./dataset/pepbdb  # re-locate

الأوزان المدربة

• Codesign: ./checkpoint/codesign.ckpt
• توليد التشكل: ./checkpoints/fixseq.ckpt

يمكن تنزيل كلاهما في صفحة الإصدار. تم تدريب نقاط التفتيش هذه على pepbench.

الاستخدام

️ قبل استخدام الرموز التالية ، يرجى أولاً تنزيل الأوزان المدربة المذكورة أعلاه.

ببتيد تسلسل بنية co-bruction

خذ ./assets/1ssc_A_B.pdb

 # obtain the binding site, which might also be manually crafted or from other ligands (e.g. small molecule, antibodies)
python -m api.detect_pocket --pdb assets/1ssc_A_B.pdb --target_chains A --ligand_chains B --out assets/1ssc_A_pocket.json
# sequence-structure codesign with length in [8, 15)
CUDA_VISIBLE_DEVICES=0 python -m api.run 
    --mode codesign 
    --pdb assets/1ssc_A_B.pdb 
    --pocket assets/1ssc_A_pocket.json 
    --out_dir ./output/codesign 
    --length_min 8 
    --length_max 15 
    --n_samples 10

ثم سيتم إخراج 10 أجيال تحت المجلد ./output/codesign .

جيل التشكل الببتيد

خذ ./assets/1ssc_A_B.pdb

 # obtain the binding site, which might also be manually crafted or from other ligands (e.g. small molecule, antibodies)
python -m api.detect_pocket --pdb assets/1ssc_A_B.pdb --target_chains A --ligand_chains B --out assets/1ssc_A_pocket.json
# generate binding conformation
CUDA_VISIBLE_DEVICES=0 python -m api.run 
    --mode struct_pred 
    --pdb assets/1ssc_A_B.pdb 
    --pocket assets/1ssc_A_pocket.json 
    --out_dir ./output/struct_pred 
    --peptide_seq PYVPVHFDASV 
    --n_samples 10

ثم سيتم إخراج 10 مطابقة تحت المجلد ./output/struct_pred .

استنساخ تجارب الورق

تتطلب كل مهمة الخطوات التالية ، التي قمنا بدمجها في البرنامج النصي ./scripts/run_exp_pipe.sh :

1. تدريب Autoencoder
2. تدريب نموذج الانتشار الكامن
3. حساب توزيع المسافات الكامنة بين البقايا المتتالية
4. توليد وتقييم

من ناحية أخرى ، إذا كنت ترغب في تقييم نقاط التفتيش الحالية ، فيرجى اتباع الإرشادات أدناه (على سبيل المثال توليد التشكل):

 # generate results on the test set and save to ./results/fixseq
python generate.py --config configs/pepbench/test_fixseq.yaml --ckpt checkpoints/fixseq.ckpt --gpu 0 --save_dir ./results/fixseq
# calculate metrics
python cal_metrics.py --results ./results/fixseq/results.jsonl

رمز

تجارب التصميم على pepbench:

GPU=0 bash scripts/run_exp_pipe.sh pepbench_codesign configs/pepbench/autoencoder/train_codesign.yaml configs/pepbench/ldm/train_codesign.yaml configs/pepbench/ldm/setup_latent_guidance.yaml configs/pepbench/test_codesign.yaml

جيل التشكل الملزم

تجارب توليد التشكل على Pepbbench:

GPU=0 bash scripts/run_exp_pipe.sh pepbench_fixseq configs/pepbench/autoencoder/train_fixseq.yaml configs/pepbench/ldm/train_fixseq.yaml configs/pepbench/ldm/setup_latent_guidance.yaml configs/pepbench/test_fixseq.yaml

اتصال

شكرا لك على اهتمامك بعملنا!

لا تتردد في طرح أي أسئلة حول الخوارزميات والرموز ، وكذلك المشكلات التي واجهتها في تشغيلها حتى نتمكن من جعلها أكثر وضوحًا وأفضل. يمكنك إما إنشاء مشكلة في Github Repo أو الاتصال بنا على [email protected].

مرجع

 @article { kong2024full ,
  title = { Full-atom peptide design with geometric latent diffusion } ,
  author = { Kong, Xiangzhe and Huang, Wenbing and Liu, Yang } ,
  journal = { arXiv preprint arXiv:2402.13555 } ,
  year = { 2024 }
}