ppflow
1.0.0
conda create -n ppflow python==3.9
conda activate ppflow
# install requirements
pip install -r requirements.txt
pip install easydict
pip install biopython
# mmseq
conda install bioconda::mmseqs2
# Alternative: obabel and RDkit
conda install -c openbabel openbabel
conda install conda-forge::rdkit
# Alternative for visualization: py3dmol
conda install conda-forge::py3dmol
# torch-geomstats
conda install -c conda-forge geomstats
# torch-scatter
pip install torch-scatter -f https://data.pyg.org/whl/torch-1.13.0+cu117.html
# OR: stable torch-scatter
pip install ./temp/torch_scatter-2.1.1+pt113cu117-cp39-cp39-linux_x86_64.whl
Nous fournissons l'ensemble de données traité de PPBench2024 via Google Drive, ainsi que «PPDBench» traité.
Veuillez télécharger data.zip et les unzip, conduisant au répertoire de fichiers de données comme
- data
- processed
cluster_result_all_seqs.fasta
cluster_result_cluster.tsv
cluster_result_rep_seq.fasta
parsed_pair.pt
receptor_sequences.fasta
split.pt
- processed_bench
cluster_result_all_seqs.fasta
cluster_result_cluster.tsv
cluster_result_rep_seq.fasta
parsed_pair.pt
receptor_sequences.fasta
split.pt
pdb_benchmark.pt
pdb_filtered.pt
Si vous voulez les ensembles de données bruts pour le prétraitement, veuillez les télécharger via Google Drive. Dézip le fichier de datasets_raw.zip , conduisant au répertoire comme
- dataset
- PPDbench
- 1cjr
peptide.pdb
recepotor.pdb
- 1cka
peptide.pdb
recepotor.pdb
...
- ppbench2024
- 1a0m_A
peptide.pdb
recepotor.pdb
Exécutez la commande suivante pour la formation PPFlow:
python train_ppf.py
Exécutez la commande suivante pour la formation DIFFPP:
python train_diffpp.py
Pour RDE Finetuning, vous devriez d'abord télécharger le modèle RDE.pt prétrainé à partir de Google Drive, puis l'enregistrer sous ./pretrained/RDE.pt , et enfin, exécutez la commande suivante pour Finetuning:
python train_rde.py --fine_tune ./pretrained/RDE.pt
python codesign_diffpp.py -ckpt {where-the-trained-ckpt-is}
python codesign_ppflow.py -ckpt {where-the-trained-ckpt-is}
Ici, nous donnons les points de contrôle qui sont pré-entraînés, qui est nommé ppflow_pretrained.pt et peut être téléchargé à partir de Google Drive. Vous pouvez le télécharger directement et le copier sur ./pretrained/ppflow_pretrained.pt . De plus, exécutez ce qui suit à génération:
python codesign_diffpp.py -ckpt ./pretrained/ppflow_pretrained.pt
Si vous souhaitez évaluer directement les peptides, nous fournissons les peptides comme codesign_results.tar.gz de notre Google Drive, qui se compose de 100 échantillons / structure protéique pour une évaluation plus stable, avec des résultats donnés comme
| IMP% -S (↑) | Validité (↑) | Nouveauté (↑) | Diversité |
|---|---|---|---|
| 12,50% | 1,00 | 0,99 | 0,92 |
Vous devez évaluer les fichiers qui se terminent par _bb3.pdb comme PDB généré, car l'élément O dans _bb4.pdb est instable dans notre fonction de reconstruction.
conda install conda-forge::vina
pip install meeko
pip install git+https://github.com/Valdes-Tresanco-MS/AutoDockTools_py3.git@aee55d50d5bdcfdbcd80220499df8cde2a8f4b2a
pip install pdb2pqr
./tools/dock/vinadock.py donne un exemple de notre interface Python pour Vinadock.
apt-get install -y libfftw3-3 . En outre, le logiciel HDOCK peut être téléchargé via: http://huanglab.phys.hust.edu.cn/software/hdocklite/. Après l'avoir téléchargé, l'installer ou le décompresser au répertoire ./bin , conduisant à la structure du fichier comme - bin
- hdock
1CGl_l_b.pdb
1CGl_r_b.pdb
createpl
hdock
./tools/dock/hdock.py donne un exemple de notre interface Python pour hdock.
conda config --add channels https://yourauthorizedid:[email protected]
conda install pyrosetta
./tools/relax/rosetta_packing.py donne un exemple de notre interface Python pour l'emballage de la chaîne latérale Rosetta.
./bin . Ensuite, décompressez-le, ce qui conduira le répertoire à ressembler - bin
- FoldX
foldx
où Foldx est le logiciel. ./tools/score/foldx_energy.py donne un exemple de notre interface Python pour la stabilité Foldx.
./bin . S'il n'est pas compatible avec votre système, veuillez l'installer via https://ccsb.scripppps.edu/adcp/downloads/. Copiez l' ADFRsuite_x86_64Linux_1.0.tar dans ./bin . Enfin, l'ADCP installé dans ./bin devrait ressembler à - bin
- ADFRsuite_x86_64Linux_1.0
- Tools
CCSBpckgs.tar.gz
...
ADFRsuite_Linux-x86_64_1.0_install.run
uninstall
N'oubliez pas de l'ajouter à votre Env-Path comme
export PATH={Absolute-path-of-ppfolw}/bin/ADFRsuite_x86_64Linux_1.0/bin:$PATH
./tools/dock/adcpdock.py donne un exemple de notre interface Python pour ADCPDOCK.
./bin , comme - bin
- TMscore
TMscore
TMscore.cpp
Tout d'abord, le cloner à ./bin
cd ./bin
git clone https://github.com/pharmai/plip.git
cd plip
python setup.py install
alias plip='python {Absolute-path-of-ppfolw}/bin/plip/plip/plipcmd.py'
./tools/interaction/interaction_analysis.py donne un exemple de notre interface Python pour l'analyse d'interaction PLIP.
Les scripts d'évaluation sont donnés dans le répertoire ./evaluation , vous pouvez exécuter ce qui suit pour l'évaluation dans les principales expériences:
# Evaluting the docking energy
python eval_bind.py --gen_dir {where-the-generated-peptide-is} --ref_dir {where-the-protein-pdb-is} --save_path {where-you-want-the-docked-peptide-to-be-saved-in}
# Evaluating the sequence and structure
python eval_bind.py --gen_dir {where-the-generated-peptide-is} --ref_dir {where-the-protein-pdb-is} --save_path {where-you-want-the-docked-peptide-to-be-saved-in}
Nous donnons un exemple de paire de fichiers, donc le gen_dir peut être ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 , ref_dir peut être ./PPDbench/3tzy/ et le save_path peut être ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 .
Si notre article ou le code du référentiel vous est utile, veuillez citer ce qui suit:
@inproceedings{lin2024ppflow,
author = {Lin, Haitao and Zhang, Odin and Zhao, Huifeng and Jiang, Dejun and Wu, Lirong and Liu, Zicheng and Huang, Yufei and Li, Stan Z.},
title = {PPFlow: Target-Aware Peptide Design with Torsional Flow Matching},
year = {2024},
booktitle={International Conference on Machine Learning},
URL = {https://www.biorxiv.org/content/early/2024/03/08/2024.03.07.583831},
eprint = {https://www.biorxiv.org/content/early/2024/03/08/2024.03.07.583831.full.pdf},
}
