الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

شعار CBGBNCH

CBGBENCH: معيار الرسم البياني المعقد هو معيار لتصميم جزيء على دراية بالهدف.

ورقة [diffbp] | ورقة [D3FG] | معيار

ملحوظة

  • أكتوبر 2024: قامت CBGBench Paper V3 بدمج أحدث طراز Molcraft و Voxbind في التقييم ، وتكامل رموزهم قيد التشغيل.
  • سبتمبر 2024: انضمت CBGBNCHN إلى مجتمع العوامل العميقة ، وهو مجتمع مكرس لمنظمة العفو الدولية للعلوم ، كمشروع على مستوى صندوق الرمل. تعرف على المزيد حول عارضات الأزياء

مقدمة

هذا هو مستودع التعليمات البرمجية الرسمي للورقة "CBGBench: املأ الفراغ من الرسم البياني لتجليد جزيء البروتين" ، والذي يهدف إلى توحيد تصميم جزيء على دراية بالهدف مع تنفيذ رمز واحد. حتى الآن ، قمنا بتضمين 7 طرق كما هو موضح أدناه:

نموذج رابط الورق جيثب
Pocket2mol https://arxiv.org/abs/2205.07249 https://github.com/pengxingang/pocket2mol
GraphBP https://arxiv.org/abs/2204.09410 https://github.com/divelab/graphbp
diffsbdd https://arxiv.org/abs/2210.13695 https://github.com/arneschneuing/diffsbdd
Diffbp https://arxiv.org/abs/2211.11214 هنا هو التنفيذ الرسمي.
TargetDiff https://arxiv.org/abs/2303.03543 https://github.com/guanjq/targetDiff
علَم https://openreview.net/forum؟id=RQ13IDF0F73 https://github.com/zaixizhang/flag
D3FG https://arxiv.org/abs/2306.13769 هنا هو التنفيذ الرسمي.

تم إنشاء هذه النماذج في البداية لتوليد جزيئات de novo ، ونقوم بتوسيع المزيد من المهام بما في ذلك linker design ، fragment growing ، scaffold hopping ، side chain decoration .

تمديد المهام

تثبيت

إنشاء بيئة مع الحزم الأساسية. 

 conda env create -f environment.yml
conda activate cbgbench

تثبيت Pytorch و Torch_geometric 

 conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia
conda install pyg pytorch-scatter pytorch-cluster -c pyg

تثبيت أدوات للكيمياء 

 # install rdkit, efgs, obabel, etc.
pip install --use-pep517 EFGs
pip install biopython
pip install lxml
conda install rdkit openbabel tensorboard tqdm pyyaml easydict python-lmdb -c conda-forge

# install plip
mkdir tools
cd tools
git clone https://github.com/pharmai/plip.git
cd plip
python setup.py install
alias plip='python plip/plip/plipcmd.py'
cd ..

### Note that if there is an error in setup.py, it can be ignored as long as openbabel is installed.

# install docking tools
conda install -c conda-forge numpy swig boost-cpp sphinx sphinx_rtd_theme
python -m pip install git+https://github.com/Valdes-Tresanco-MS/AutoDockTools_py3
pip install meeko==0.1.dev3 scipy pdb2pqr vina

# If you are unable to install vina, you can try: conda install vina
# If you encounter the following error:
# ImportError: libtiff.so.5: cannot open shared object file: No such file or directory
# Please try the following steps to resolve it:
pip uninstall pillow
pip install pillow

إعداد مجموعة البيانات

CrossDocked2020

1. تنزيل مجموعات البيانات المصنعة

(ط) قم بتنزيل مجموعة البيانات المعالجة من Google Drive. لكل مجموعة بيانات ، يتوافق مع طرق ومهام مختلفة. يرجى الرجوع إلى الجدول أدناه للعثور على البيانات المعالجة التي تحتاج إلى استخدامها. لاحظ أنه لتدريب D3FG ، إنه نموذج من مرحلتين يقوم أولاً بإنشاء مجموعات وظيفية ثم يقوم بإنشاء ذرات رابط ، لذلك قمنا بتسمية نموذج D3FG_FG "و" D3FG_LINKER "، وبيانات التدريب مختلفة بالنسبة لهم.

الجدول: اسم ملف البيانات المقابل لطرق ومهام مختلفة.

نموذج مهمة اسم الملف
Pocket2mol دي نوفو Data/PL/CrossDocked_v1.1_rmsd1.0_pocket10_procound_fullatom.lmdb
GraphBP دي نوفو Data/PL/CrossDocked_v1.1_rmsd1.0_pocket10_procound_fullatom.lmdb
diffsbdd دي نوفو Data/PL/CrossDocked_v1.1_rmsd1.0_pocket10_procound_fullatom.lmdb
Diffbp دي نوفو Data/PL/CrossDocked_v1.1_rmsd1.0_pocket10_procound_fullatom.lmdb
TargetDiff دي نوفو Data/PL/CrossDocked_v1.1_rmsd1.0_pocket10_procound_fullatom.lmdb
علَم دي نوفو Data/pl_arfg/crossdocked_v1.1_rmsd1.0_pocket10_procound_arfuncgroup.lmdb
D3FG_FG دي نوفو Data/PL_FG/CrossDocked_v1.1_rmsd1.0_pocket10_procound_funcgroup.lmdb
D3FG_LINKER دي نوفو Data/PL/CrossDocked_v1.1_rmsd1.0_pocket10_procound_linker.lmdb
Pocket2mol شظية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_frag.lmdb
GraphBP شظية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_frag.lmdb
diffsbdd شظية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_frag.lmdb
Diffbp شظية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_frag.lmdb
TargetDiff شظية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_frag.lmdb
Pocket2mol رابط Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_linker.lmdb
GraphBP رابط Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_linker.lmdb
diffsbdd رابط Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_linker.lmdb
Diffbp رابط Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_linker.lmdb
TargetDiff رابط Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_linker.lmdb
Pocket2mol سقالة Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_scaffold.lmdb
GraphBP سقالة Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_scaffold.lmdb
diffsbdd سقالة Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_scaffold.lmdb
Diffbp سقالة Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_scaffold.lmdb
TargetDiff سقالة Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_scaffold.lmdb
Pocket2mol سلسلة جانبية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_sidechain.lmdb
GraphBP سلسلة جانبية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_sidechain.lmdb
diffsbdd سلسلة جانبية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_sidechain.lmdb
Diffbp سلسلة جانبية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_sidechain.lmdb
TargetDiff سلسلة جانبية Data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_procound_sidechain.lmdb

(2) انسخ مجموعات البيانات إلى ./data dir ، والتي سيبدو فيها دليل ملفات البيانات الكامل 

 - CGBBench
    - data
        - pl
            - crossdocked_name2id.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
        - pl_arfg
            - crossdocked_name2id_arfuncgroup.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_arfuncgroup.lmdb
        - pl_decomp
            - crossdocked_name2id_frag.pt
            - crossdocked_name2id_linker.pt
            - crossdocked_name2id_scaffold.pt
            - crossdocked_name2id_sidechain.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
        - pl_fg
            - crossdocked_name2id_funcgroup.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_funcgroup.lmdb

2. قم بتنزيل البيانات الخام والاستعداد من الصفر

(i) تنزيل crossdocked_v1.1_rmsd1.0.tar.gz من محرك TargetDiff ، ونسخه إلى ./raw_data/ with 

 mkdir raw_data
tar -xzvf crossdocked_v1.1_rmsd1.0.tar.gz ./raw_data

(2) تشغيل ما يلي: 

 python ./scripts/extract_pockets.py --source raw_data/crossdocked_v1.1_rmsd1.0 --dest raw_data/crossdocked_v1.1_rmsd1.0_pocket10

(3) في التدريب ، سيتم إعداد مجموعة البيانات لكل مهمة. يرجى الرجوع إلى Training .

أهداف ADRB1 و DRD3

تنزيل الأهداف المصنعة.

أيضًا ، يمكنك تنزيل File case_study من عمليات Google Drive ، ونسخه إلى دليل ./data ، والذي سيقود DIR إلى 

 - CGBBench
    - data
        - case_study
            - processed
                - case_study_processed_fullatom.lmdb
                - case_study_processed_funcgroup.lmdb
                - case_study_name2id.pt
                ...

تمرين

1. إذا كنت تريد التدريب من الصفر ، يمكنك تشغيل ما يلي 

 python train.py --config ./configs/{task}/train/{method}.yml --logdir ./logs/{task}/{method}

يمكن استبدال {Task} بـ denovo و linker و frag و scaffold و sidechain و {method} باسم النموذج. يعطي الجدول التالي أزواج تداول الطريقة التفصيلية والاستبدال.

الجدول: أزواج الطريقة المستخدمة للتدريب من الصفر.

طريقة مهمة {method} + {task}
Pocket2mol دي نوفو Pocket2mol + Denovo
GraphBP دي نوفو GraphBP + Denovo
diffsbdd دي نوفو Diffsbdd + Denovo
Diffbp دي نوفو Diffbp + Denovo
TargetDiff دي نوفو TargetDiff + Denovo
علَم دي نوفو العلم + دنوفو
D3FG دي نوفو d3fg_fg + denovo ؛ D3FG_LINKER + DENOVO
Pocket2mol تصميم الرابط Pocket2mol + Linker
GraphBP تصميم الرابط GraphBP + رابط
diffsbdd تصميم الرابط Diffsbdd + رابط
Diffbp تصميم الرابط Diffbp + رابط
TargetDiff تصميم الرابط TargetDiff + Linker
Pocket2mol شظية تنمو Pocket2mol + Frag
GraphBP شظية تنمو GraphBP + Frag
diffsbdd شظية تنمو diffsbdd + frag
Diffbp شظية تنمو diffbp + frag
TargetDiff شظية تنمو TargetDiff + Frag
Pocket2mol سقالة التنقل Pocket2mol + سقالة
GraphBP سقالة التنقل GraphBP + سقالة
diffsbdd سقالة التنقل diffsbdd + سقالة
Diffbp سقالة التنقل Diffbp + سقالة
TargetDiff سقالة التنقل TargetDiff + سقالة
Pocket2mol زخرفة السلسلة الجانبية Pocket2mol + Sidechain
GraphBP زخرفة السلسلة الجانبية GraphBP + Sidechain
diffsbdd زخرفة السلسلة الجانبية diffsbdd + sidechain
Diffbp زخرفة السلسلة الجانبية diffbp + sidechain
TargetDiff زخرفة السلسلة الجانبية TargetDiff + Sidechain

لاحظ أن D3FG والعلم غير متوافقان مع المهام الممتدة ، وأن D3FG تستخدم استراتيجيات التدريب على مرحلتين ، لذلك إذا كنت ترغب في تدريب D3FG بنفسك ، فأنت بحاجة إلى تشغيل: 

 python train.py --config ./configs/denovo/train/d3fg_fg.yml --logdir ./logs/denovo/d3fg_fg
python train.py --config ./configs/denovo/train/d3fg_linker.yml --logdir ./logs/denovo/d3fg_linker

2. أيضًا ، يمكنك استخدام تلك المسبقة من محركات Google [TODO: حرر النماذج المسبقة] ، وترد أسماء ملفات البيانات المقابلة المسبقة إلى مهام ونماذج مختلفة في الجدول أدناه:

TODO: طاولة مع نماذج مسبقة

قم بتنزيل نقاط التفتيش .pt التي تحتاجها ، ونسخها إلى ./logs/ ، والتي ستؤدي إلى بنية الدليل التالية: 

 # TODO
- CBGBench
    - logs
        - denovo
            - d3fg_fg
                - pretrain
                    - checkpoints
                        - 951000.pt
            - d3fg_linker
                - pretrain
                    - checkpoints
                        - 4840000.pt
            - diffbp
                - pretrain
                    - checkpoints
                        - 4848000.pt
            ...
        - frag
            - diffbp
                - pretrain
                    - checkpoints
                        - 476000.pt
            ...
        ...

جيل على مجموعات الاختبار

بمجرد تدريب النموذج ، يمكنك رسم عينات منها على جيوب الاختبار ، بما يلي: 

 bash generate.sh --method {method} --task {task} --tag {tag} --checkpoint {ckpt_number}

في الأمر ، يمكن العثور على زوج {method} و {task} في الجدول السابق على أزواج المهام. {TAG} يجب استبدالها selftrain أو pretrain ، وفقًا لنقاط التفتيش التي تستخدمها. إذا تم توفير المعلمة -CheckPoint بدون رقم ، فستجد تلقائيًا أحدث ملف .pt . إذا تم توفير رقم ، فسيستخدم ملف نقطة التفتيش المحدد.

على سبيل المثال ، إذا كنت ترغب في إنشاء عينات على مجموعة الاختبار لتصميم De Novo مع نموذج TargetDiff المدربين ذاتيًا ، فيمكنك تشغيل: 

 bash generate.sh --method targetdiff --task denovo --tag selftrain --checkpoint

أو إذا كنت ترغب في اختبار نقطة التفتيش من 100000. 

 bash generate.sh --method targetdiff --task denovo --tag selftrain --checkpoint 100000

لاحظ أن D3FG يستخدم استراتيجية توليد من خطوتين ، لذلك يجب أن يكون الأمر 

 bash generate.sh --method d3fg_fg --task denovo --tag {tag} --checkpoint  # generate the functional groups
bash generate.sh --method d3fg_linker --task denovo --tag {tag} --checkpoint # generate the linkers

تقييم

قم بتشغيل ما يلي: 

 cd evaluate_scripts
bash evaluate.sh --method {method} --task {task} --tag {tag}

على سبيل المثال ، إذا قمت بتدريب TargetDiff بنفسك ، فتشرك 

 bash evaluate.sh --method targetdiff --task denovo --tag selftrain
bash evaluate.sh --method targetdiff --task frag --tag selftrain
bash evaluate.sh --method targetdiff --task linker --tag selftrain
bash evaluate.sh --method targetdiff --task scaffold --tag selftrain
bash evaluate.sh --method targetdiff --task sidechain --tag selftrain

أو إذا كنت قد قمت بتنزيل نماذج مسبقة ، فيرجى التشغيل 

 cd evaluate_scripts
bash bash evaluate.sh --method {method} --task {task} --tag pretrained

قائمة TODO

  1. استخدم النماذج المسبقة لتوليد جزيئات على أهداف العالم الحقيقي بمرونة.

  2. تشمل المزيد من النماذج ، مثل 3DSBDD و DecompDiff و Voxmol و Ligan.

  3. حرر النماذج المسبقة ، واختبر الجدوى والتكاثر بمجرد نشر الورقة.

مساهمة

تتم تهيئة قاعدة الكود بواسطة Haitao Lin ، مع CBGBench V1 كدوافع لدينا ؛ سيتم إدارة التشغيل اللاحق لمستودع الكود من قبل Guojiang Zhao وفريقه من تقنية DP.

إذا وجدت أن المستودع مفيد لبحثك أو مشاريعك ، فيرجى الاستشهاد بالورقة القياسية الخاصة بنا كمرجع: 

 @misc{lin2024cbgbench,
      title={CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph},
      author={Haitao Lin and Guojiang Zhao and Odin Zhang and Yufei Huang and Lirong Wu and Zicheng Liu and Siyuan Li and Cheng Tan and Zhifeng Gao and Stan Z. Li},
      year={2024},
      eprint={2406.10840},
      archivePrefix={arXiv},
}

وأعمالنا السابقة لـ DiffBP و D3FG: 

 @misc{lin2024diffbpgenerativediffusion3d,
      title={DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding}, 
      author={Haitao Lin and Yufei Huang and Odin Zhang and Siqi Ma and Meng Liu and Xuanjing Li and Lirong Wu and Jishui Wang and Tingjun Hou and Stan Z. Li},
      year={2024},
      eprint={2211.11214},
      archivePrefix={arXiv},
      primaryClass={q-bio.BM},
      url={https://arxiv.org/abs/2211.11214}, 
}
@inproceedings{
    lin2023functionalgroupbased,
    title={Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration},
    author={Haitao Lin and Yufei Huang and Odin Zhang and Yunfan Liu and Lirong Wu and Siyuan Li and Zhiyuan Chen and Stan Z. Li},
    booktitle={Thirty-seventh Conference on Neural Information Processing Systems},
    year={2023},
    url={https://openreview.net/forum?id=lRG11M91dx}
}

رخصة

تم ترخيص هذا المشروع بموجب شروط ترخيص GPL-3.0.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل