ppflow
1.0.0
conda create -n ppflow python==3.9
conda activate ppflow
# install requirements
pip install -r requirements.txt
pip install easydict
pip install biopython
# mmseq
conda install bioconda::mmseqs2
# Alternative: obabel and RDkit
conda install -c openbabel openbabel
conda install conda-forge::rdkit
# Alternative for visualization: py3dmol
conda install conda-forge::py3dmol
# torch-geomstats
conda install -c conda-forge geomstats
# torch-scatter
pip install torch-scatter -f https://data.pyg.org/whl/torch-1.13.0+cu117.html
# OR: stable torch-scatter
pip install ./temp/torch_scatter-2.1.1+pt113cu117-cp39-cp39-linux_x86_64.whl
نحن نقدم مجموعة البيانات المعالجة لـ PPBench2024 من خلال Google Drive ، إلى جانب "PPDBENCH" المعالج.
يرجى تنزيل data.zip وفك ضغطها ، مما يؤدي إلى دليل ملفات البيانات كـ
- data
- processed
cluster_result_all_seqs.fasta
cluster_result_cluster.tsv
cluster_result_rep_seq.fasta
parsed_pair.pt
receptor_sequences.fasta
split.pt
- processed_bench
cluster_result_all_seqs.fasta
cluster_result_cluster.tsv
cluster_result_rep_seq.fasta
parsed_pair.pt
receptor_sequences.fasta
split.pt
pdb_benchmark.pt
pdb_filtered.pt
إذا كنت تريد مجموعات البيانات الأولية للمعالجة المسبقة ، فيرجى تنزيلها من خلال Google Drive. قم بإلغاء ضغط ملف datasets_raw.zip ، مما يؤدي إلى الدليل
- dataset
- PPDbench
- 1cjr
peptide.pdb
recepotor.pdb
- 1cka
peptide.pdb
recepotor.pdb
...
- ppbench2024
- 1a0m_A
peptide.pdb
recepotor.pdb
قم بتشغيل الأمر التالي لتدريب PPFLOW:
python train_ppf.py
قم بتشغيل الأمر التالي لتدريب Diffpp:
python train_diffpp.py
من أجل RDE Finetuning ، يجب عليك أولاً تنزيل نموذج RDE.pt المسبق من محرك Google ، ثم حفظه ./pretrained/RDE.pt .
python train_rde.py --fine_tune ./pretrained/RDE.pt
python codesign_diffpp.py -ckpt {where-the-trained-ckpt-is}
python codesign_ppflow.py -ckpt {where-the-trained-ckpt-is}
هنا نقدم نقاط التفتيش التي تم تجهيزها ، والتي تسمى ppflow_pretrained.pt ويمكن تنزيلها من محرك Google. يمكنك تنزيله مباشرة ونسخه إلى ./pretrained/ppflow_pretrained.pt . علاوة على ذلك ، قم بتشغيل ما يلي إلى الجيل:
python codesign_diffpp.py -ckpt ./pretrained/ppflow_pretrained.pt
إذا كنت ترغب في تقييم الببتيدات مباشرة ، فنحن نوفر الببتيدات كـ codesign_results.tar.gz من محرك Google الخاص بنا ، والذي يتكون من 100 عينة / بنية بروتين لتقييم أكثر استقرارًا ، مع النتائج المعطاة AS AS
| IMP ٪ -s (↑) | الصلاحية (↑) | الجدة (↑) | تنوع |
|---|---|---|---|
| 12.50 ٪ | 1.00 | 0.99 | 0.92 |
يجب عليك تقييم الملفات التي تنتهي بـ _bb3.pdb باعتبارها PDB التي تم إنشاؤها ، نظرًا لأن عنصر O في _bb4.pdb غير مستقر في وظيفة إعادة الإعمار الخاصة بنا.
conda install conda-forge::vina
pip install meeko
pip install git+https://github.com/Valdes-Tresanco-MS/AutoDockTools_py3.git@aee55d50d5bdcfdbcd80220499df8cde2a8f4b2a
pip install pdb2pqr
./tools/dock/vinadock.py يعطي مثالًا على واجهة بيثون الخاصة بنا لفينادوك.
apt-get install -y libfftw3-3 . إلى جانب ذلك ، يمكن تنزيل برنامج HDOCK من خلال: http://huanglab.phys.hust.edu.cn/software/hdocklite/. بعد تنزيله ، قم بتثبيته أو فك ضغطه على دليل ./bin ، مما يؤدي إلى بنية الملفات باسم - bin
- hdock
1CGl_l_b.pdb
1CGl_r_b.pdb
createpl
hdock
./tools/dock/hdock.py يعطي مثالًا على واجهة Python الخاصة بنا لـ HDock.
conda config --add channels https://yourauthorizedid:[email protected]
conda install pyrosetta
./tools/relax/rosetta_packing.py يعطي مثالًا على واجهة Python الخاصة بنا لتعبئة سلسلة Rosetta الجانبية.
./bin . بعد ذلك ، قم بفك ضغطه ، مما سيؤدي إلى ظهور الدليل - bin
- FoldX
foldx
حيث POLDX هو البرنامج. ./tools/score/foldx_energy.py يعطي مثالًا على واجهة Python الخاصة بنا لاستقرار Foldx.
./bin . إذا لم يكن متوافقًا مع نظامك ، فيرجى تثبيته من خلال https://ccsb.scripps.edu/adcp/downloads/. انسخ ADFRsuite_x86_64Linux_1.0.tar في ./bin . أخيرًا ، يجب أن يبدو ADCP المثبت في ./bin - bin
- ADFRsuite_x86_64Linux_1.0
- Tools
CCSBpckgs.tar.gz
...
ADFRsuite_Linux-x86_64_1.0_install.run
uninstall
تذكر أن تضيفه إلى مسار ENV الخاص بك
export PATH={Absolute-path-of-ppfolw}/bin/ADFRsuite_x86_64Linux_1.0/bin:$PATH
./tools/dock/adcpdock.py يعطي مثالًا على واجهة Python الخاصة بنا لـ ADCPDocking.
./bin ، - bin
- TMscore
TMscore
TMscore.cpp
أولاً ، استنساخها إلى ./bin
cd ./bin
git clone https://github.com/pharmai/plip.git
cd plip
python setup.py install
alias plip='python {Absolute-path-of-ppfolw}/bin/plip/plip/plipcmd.py'
./tools/interaction/interaction_analysis.py يعطي مثالًا على واجهة Python الخاصة بنا لتحليل تفاعل Clip.
ترد البرامج النصية للتقييم في ./evaluation دليل التقييم ، يمكنك تشغيل ما يلي للتقييم في التجارب الرئيسية:
# Evaluting the docking energy
python eval_bind.py --gen_dir {where-the-generated-peptide-is} --ref_dir {where-the-protein-pdb-is} --save_path {where-you-want-the-docked-peptide-to-be-saved-in}
# Evaluating the sequence and structure
python eval_bind.py --gen_dir {where-the-generated-peptide-is} --ref_dir {where-the-protein-pdb-is} --save_path {where-you-want-the-docked-peptide-to-be-saved-in}
نعطي زوجًا مثالًا للملف ، بحيث يمكن أن save_path gen_dir ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 ، ref_dir يمكن ./PPDbench/3tzy/ ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 .
إذا كانت ورقتنا أو الرمز في المستودع مفيدة لك ، فيرجى الاستشهاد بما يلي:
@inproceedings{lin2024ppflow,
author = {Lin, Haitao and Zhang, Odin and Zhao, Huifeng and Jiang, Dejun and Wu, Lirong and Liu, Zicheng and Huang, Yufei and Li, Stan Z.},
title = {PPFlow: Target-Aware Peptide Design with Torsional Flow Matching},
year = {2024},
booktitle={International Conference on Machine Learning},
URL = {https://www.biorxiv.org/content/early/2024/03/08/2024.03.07.583831},
eprint = {https://www.biorxiv.org/content/early/2024/03/08/2024.03.07.583831.full.pdf},
}
