GeoAB

Geoab: Hacia el diseño de anticuerpos realistas y la maduración de afinidad confiable

Instalación

Requisitos de instalación

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

Conjunto de datos

Siga los scripts de preparación de datos en Dymean, que lidera el conjunto de datos sin procesar como

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

Los datos procesados ​​se pueden descargar desde Google Drive https://drive.google.com/drive/folders/1pnsogt0gdijr9emmmp2pitjzdulzi3gg. Después de descargar all_data.zip , descompone los conjuntos de datos procesados.

Entrenar y evaluar el diseño geoab

Ejecute el siguiente comando para el entrenamiento:

 # 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

Para la evaluación, ejecute el siguiente comando:

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

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

Damos el modelo previo a cdrh3.zip , que se puede descargar de https://drive.google.com/drive/folders/1pnsogt0gdijr9emmmmmp2pitjzdulzi3gg. Puede evaluar los resultados directamente utilizando nuestros modelos previos a la aparición.

Predicción DDG

Para la parte de predicción DDG, nuestro modelo se actualizará a través de una plataforma, que pronto estará en línea.

Citación

Cite el documento si el repositorio o el documento es útil para usted, como el siguiente

 @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}
}