ProREM

検索強化変異の習得：タンパク質言語モデルのゼロショット予測の増強

はじめに（prorem）

？結果

ニュース

• [2024.10.21]

ダウンロード

• Proteingym A2Mホモロジーシーケンス（evcouplings）：https：//huggingface.co/datasets/tyang816/prorem/blob/main/aa_seq_aln_a2m.tar.gz。元のA2MファイルはProteingymでダウンロードされます。
• Proteingym A3Mホモロジーシーケンス（colabfold）：https：//huggingface.co/datasets/tyang816/prorem/blob/main/aa_seq_aln_a3m.tar.gz
• UNIREF 100データベース：https：//ftp.uniprot.org/pub/databases/uniprot/uniref/uniref100/uniref100.fasta.gz

紙の結果

？要件

コンドラ環境

ANACONDA3またはMINICONDA3をインストールしていることを確認してください。

 conda env create -f environment.yml
conda activate prorem

# We need HMMER and EVCouplings for MSA
# pip install hmmer
# pip install https://github.com/debbiemarkslab/EVcouplings/archive/develop.zip

その他の要件

PLMCをインストールし、 src/single_config_monomer.txtのパスを変更します

git clone https://github.com/debbiemarkslab/plmc.git
cd plmc
make all-openmp

ハードウェア

• 推論を直接使用するには、RTX 3080などの少なくとも10gのグラフィックメモリをお勧めします
• ホモロジーシーケンスの検索では、8コアCPU。

？変異体のゼロショット予測

Proteingymでの評価

処理されたデータの準備

 cd data/proteingym_v1
wget https://huggingface.co/datasets/tyang816/ProREM/blob/main/aa_seq_aln_a2m.tar.gz
# unzip homology files
tar -xzf aa_seq_aln_a2m.tar.gz
# unzip fasta sequence files
tar -xzf aa_seq.tar.gz
# unzip pdb structure files
tar -xzf pdbs.tar.gz
# unzip structure sequence files
tar -xzf struc_seq.tar.gz
# unzip DMS substitution csv files
tar -xzf substitutions.tar.gz

推論を開始します

protein_dir=proteingym_v1
python compute_fitness.py 
    --base_dir data/ $protein_dir 
    --out_scores_dir result/ $protein_dir

あなた自身のデータセット

少なくとも必要なもの

data/ < your_protein_dir_name >
| ——aa_seq # amino acid sequences
| —— | ——protein1.fasta
| —— | ——protein2.fasta
| ——aa_seq_aln_a2m # homology sequences of EVCouplings
| —— | ——protein1.a2m
| —— | ——protein2.a2m
| ——pdbs # structures
| —— | ——protein1.pdb
| —— | ——protein2.pdb
| ——struc_seq # structure sequences
| —— | ——protein1.fasta
| —— | ——protein2.fasta
| ——substitutions # mutant files
| —— | ——protein1.csv
| —— | ——protein2.csv

Jackhmmerによるホモロジーシーケンスを検索します

 # step 1: search homology sequences
# your protein name, eg. fluorescent_protein
protein_dir= < your_protein_dir_name >
# your protein path, eg. data/fluorescent_protein/aa_seq/GFP.fasta
query_protein_name= < your_protein_name >
protein_path=data/ $protein_dir /aa_seq/ $query_protein_name .fasta
# your uniprot dataset path
database= < your_path > /uniref100.fasta
evcouplings 
    -P output/ $protein_dir / $query_protein_name 
    -p $query_protein_name 
    -s $protein_path 
    -d $database 
    -b " 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 " 
    -n 5 src/single_config_monomer.txt
#  ? Repeat the searching process until all your proteins are done

# step 2: select a2m file
protein_dir= < your_protein_dir_name >
python src/data/select_msa.py 
    --input_dir output/ $protein_dir 
    --output_dir data/ $protein_dir 

タンパク質のPDBファイルを取得します

Alphafold3サーバー、Alphafoldデータベース、ESMFold、その他のツールを使用して、構造を取得できます。

ウェットラブの実験については、できる限り高品質の構造を取得してください。

PLMの構造シーケンスを取得します

protein_dir= < your_protein_dir_name >
python src/data/get_struc_seq.py 
    --pdb_dir data/ $protein_dir /pdbs 
    --out_dir data/ $protein_dir /struc_seq

推論を開始します

protein_dir= < your_protein_dir_name >
python compute_fitness.py 
    --base_dir data/ $protein_dir 
    --out_scores_dir result/ $protein_dir

その他の指示された進化ツール

ProtSSN（Elife 2024）またはProSst（Neurips 2024）を使用できます。

質問

Q：Proremの入力形式をProtSSNまたはProSSTにすばやく変換するにはどうすればよいですか？

A：PROREMとProTSSN入力形式間の変換については、 script/data_format_convert.shを参照できます。プロスストの場合、jsutはアルファを0に変更します。

protein_dir= < your_protein_dir_name >
python compute_fitness.py 
    --base_dir data/ $protein_dir 
    --out_scores_dir result/ $protein_dir 
    --alpha 0 
    --model_out_name ProSST-2048

Q：ProtSSN、ProSst、Proremの違いは何ですか？

A：ProTSNは、アミノ酸座標レベルでモデリングを使用し、局所構造のプロスストモデルを使用し、ProremはMSA情報を明示的に導入します。彼らはそれぞれ、実際の実験的評価において独自の利点と欠点を持っています。

？引用

コードまたはデータを使用している場合は、作業を引用してください。

 @article{tan2024prorem,
  title={Retrieval-Enhanced Mutation Mastery: Augmenting Zero-Shot Prediction of Protein Language Model},
  author={Tan, Yang and Wang, Ruilin and Wu, Banghao and Hong, Liang and Zhou, Bingxin},
  journal={arXiv:2410.21127},
  year={2024}
}