GeoAB

Geoab: Auf dem Weg zu realistischem Antikörperdesign und zuverlässiger Affinitätsreifung

Installation

Anforderungen installieren

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

Datensatz

Bitte befolgen Sie die Datenvorbereitungsskripte in Dymean, die den Rohdatensatz leiten als

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

Die verarbeiteten Daten können von Google Drive https://drive.google.com/drive/Folders/1pnsogt0gdijr9emmmp2Pitjzdulzi3gg heruntergeladen werden. Nach dem Herunterladen von all_data.zip können sie entpacken und die verarbeiteten Datensätze können erhalten werden.

Schulen und bewerten Sie Geoab-Designer

Führen Sie den folgenden Befehl für das Training aus:

 # 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

Führen Sie zur Bewertung den folgenden Befehl aus:

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

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

Wir geben das vorbereitete Modell in cdrh3.zip , das von https://drive.google.com/drive/folders/1pnsogt0gdijr9emmmp2Pitjzdulzi3gg heruntergeladen werden kann. Sie können die Ergebnisse mit unseren vorgefertigten Modellen direkt bewerten.

DDG -Vorhersage

Für den Teil des DDG -Vorhersage wird unser Modell über eine Plattform aktualisiert, die bald online sein wird.

Zitat

Bitte zitieren Sie das Papier, wenn das Repository oder das Papier für Sie wie folgt hilfreich ist

 @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}
}