GeoAB

Geoab: نحو تصميم أجسام مضادة واقعية ونضج تقارب موثوق

تثبيت

تثبيت المتطلبات

 conda create -n geoab python==3.9
conda activate geoab
pip install -r requirements.txt

مجموعة البيانات

يرجى اتباع البرامج النصية لإعداد البيانات في Dymean ، والتي تقود مجموعة البيانات الخام باسم

 - all_data
    - RAbD_H3
        - test_processed
            _metainfo
            part_0.pkl
        - train_processed
            ...
        - valid_processed
            ...
        test.json
        train.json
        valid.json
    - SKEMPI
        ...

يمكن تنزيل البيانات المعالجة من Google Drive https://drive.google.com/drive/folders/1pnsogt0gdijr9emmmmp2pitjzdulzi3gg. بعد تنزيل all_data.zip ، قم بفك ضغطه ويمكن الحصول على مجموعات البيانات المعالجة.

تدريب وتقييم Geoab-Designer

قم بتشغيل الأمر التالي للتدريب:

 # Train GeoAB-refiner
python train_refine.py

# Train GeoAB-Initializer
python train_init.py
# After GeoAB-Initializer is trained, train GeoAB-Designer
python train_design.py

للتقييم ، قم بتشغيل الأمر التالي:

 # Evaluate GeoAB-Refiner
python eval.py --eval_dir H3_refine --run 1

# Evaluate GeoAB-Designer
python eval.py --eval_dir H3_design

نعطي النموذج المسبق في cdrh3.zip ، والذي يمكن تنزيله من https://drive.google.com/drive/folders/1pnsogt0gdijr9mmmp2pitjzdulzi3gg. يمكنك تقييم النتائج مباشرة باستخدام نماذجنا المسبقة.

التنبؤ DDG

بالنسبة لجزء التنبؤ DDG ، سيتم تحديث نموذجنا من خلال منصة ، والتي ستكون عبر الإنترنت قريبًا.

اقتباس

يرجى الاستشهاد بالورقة إذا كان المستودع أو الورقة مفيدًا لك ، كما يلي

 @article {lin2024geoab,
	author = {Lin, Haitao and Wu, Lirong and Huang, Yufei and Liu, Yunfan and Zhang, Odin and Zhou, Yuanqing and Sun, Rui and Li, Stan Z.},
	title = {GeoAB: Towards Realistic Antibody Design and Reliable Affinity Maturation},
    	year = {2024},
	booktitle={International Conference on Machine Learning},
	URL = {https://www.biorxiv.org/content/early/2024/05/17/2024.05.15.594274},
	eprint = {https://www.biorxiv.org/content/early/2024/05/17/2024.05.15.594274.full.pdf}
}