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
Kami menyediakan dataset yang diproses dari PPBench2024 melalui Google Drive, bersama dengan `PPDBench 'yang diproses.
Silakan unduh data.zip dan unzip, mengarah ke direktori file data sebagai
- 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
Jika Anda ingin set data mentah untuk preprocessing, silakan unduh melalui Google Drive. Unzip file datasets_raw.zip , mengarah ke direktori sebagai
- dataset
- PPDbench
- 1cjr
peptide.pdb
recepotor.pdb
- 1cka
peptide.pdb
recepotor.pdb
...
- ppbench2024
- 1a0m_A
peptide.pdb
recepotor.pdb
Jalankan perintah berikut untuk pelatihan ppflow:
python train_ppf.py
Jalankan perintah berikut untuk pelatihan difpp:
python train_diffpp.py
Untuk rde finetuning, Anda harus terlebih dahulu mengunduh model RDE.pt pretrained dari Google Drive, lalu simpan sebagai ./pretrained/RDE.pt , dan akhirnya, jalankan perintah berikut untuk 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}
Di sini kami memberikan pos pemeriksaan yang pretrained, yang dinamai ppflow_pretrained.pt dan dapat diunduh dari Google Drive. Anda dapat langsung mengunduhnya dan menyalinnya ke ./pretrained/ppflow_pretrained.pt . Selanjutnya, jalankan yang berikut ini ke generasi:
python codesign_diffpp.py -ckpt ./pretrained/ppflow_pretrained.pt
Jika Anda ingin secara langsung mengevaluasi peptida, kami memberikan peptida sebagai codesign_results.tar.gz dari Google Drive kami, yang terdiri dari 100 sampel / struktur protein untuk evaluasi yang lebih stabil, dengan hasil yang diberikan sebagai sebagai
| Imp%-s (↑) | Validitas (↑) | Kebaruan (↑) | Keberagaman |
|---|---|---|---|
| 12,50% | 1.00 | 0.99 | 0.92 |
Anda harus mengevaluasi file yang diakhiri dengan _bb3.pdb sebagai PDB yang dihasilkan, karena elemen O di _bb4.pdb tidak stabil dalam fungsi rekonstruksi kami.
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 memberikan contoh antarmuka python kami untuk Vinadock.
apt-get install -y libfftw3-3 . Selain itu, perangkat lunak hdock dapat diunduh melalui: http://huanglab.phys.hust.edu.cn/software/hdocklite/. Setelah mengunduhnya, instal atau unzip ke direktori ./bin , yang mengarah ke struktur file sebagai - bin
- hdock
1CGl_l_b.pdb
1CGl_r_b.pdb
createpl
hdock
./tools/dock/hdock.py memberikan contoh antarmuka python kami untuk hdock.
conda config --add channels https://yourauthorizedid:[email protected]
conda install pyrosetta
./tools/relax/rosetta_packing.py memberikan contoh antarmuka Python kami untuk pengemasan side-chain Rosetta.
./bin . Kemudian, unzip, yang akan memimpin direktori agar terlihat seperti - bin
- FoldX
foldx
di mana lipatan adalah perangkat lunaknya. ./tools/score/foldx_energy.py memberikan contoh antarmuka python kami untuk stabilitas lipatan.
./bin . Jika tidak kompatibel dengan sistem Anda, silakan instal melalui https://ccsb.scripps.edu/adcp/downloads/. Salin ADFRsuite_x86_64Linux_1.0.tar ke ./bin . Akhirnya, ADCP yang diinstal ke ./bin seharusnya terlihat seperti - bin
- ADFRsuite_x86_64Linux_1.0
- Tools
CCSBpckgs.tar.gz
...
ADFRsuite_Linux-x86_64_1.0_install.run
uninstall
Ingatlah untuk menambahkannya ke jalan env Anda sebagai
export PATH={Absolute-path-of-ppfolw}/bin/ADFRsuite_x86_64Linux_1.0/bin:$PATH
./tools/dock/adcpdock.py memberikan contoh antarmuka python kami untuk adcpdocking.
./bin , as - bin
- TMscore
TMscore
TMscore.cpp
Pertama, kloning ke ./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 memberikan contoh antarmuka Python kami untuk analisis interaksi PLIP.
Script evaluasi diberikan di direktori ./evaluation .
# 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}
Kami memberikan contoh pasangan file, sehingga gen_dir bisa ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 , ref_dir bisa ./PPDbench/3tzy/ dan save_path bisa jadi ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 .
Jika kertas kami atau kode di repositori sangat membantu Anda, silakan kutip yang berikut:
@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},
}
