DrugHIVE

Drughive: diseño de fármacos basado en la estructura con un modelo generativo jerárquico profundo

Este repositorio es la implementación oficial de Drughive , un autoencoder de variacional jerárquico profundo desarrollado para el diseño de fármacos basado en la estructura. Papel jcim.

Instalación

1. Dependencias

El código ha sido probado en el siguiente entorno:

Software	Versión
Pitón	3.9.16
Cuda	11.6
Abrebabel	3.1.1
Pytorch	1.12.1
Pytorch Lightning	2.0.0
Rdkit	2021.09.5

Instalar a través de conda

Instalar dependencias utilizando los requisitos listados en requirements.txt :

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

2. Git Clone el repositorio

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

Muestreo

Modelos previamente capacitados

Los pesos del modelo previamente capacitado se pueden descargar desde Zenodo:

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

Generación de ligando

Para probar desde Drughive, primero ajuste los parámetros en el archivo de configuración generate.yml Ejemplo. Luego, ejecute el siguiente comando:

python generate_molecules.py config/generate.yml

Para probar desde el anterior, establezca zbetas: 1. En el archivo de configuración.
Para probar desde el posterior, establezca zbetas: 0. En el archivo de configuración.
Para probar entre lo anterior y posterior, establezca los valores de zbetas entre 0. y 1. ..

Modificación de la subestructura (salto de andamio)

Para generar moléculas con la modificación de la subestructura, primero ajuste los parámetros en el archivo de configuración de ejemplo generate_spatial.yml . Luego, ejecute el siguiente comando:

python generate_molecules.py config/generate_spatial.yml

Optimización de ligando

Instalar QuickVina 2

Antes de ejecutar el proceso de optimización, se debe instalar la herramienta de acoplamiento QuickVina 2:

• Descargar (o compilar) la herramienta de acoplamiento QuickVina2 de https://qvina.github.io
• Coloque qvina2.1 en DrugHIVE/ o en un directorio en la variable de su PATH (p. Ej., /usr/bin/ )

Optimización de ejecución

Para optimizar las moléculas con Drughive, primero ajuste los parámetros en el archivo de configuración generate_optimize.yml Ejemplo. Luego, ejecute el siguiente comando:

python generate_optimize.py config/generate_optimize.yml

Capacitación

1. Descargar el conjunto de datos PDBBind

Descargue y extraiga el conjunto de datos refinado PDBBind de http://www.pdbbind.org.cn/

2. Descargue las moléculas de zinc

Descargue las moléculas de zinc de https://zinc20.dopking.org/ en formato SDF o MOL2. Colóquelos en un solo directorio.

3. Procese los conjuntos de datos para la capacitación

Para procesar el conjunto de datos PDBBind, ejecute:

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

Para procesar el conjunto de datos de zinc, ejecute:

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

Aquí, <file_extension> puede ser uno de sdf o mol2 .

4. Corre de entrenamiento

Primero, ajuste los parámetros de entrenamiento en el archivo de configuración de ejemplo config/train.yml . Asegúrese de establecer data_path_pdb y data_path_zinc en las ubicaciones de sus conjuntos de datos. Luego, ejecute el siguiente comando:

python train.py config/train.yml