DrugHIVE

Druughive: strukturbasiertes Arzneimitteldesign mit einem tiefen hierarchischen Generativmodell

Dieses Repository ist die offizielle Implementierung von Druughive , einem tiefen hierarchischen Variations-Autocodierer, der für strukturbasiertes Arzneimitteldesign entwickelt wurde. JCIM -Papier.

Installation

1. Abhängigkeiten

Der Code wurde in der folgenden Umgebung getestet:

Software	Version
Python	3.9.16
CUDA	11.6
OpenBabel	3.1.1
Pytorch	1.12.1
Pytorch Lightning	2.0.0
Rdkit	2021.09.5

Über Conda einbauen

Installieren Sie Abhängigkeiten anhand der aufgelisteten Anforderungen in requirements.txt :

conda create -n drughive -c conda-forge -c pytorch -c nvidia -c rdkit --file requirements.txt

2. Git Klon das Repository

git clone https://github.com/jssweller/DrugHIVE

Probenahme

Vorausgebildete Modelle

Vorausgebildete Modellgewichte können von Zenodo heruntergeladen werden:

wget -P model_checkpoints/ https://zenodo.org/records/12668687/files/drughive_model_ch9.ckpt

Ligand Generation

Um von Drughive zu probieren, passen Sie zunächst die Parameter in der Konfigurationsdatei generate.yml an. Führen Sie dann den folgenden Befehl aus:

python generate_molecules.py config/generate.yml

Um aus dem Prior zu probieren, setzen Sie zbetas: 1. In der Konfigurationsdatei.
Setzen Sie aus dem hinteren Ab Beispiel zbetas: 0. In der Konfigurationsdatei.
Um zwischen Prior und Posterior zu proben, setzen Sie die Werte von zbetas zwischen 0. und 1. .

Unterstrukturmodifikation (Gerüsthüpfen)

Um Moleküle mit Unterkonstruktionsmodifikation zu erzeugen, passen Sie zunächst die Parameter in der Beispielkonfigurationsdatei generate_spatial.yml an. Führen Sie dann den folgenden Befehl aus:

python generate_molecules.py config/generate_spatial.yml

Ligandenoptimierung

Installieren Sie QuickVina 2

Vor dem Ausführen des Optimierungsprozesses muss das QuickVina 2 -Docking -Tool installiert werden:

• Laden Sie das QuickVina2 -Docking -Tool von https://qvina.github.io herunter (oder kompilieren Sie).
• Platzieren Sie qvina2.1 in DrugHIVE/ oder in einem Verzeichnis in Ihrer PATH (z. B. /usr/bin/ )

Optimierung ausführen

Um Moleküle mit Drughive zu optimieren, passen Sie zunächst die Parameter in der Beispielkonfigurationsdatei generate_optimize.yml an. Führen Sie dann den folgenden Befehl aus:

python generate_optimize.py config/generate_optimize.yml

Ausbildung

1. Laden Sie den PDBBind -Datensatz herunter

Laden Sie den pdbbind -raffinierten Datensatz von http://www.pdbbind.org.cn/ herunter und extrahieren sie.

2. Laden Sie Zinkmoleküle herunter

Laden Sie Zinkmoleküle von https://zinc20.docking.org/ im SDF- oder Mol2 -Format herunter. Platzieren Sie sie in ein einzelnes Verzeichnis.

3. Verarbeiten Sie die Datensätze für das Training

Um den PDBBind -Datensatz zu verarbeiten, lief:

python process_pdbbind_data.py < path/to/PDBbind/directory >

Um den Zink -Datensatz zu verarbeiten, laufen Sie aus:

python process_zinc_data.py < path/to/ZINC/directory > -o data/zinc_data/zinc_data.h5 -ext < file_extension >

Hier kann <file_extension> einer von sdf oder mol2 sein.

4. Training laufen

Passen Sie zunächst die Trainingsparameter in der Konfigurationsdatei config/train.yml an. Stellen Sie sicher, dass Sie data_path_pdb und data_path_zinc auf die Standorte Ihrer Datensätze festlegen. Führen Sie dann den folgenden Befehl aus:

python train.py config/train.yml