CBGBenchダウンロードCBGBenchソースコードのダウンロード

cbgbenchロゴ

CBGBench：複雑なバインディンググラフベンチマークは、生成ターゲット認識分子設計のベンチマークです。

論文[diffbp] |紙[d3fg] |ベンチマーク

注記

2024年10月： CBGBench Paper V3は、最先端のMolcraftとVoxbindを評価に統合したばかりで、コードの統合が進行中です。
2024年9月： CBGBenchは、サンドボックスレベルのプロジェクトとして、科学のためのAIに専念するコミュニティであるDeepModelingコミュニティに参加しました。 DeepModelingの詳細をご覧ください

導入

これは、論文「CBGBench：タンパク質分子結合グラフの空白を入力する」の公式コードリポジトリです。これは、単一のコード実装でターゲット認識分子設計を統一することを目的としています。これまで、以下に示すように7つの方法を含めています。

モデル	紙のリンク	github
pocket2mol	https://arxiv.org/abs/2205.07249	https://github.com/pengxingang/pocket2mol
graphbp	https://arxiv.org/abs/2204.09410	https://github.com/divelab/graphbp
diffsbdd	https://arxiv.org/abs/2210.13695	https://github.com/arneschneuing/diffsbdd
diffbp	https://arxiv.org/abs/2211.11214	公式の実装は次のとおりです。
TargetDiff	https://arxiv.org/abs/2303.03543	https://github.com/guanjq/targetdiff
フラグ	https://openreview.net/forum?id=rq13Idf0f73	https://github.com/zaixizhang/flag
D3FG	https://arxiv.org/abs/2306.13769	公式の実装は次のとおりです。

これらのモデルは、最初にde novo分子の生成のために確立されており、 linker design 、 fragment growing 、 scaffold hopping 、 side chain decorationなど、より多くのタスクを拡張します。

タスクを拡張します

インストール

基本的なパッケージで環境を作成します。

 conda env create -f environment.yml
conda activate cbgbench

pytorchとtorch_geometricをインストールします

 conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia
conda install pyg pytorch-scatter pytorch-cluster -c pyg

化学用のツールをインストールします

 # install rdkit, efgs, obabel, etc.
pip install --use-pep517 EFGs
pip install biopython
pip install lxml
conda install rdkit openbabel tensorboard tqdm pyyaml easydict python-lmdb -c conda-forge

# install plip
mkdir tools
cd tools
git clone https://github.com/pharmai/plip.git
cd plip
python setup.py install
alias plip='python plip/plip/plipcmd.py'
cd ..

### Note that if there is an error in setup.py, it can be ignored as long as openbabel is installed.

# install docking tools
conda install -c conda-forge numpy swig boost-cpp sphinx sphinx_rtd_theme
python -m pip install git+https://github.com/Valdes-Tresanco-MS/AutoDockTools_py3
pip install meeko==0.1.dev3 scipy pdb2pqr vina

# If you are unable to install vina, you can try: conda install vina
# If you encounter the following error:
# ImportError: libtiff.so.5: cannot open shared object file: No such file or directory
# Please try the following steps to resolve it:
pip uninstall pillow
pip install pillow

データセットを準備します

CrossDocked2020

1.処理されたデータセットをダウンロードします

（i）Googleドライブから処理されたデータセットをダウンロードします。各データセットについて、それは異なる方法とタスクに対応します。以下の表を参照して、使用する必要がある処理されたデータを見つけてください。 D3FGをトレーニングするために、最初に機能グループを生成してからリンカー原子を生成する2段階モデルであるため、2段モデル「D3FG_FG」と「D3FG_Linker」と命名し、トレーニングデータは異なります。

表：異なるメソッドとタスクに対応するデータファイル名。

モデル	タスク	ファイル名
pocket2mol	de novo	data/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
graphbp	de novo	data/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
diffsbdd	de novo	data/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
diffbp	de novo	data/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
TargetDiff	de novo	data/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
フラグ	de novo	data/pl_arfg/crossdocked_v1.1_rmsd1.0_pocket10_processed_arfuncgroup.lmdb
D3FG_FG	de novo	data/pl_fg/crossdocked_v1.1_rmsd1.0_pocket10_processed_funcgroup.lmdb
d3fg_linker	de novo	data/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
pocket2mol	断片	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
graphbp	断片	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
diffsbdd	断片	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
diffbp	断片	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
TargetDiff	断片	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
pocket2mol	リンカ	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
graphbp	リンカ	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
diffsbdd	リンカ	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
diffbp	リンカ	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
TargetDiff	リンカ	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
pocket2mol	足場	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
graphbp	足場	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
diffsbdd	足場	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
diffbp	足場	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
TargetDiff	足場	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
pocket2mol	サイドチェーン	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
graphbp	サイドチェーン	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
diffsbdd	サイドチェーン	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
diffbp	サイドチェーン	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
TargetDiff	サイドチェーン	data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb

（ii）データセットを./data dirにコピーします。完全なデータファイルディレクトリは次のようになります

 - CGBBench
    - data
        - pl
            - crossdocked_name2id.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
        - pl_arfg
            - crossdocked_name2id_arfuncgroup.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_arfuncgroup.lmdb
        - pl_decomp
            - crossdocked_name2id_frag.pt
            - crossdocked_name2id_linker.pt
            - crossdocked_name2id_scaffold.pt
            - crossdocked_name2id_sidechain.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
        - pl_fg
            - crossdocked_name2id_funcgroup.pt
            - crossdocked_v1.1_rmsd1.0_pocket10_processed_funcgroup.lmdb

2。生データをダウンロードして、ゼロから準備します

（i）TargetDiff Driveからcrossdocked_v1.1_rmsd1.0.tar.gzをダウンロードし、 ./raw_data/ raw_data/でそれをコピーします

 mkdir raw_data
tar -xzvf crossdocked_v1.1_rmsd1.0.tar.gz ./raw_data

（ii）以下を実行します。

 python ./scripts/extract_pockets.py --source raw_data/crossdocked_v1.1_rmsd1.0 --dest raw_data/crossdocked_v1.1_rmsd1.0_pocket10

（iii）トレーニングでは、各タスクのデータセットが準備されます。 Trainingを参照してください。

ADRB1およびDRD3ターゲット

処理されたターゲットをダウンロードします。

また、Googleドライブからプロセスターゲットファイルcase_studyをダウンロードして、それを./dataディレクトリにコピーすることもできます。

 - CGBBench
    - data
        - case_study
            - processed
                - case_study_processed_fullatom.lmdb
                - case_study_processed_funcgroup.lmdb
                - case_study_name2id.pt
                ...

トレーニング

1.ゼロからトレーニングしたい場合は、次のことを実行できます

 python train.py --config ./configs/{task}/train/{method}.yml --logdir ./logs/{task}/{method}

{タスク}は、 denovo 、 linker 、 frag 、 scaffold 、 sidechainに置き換えられ、{メソッド}はモデル名に置き換えることができます。次の表には、詳細なメソッドタスクペアと交換が示されています。

表：ゼロからトレーニングするために使用されるメソッドタスクペア。

方法	タスク	{method} + {task}
pocket2mol	de novo	pocket2mol + denovo
graphbp	de novo	graphbp + denovo
diffsbdd	de novo	diffsbdd + denovo
diffbp	de novo	diffbp + denovo
TargetDiff	de novo	TargetDiff + Denovo
フラグ	de novo	フラグ +デノボ
D3FG	de novo	D3FG_FG + DENOVO; d3fg_linker + denovo
pocket2mol	リンカー設計	pocket2mol +リンカー
graphbp	リンカー設計	GraphBP +リンカー
diffsbdd	リンカー設計	diffsbdd +リンカー
diffbp	リンカー設計	diffbp +リンカー
TargetDiff	リンカー設計	TargetDiff +リンカー
pocket2mol	断片の成長	pocket2mol + frag
graphbp	断片の成長	GraphBP +フラグ
diffsbdd	断片の成長	diffsbdd + frag
diffbp	断片の成長	diffbp + frag
TargetDiff	断片の成長	TargetDiff +フラグ
pocket2mol	足場ホッピング	pocket2mol +足場
graphbp	足場ホッピング	GraphBP +足場
diffsbdd	足場ホッピング	diffsbdd +足場
diffbp	足場ホッピング	diffbp +足場
TargetDiff	足場ホッピング	TargetDiff +足場
pocket2mol	サイドチェーンの装飾	pocket2mol + sidechain
graphbp	サイドチェーンの装飾	graphbp + sidechain
diffsbdd	サイドチェーンの装飾	diffsbdd + sidechain
diffbp	サイドチェーンの装飾	diffbp + sidechain
TargetDiff	サイドチェーンの装飾	TargetDiff + Sidechain

D3FGとフラグは拡張タスクと互換性がなく、D3FGは2段階トレーニング戦略を利用しているため、D3FGを自分でトレーニングしたい場合は、実行する必要があります。

 python train.py --config ./configs/denovo/train/d3fg_fg.yml --logdir ./logs/denovo/d3fg_fg
python train.py --config ./configs/denovo/train/d3fg_linker.yml --logdir ./logs/denovo/d3fg_linker

2。また、Googleドライブからの事前に守られたものを使用することもできます[TODO：前提条件のモデルをリリース]。

TODO：前処理されたモデルを備えたテーブル

必要な前提条件の.ptチェックポイントをダウンロードし、 ./logs/にコピーして、次のディレクトリ構造につながります。

 # TODO
- CBGBench
    - logs
        - denovo
            - d3fg_fg
                - pretrain
                    - checkpoints
                        - 951000.pt
            - d3fg_linker
                - pretrain
                    - checkpoints
                        - 4840000.pt
            - diffbp
                - pretrain
                    - checkpoints
                        - 4848000.pt
            ...
        - frag
            - diffbp
                - pretrain
                    - checkpoints
                        - 476000.pt
            ...
        ...

テストセットの生成

モデルがトレーニングされたら、テストポケットにサンプルからサンプルを描画できます。

 bash generate.sh --method {method} --task {task} --tag {tag} --checkpoint {ckpt_number}

コマンドでは、{method}および{task}ペアは、Method-taskペアの前のテーブルにあります。 {タグ}は、使用するチェックポイントに従って、 selftrainまたはpretrainに置き換える必要があります。 -checkpointパラメーターが番号なしで提供されている場合、最新の.ptファイルが自動的に見つかります。番号が提供されている場合、指定されたチェックポイントファイルを使用します。

たとえば、自己訓練されたTargetDiffモデルを使用してDe Novoデザインのテストセットでサンプルを生成する場合は、次を実行できます。

 bash generate.sh --method targetdiff --task denovo --tag selftrain --checkpoint

または、100000番目のチェックポイントをテストする場合。

 bash generate.sh --method targetdiff --task denovo --tag selftrain --checkpoint 100000

D3FG 2段階の生成戦略を使用しているため、コマンドは

 bash generate.sh --method d3fg_fg --task denovo --tag {tag} --checkpoint  # generate the functional groups
bash generate.sh --method d3fg_linker --task denovo --tag {tag} --checkpoint # generate the linkers

評価

以下を実行します：

 cd evaluate_scripts
bash evaluate.sh --method {method} --task {task} --tag {tag}

たとえば、自分でTargetDiffをトレーニングした場合は、実行してください

 bash evaluate.sh --method targetdiff --task denovo --tag selftrain
bash evaluate.sh --method targetdiff --task frag --tag selftrain
bash evaluate.sh --method targetdiff --task linker --tag selftrain
bash evaluate.sh --method targetdiff --task scaffold --tag selftrain
bash evaluate.sh --method targetdiff --task sidechain --tag selftrain

または、冒険モデルをダウンロードした場合は、実行してください

 cd evaluate_scripts
bash bash evaluate.sh --method {method} --task {task} --tag pretrained

TODOリスト

前提条件のモデルを使用して、実際のターゲットで分子を柔軟に生成します。
3DSBDD、Decompdiff、Voxmol、Liganなどのモデルを追加します。
前提条件のモデルをリリースし、論文が公開されたら、実現可能性と再現性をテストします。

貢献

コードベースはハイタオリンによって初期化され、CBGBench V1は私たちの動機となっています。コードリポジトリのその後の実行は、Guojiang Zhaoと彼のDPテクノロジーチームによって管理されます。

リポジトリが調査やプロジェクトに役立つ場合は、参照としてベンチマークペーパーに引用してください。

 @misc{lin2024cbgbench,
      title={CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph},
      author={Haitao Lin and Guojiang Zhao and Odin Zhang and Yufei Huang and Lirong Wu and Zicheng Liu and Siyuan Li and Cheng Tan and Zhifeng Gao and Stan Z. Li},
      year={2024},
      eprint={2406.10840},
      archivePrefix={arXiv},
}

diffbpとd3fgの以前の作品：

 @misc{lin2024diffbpgenerativediffusion3d,
      title={DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding}, 
      author={Haitao Lin and Yufei Huang and Odin Zhang and Siqi Ma and Meng Liu and Xuanjing Li and Lirong Wu and Jishui Wang and Tingjun Hou and Stan Z. Li},
      year={2024},
      eprint={2211.11214},
      archivePrefix={arXiv},
      primaryClass={q-bio.BM},
      url={https://arxiv.org/abs/2211.11214}, 
}
@inproceedings{
    lin2023functionalgroupbased,
    title={Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration},
    author={Haitao Lin and Yufei Huang and Odin Zhang and Yunfan Liu and Lirong Wu and Siyuan Li and Zhiyuan Chen and Stan Z. Li},
    booktitle={Thirty-seventh Conference on Neural Information Processing Systems},
    year={2023},
    url={https://openreview.net/forum?id=lRG11M91dx}
}

ライセンス

このプロジェクトは、GPL-3.0ライセンスの条件に基づいてライセンスされています。

拡大する

CBGBench

導入

インストール

基本的なパッケージで環境を作成します。

pytorchとtorch_geometricをインストールします

化学用のツールをインストールします

データセットを準備します

CrossDocked2020

1.処理されたデータセットをダウンロードします

2。生データをダウンロードして、ゼロから準備します

ADRB1およびDRD3ターゲット

処理されたターゲットをダウンロードします。

トレーニング

1.ゼロからトレーニングしたい場合は、次のことを実行できます

2。また、Googleドライブからの事前に守られたものを使用することもできます[TODO：前提条件のモデルをリリース]。

テストセットの生成

評価

TODOリスト

貢献

ライセンス

Google Dorks

shepherd

mongo express

hidusbf

Free Algorithms Books

markdownpedia

chat.petals.dev

GPT Prompt Templates

GPTyped

Google Dorks

shepherd

mongo express

Google Dorks

shepherd

mongo express