Page d'accueil>Lié à la programmation>Python
Télécharger



Documentation | Papier | Tutoriels | Installation

Protéine et bibliothèque de graphiques interactomiques

Cet ensemble offre des fonctionnalités pour produire des représentations géométriques des structures protéiques et ARN et des réseaux d'interaction biologique. Nous offrons une compatibilité avec les formats Pydata standard, ainsi que des objets graphiques conçus pour faciliter l'utilisation avec des bibliothèques populaires en profondeur.

Quoi de neuf?

1.7.0 Ensembles de données FoldComp
1.7.0 Création d'ensembles de données à partir du PDB
1.6.0 Module de tenseur de protéines
1.5.0 Création de graphiques protéiques à partir d'alphafold2!
1.5.0 Construction de graphiques d'ARN à partir de la notation dotbracket
1.4.0 Construire des graphiques moléculaires
1.3.0 Dataloaders prêts à l'emploi pour Pytorch Géométrique
1.2.0 Extraction de sous-graphes de graphiques protéiques
1.2.0 Analyse des graphiques protéiques
1.2.0 CLI de graphein
1.2.0 Visualisation du graphique protéique!
1.1.0 Protéine - Interaction des protéines Support du réseau et interactomique structurelle (en utilisant alphafold2!)
1.0.0 API de haut et de bas niveau pour une flexibilité massive - créez vos propres workflows sur mesure!

Exemple d'utilisation

Graphein fournit à la fois une API programmatique et une interface de ligne de commande pour la construction de graphiques.

CLI

Les configurations de graphein peuvent être spécifiées sous forme de fichiers .yaml pour traiter les graphiques de processus à partir de la ligne de commande.

Docs 

graphein -c config.yaml -p path/to/pdbs -o path/to/output

Créer un graphique protéique

Tutoriel (niveau résidu) Tutoriel (atomique) Docs 
 from graphein . protein . config import ProteinGraphConfig
from graphein . protein . graphs import construct_graph

config = ProteinGraphConfig ()
g = construct_graph ( config = config , pdb_code = "3eiy" )

Création d'un graphique protéique à partir de la base de données de la structure des protéines Alphafold

Tutoriel Docs 
 from graphein . protein . config import ProteinGraphConfig
from graphein . protein . graphs import construct_graph
from graphein . protein . utils import download_alphafold_structure

config = ProteinGraphConfig ()
fp = download_alphafold_structure ( "Q5VSL9" , aligned_score = False )
g = construct_graph ( config = config , path = fp )

Création d'un maillage protéique

Tutoriel Docs 
 from graphein . protein . config import ProteinMeshConfig
from graphein . protein . meshes import create_mesh

verts , faces , aux = create_mesh ( pdb_code = "3eiy" , config = config )

Création de graphiques moléculaires

Graphein peut créer des graphiques moléculaires à partir de chaînes Smiles ainsi que des fichiers .sdf , .mol2 et .pdb

Tutoriel Docs 
 from graphein . molecule . config import MoleculeGraphConfig
from graphein . molecule . graphs import construct_graph

g = create_graph ( smiles = "CC(=O)OC1=CC=CC=C1C(=O)O" , config = config )

Création d'un graphique d'ARN

Tutoriel Docs 
 from graphein . rna . graphs import construct_rna_graph
# Build the graph from a dotbracket & optional sequence
rna = construct_rna_graph ( dotbracket = '..(((((..(((...)))..)))))...' ,
                          sequence = 'UUGGAGUACACAACCUGUACACUCUUUC' )

Création d'un graphique d'interaction protéine-protéine

Tutoriel Docs 
 from graphein . ppi . config import PPIGraphConfig
from graphein . ppi . graphs import compute_ppi_graph
from graphein . ppi . edges import add_string_edges , add_biogrid_edges

config = PPIGraphConfig ()
protein_list = [ "CDC42" , "CDK1" , "KIF23" , "PLK1" , "RAC2" , "RACGAP1" , "RHOA" , "RHOB" ]

g = compute_ppi_graph ( config = config ,
                      protein_list = protein_list ,
                      edge_construction_funcs = [ add_string_edges , add_biogrid_edges ]
                     )

Création d'un graphique de réseau réglementaire de gènes

Tutoriel Docs 
 from graphein . grn . config import GRNGraphConfig
from graphein . grn . graphs import compute_grn_graph
from graphein . grn . edges import add_regnetwork_edges , add_trrust_edges

config = GRNGraphConfig ()
gene_list = [ "AATF" , "MYC" , "USF1" , "SP1" , "TP53" , "DUSP1" ]

g = compute_grn_graph (
    gene_list = gene_list ,
    edge_construction_funcs = [
        partial ( add_trrust_edges , trrust_filtering_funcs = config . trrust_config . filtering_functions ),
        partial ( add_regnetwork_edges , regnetwork_filtering_funcs = config . regnetwork_config . filtering_functions ),
    ],
)

Installation

Pépin

L'installation la plus simple est via PIP. NB Ceci n'installe pas les bibliothèques ML / DL qui sont nécessaires pour la conversion à leurs formats de données et pour générer des maillages de structure protéique avec Pytorch 3D. Plus de détails 

pip install graphein # For base install
pip install graphein[extras] # For additional featurisation dependencies
pip install graphein[dev] # For dev dependencies
pip install graphein[all] # To get the lot

Cependant, il existe un certain nombre d'utilitaires (facultatifs) (DSSP, PyMol, GetContacts) qui ne sont pas disponibles via PYPI: 

 conda install -c salilab dssp # Required for computing secondary structural features
conda install -c schrodinger pymol # Required for PyMol visualisations & mesh generation

# GetContacts - used as an alternative way to compute intramolecular interactions
conda install -c conda-forge vmd-python
git clone https://github.com/getcontacts/getcontacts

# Add folder to PATH
echo "export PATH=$PATH:`pwd`/getcontacts" >> ~/.bashrc
source ~/.bashrc
To test the installation, run:

cd getcontacts/example/5xnd
get_dynamic_contacts.py --topology 5xnd_topology.pdb 
                        --trajectory 5xnd_trajectory.dcd 
                        --itypes hb 
                        --output 5xnd_hbonds.tsv

Environnement conda

L'environnement Dev comprend GPU Builds (CUDA 11.1) pour chacune des bibliothèques de Deep Learning intégrées dans le graphobe. 

git clone https://www.github.com/a-r-j/graphein
cd graphein
conda env create -f environment-dev.yml
pip install -e .

Une installation plus légère peut être effectuée avec: 

git clone https://www.github.com/a-r-j/graphein
cd graphein
conda env create -f environment.yml
pip install -e .

Dockerfile

Nous fournissons deux fichiers docker-compose pour CPU ( docker-compose.cpu.yml ) et l'utilisation du GPU ( docker-compose.yml ) localement. Pour l'utilisation du GPU, veuillez vous assurer que la boîte à outils NVIDIA Container est installée. Assurez-vous d'installer le volume monté localement après être entré dans le conteneur ( pip install -e . ). Cela configurera également l'environnement Dev localement.

Pour construire (GPU) exécuter: 

 docker-compose up -d --build # start the container
docker-compose down # stop the container

Citant du graphée

Veuillez envisager de citer le graphéine si cela s'avère utile dans votre travail. 

 @inproceedings { jamasb2022graphein ,
  title = { Graphein - a Python Library for Geometric Deep Learning and Network Analysis on Biomolecular Structures and Interaction Networks } ,
  author = { Arian Rokkum Jamasb and Ramon Vi{~n}as Torn{'e} and Eric J Ma and Yuanqi Du and Charles Harris and Kexin Huang and Dominic Hall and Pietro Lio and Tom Leon Blundell } ,
  booktitle = { Advances in Neural Information Processing Systems } ,
  editor = { Alice H. Oh and Alekh Agarwal and Danielle Belgrave and Kyunghyun Cho } ,
  year = { 2022 } ,
  url = { https://openreview.net/forum?id=9xRZlV6GfOX }
}
Développer
Informations supplémentaires
Applications connexes
Recommandé pour vous
Actualités connexes Tout