GeoAB

GEOAB: Vers la conception des anticorps réalistes et la maturation d'affinité fiable

Installation

Installer les exigences

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

Ensemble de données

Veuillez suivre les scripts de préparation des données à Dymean, qui mène l'ensemble de données brutes comme

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

Les données traitées peuvent être téléchargées à partir de Google Drive https://drive.google.com/drive/folders/1pnsogt0gdijr9emmmp2pitjzdulzi3gg. Après avoir téléchargé all_data.zip , lez-le et les ensembles de données traités peuvent être obtenus.

Former et évaluer le concepteur Geoab

Exécutez la commande suivante pour la formation:

 # 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

Pour l'évaluation, exécutez la commande suivante:

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

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

Nous donnons le modèle pré-entraîné dans cdrh3.zip , qui peut être téléchargé à partir de https://drive.google.com/drive/folders/1pnsogt0gdijr9emmmmp2pitjzdulzi3gg. Vous pouvez évaluer les résultats directement en utilisant nos modèles pré-entraînés.

Prédiction DDG

Pour la partie de prédiction DDG, notre modèle sera mis à jour via une plate-forme, qui sera bientôt en ligne.

Citation

Veuillez citer le papier si le référentiel ou le papier vous est utile, comme le suivant

 @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}
}