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
Googleドライブを介してPPBench2024の処理されたデータセットと、処理された「PPDBench」を提供します。
data.zipをダウンロードして解凍してください。
- 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
PreprocessingのRAWデータセットが必要な場合は、Googleドライブからダウンロードしてください。 datasets_raw.zipのファイルを解凍し、ディレクトリにつながります
- dataset
- PPDbench
- 1cjr
peptide.pdb
recepotor.pdb
- 1cka
peptide.pdb
recepotor.pdb
...
- ppbench2024
- 1a0m_A
peptide.pdb
recepotor.pdb
PPFLOWトレーニングのために次のコマンドを実行します。
python train_ppf.py
DIFFPPトレーニングのために次のコマンドを実行します。
python train_diffpp.py
RDE Finetuningの場合、最初にGoogleドライブから前提条件のRDE.ptモデルをダウンロードしてから、 ./pretrained/RDE.pt pretrained/rde.ptとして保存し、最後に、Finetuningのために次のコマンドを実行する必要があります。
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}
ここでは、 ppflow_pretrained.ptと呼ばれ、Googleドライブからダウンロードできます。直接ダウンロードして./pretrained/ppflow_pretrained.pt pretrained/ppflow_pretrained.ptにコピーできます。さらに、次の世代を実行します。
python codesign_diffpp.py -ckpt ./pretrained/ppflow_pretrained.pt
ペプチドを直接評価する場合は、Googleドライブからペプチドをcodesign_results.tar.gzとして提供します。
| IMP％-S（↑） | 妥当性（↑） | ノベルティ（↑） | 多様性 |
|---|---|---|---|
| 12.50％ | 1.00 | 0.99 | 0.92 |
_bb4.pdbのO要素は再構成関数では不安定であるため、生成されたPDBとして_bb3.pdbで終了するファイルを評価する必要があります。
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 、VinadockのPythonインターフェイスの例を示しています。
apt-get install -y libfftw3-3を備えたHdockに必要です。また、HDOCKソフトウェアは、http：//huanglab.phys.hust.edu.cn/software/hdocklite/からダウンロードできます。ダウンロードした後、それを./binディレクトリにインストールまたは解凍し、ファイル構造につながります - bin
- hdock
1CGl_l_b.pdb
1CGl_r_b.pdb
createpl
hdock
./tools/dock/hdock.py hdockのPythonインターフェイスの例を示します。
conda config --add channels https://yourauthorizedid:[email protected]
conda install pyrosetta
./tools/relax/rosetta_packing.py RosettaサイドチェーンパッキングのPythonインターフェイスの例を示します。
./bin binにコピーします。次に、それを解凍し、ディレクトリを次のように導きます - bin
- FoldX
foldx
ここで、FoldXはソフトウェアです。 ./tools/score/foldx_energy.py Foldx安定性のためのPythonインターフェイスの例を示します。
./binで利用可能なADFRSUITEソフトウェアを提供します。システムと互換性がない場合は、https：//ccsb.scripps.edu/adcp/downloads/からインストールしてください。 ADFRsuite_x86_64Linux_1.0.tarを./binにコピーします。最後に、インストールされたADCPに./binに表示されるはずです - bin
- ADFRsuite_x86_64Linux_1.0
- Tools
CCSBpckgs.tar.gz
...
ADFRsuite_Linux-x86_64_1.0_install.run
uninstall
それをあなたのenv-pathに追加することを忘れないでください
export PATH={Absolute-path-of-ppfolw}/bin/ADFRsuite_x86_64Linux_1.0/bin:$PATH
./tools/dock/adcpdock.py ADCPDockingのPythonインターフェイスの例を示します。
./binで提供されています。 - bin
- TMscore
TMscore
TMscore.cpp
まず、 ./binにクローンします
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プリップインタラクション分析のためのPythonインターフェイスの例を示します。
評価スクリプトは./evaluationディレクトリに記載されています。主な実験で評価のために以下を実行できます。
# 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}
ファイルペアの例を挙げて、 gen_dir ref_dir ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 save_pathます./PPDbench/3tzy/ ./results/ppflow/codesign_ppflow/0008_3tzy_2024_01_19__19_16_21 。
リポジトリ内の私たちの論文またはコードが役立つ場合は、以下を引用してください。
@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},
}
