CBGBench 다운로드 CBGBench 소스 코드 다운로드

CBGBENCH 로고

CBGBENCH : 복잡한 바인딩 그래프 벤치 마크는 생성 목표 인식 분자 설계의 벤치 마크입니다.

종이 [diffbp] | 논문 [d3fg] | 기준

메모

2024 년 10 월 : CBGBENCH PAPER V3는 최첨단 Molcraft 및 Voxbind를 평가에 방금 통합했으며 코드의 통합이 진행 중입니다.
2024 년 9 월 : CBGBench는 샌드 박스 수준 프로젝트로 과학을 위해 AI에 전념하는 커뮤니티 인 DeepModeling 커뮤니티에 합류했습니다. DeepModeling에 대해 자세히 알아보십시오

소개

이것은 단일 코드 구현으로 목표 인식 분자 설계를 통합하는 것을 목표로하는 논문 'CBGBENCH : 단백질-분자 결합 그래프 블랭크'의 공식 코드 저장소입니다. 지금까지는 다음과 같이 7 가지 방법을 포함했습니다.

모델	종이 링크	github
pocket2mol	https://arxiv.org/abs/2205.07249	https://github.com/pengxingang/pocket2mol
그래프 BP	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	공식 구현은 다음과 같습니다.
TargetDiff	https://arxiv.org/abs/2303.03543	https://github.com/guanjq/targetdiff
깃발	https://openreview.net/forum?id=rq13idf0f73	https://github.com/zaixizhang/flag
D3FG	https://arxiv.org/abs/2306.13769	공식 구현은 다음과 같습니다.

이 모델은 처음에 de novo 분자 생성을 위해 확립되었으며 linker design , fragment growing , scaffold hopping 및 side chain decoration 포함한 더 많은 작업을 확장합니다.

작업을 확장합니다

설치

기본 패키지로 환경을 만듭니다.

 conda env create -f environment.yml
conda activate cbgbench

pytorch 및 torch_geometric을 설치하십시오

 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

화학을위한 도구를 설치하십시오

 # 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

데이터 세트를 준비하십시오

CrossDocked2020

1. 처리 된 데이터 세트 다운로드

(i) Google 드라이브에서 처리 된 데이터 세트를 다운로드하십시오. 각 데이터 세트에 대해 다른 방법과 작업에 해당합니다. 사용해야 할 처리 된 데이터를 찾으려면 아래 표를 참조하십시오. D3FG를 훈련시키기 위해서는 먼저 기능 그룹을 생성 한 다음 링커 원자를 생성하는 2 단계 모델이므로 2 단계 모델 'D3FG_FG'및 'D3FG_LINKER'를 명명했으며 교육 데이터가 다릅니다.

표 : 다른 방법 및 작업에 해당하는 데이터 파일 이름.

모델	일	파일 이름
pocket2mol	드 노보	데이터/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
그래프 BP	드 노보	데이터/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
diffsbdd	드 노보	데이터/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
diffbp	드 노보	데이터/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
TargetDiff	드 노보	데이터/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_fullatom.lmdb
깃발	드 노보	데이터/pl_arfg/crossdocked_v1.1_rmsd1.0_pocket10_processed_arfuncgroup.lmdb
D3FG_FG	드 노보	데이터/pl_fg/crossdocked_v1.1_rmsd1.0_pocket10_processed_funcgroup.lmdb
D3FG_LINKER	드 노보	데이터/pl/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
pocket2mol	파편	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
그래프 BP	파편	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
diffsbdd	파편	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
diffbp	파편	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
TargetDiff	파편	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
pocket2mol	링커	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
그래프 BP	링커	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
diffsbdd	링커	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
diffbp	링커	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
TargetDiff	링커	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
pocket2mol	발판	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
그래프 BP	발판	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
diffsbdd	발판	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
diffbp	발판	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
TargetDiff	발판	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
pocket2mol	사이드 체인	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
그래프 BP	사이드 체인	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
diffsbdd	사이드 체인	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
diffbp	사이드 체인	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
TargetDiff	사이드 체인	데이터/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb

(ii) 데이터 세트를 ./data dir로 복사하여 전체 데이터 파일 디렉토리가

 - 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. 원시 데이터를 다운로드하고 처음부터 준비하십시오

(i) TargetDiff Drive에서 crossdocked_v1.1_rmsd1.0.tar.gz 다운로드하고 ./raw_data/ 로 복사하십시오.

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

(ii) 다음을 실행하십시오.

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

(iii) 훈련시 데이터 세트는 각 작업에 대해 준비됩니다. Training 을 참조하십시오.

ADRB1 및 DRD3 표적

처리 된 대상을 다운로드하십시오.

또한 Google 드라이브에서 프로세스 대상 파일 case_study 다운로드하여 ./data 디렉토리로 복사하여 DIR을 이끌어 낼 수 있습니다.

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

훈련

1. 처음부터 훈련하고 싶다면 다음을 실행할 수 있습니다.

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

{task}는 denovo , linker , frag , scaffold 및 sidechain 으로 대체 될 수 있으며 {Method}는 모델 이름으로 대체 할 수 있습니다. 다음 표는 자세한 방법 직접 쌍과 교체를 제공합니다.

표 : 처음부터 훈련하는 데 사용되는 방법 작업 쌍.

방법	일	{method} + {task}
pocket2mol	드 노보	포켓 2mol + denovo
그래프 BP	드 노보	GraphBP + Denovo
diffsbdd	드 노보	diffsbdd + denovo
diffbp	드 노보	diffbp + denovo
TargetDiff	드 노보	TargetDiff + Denovo
깃발	드 노보	플래그 + 데노 보
D3FG	드 노보	D3FG_FG + DENOVO; D3FG_LINKER + DENOVO
pocket2mol	링커 디자인	포켓 2mol + 링커
그래프 BP	링커 디자인	GraphBP + 링커
diffsbdd	링커 디자인	diffsbdd + 링커
diffbp	링커 디자인	diffbp + 링커
TargetDiff	링커 디자인	TargetDiff + 링커
pocket2mol	파편 성장	포켓 2mol + 조각
그래프 BP	파편 성장	GraphBP + 조각
diffsbdd	파편 성장	diffsbdd + 단편
diffbp	파편 성장	diffbp + 조각
TargetDiff	파편 성장	TargetDiff + 조각
pocket2mol	발판 호핑	포켓 2mol + 스캐 폴드
그래프 BP	발판 호핑	GraphBP + 스캐 폴드
diffsbdd	발판 호핑	diffsbdd + 스캐 폴드
diffbp	발판 호핑	diffbp + 스캐 폴드
TargetDiff	발판 호핑	TargetDiff + 스캐 폴드
pocket2mol	사이드 체인 장식	포켓 2mol + 사이드 체인
그래프 BP	사이드 체인 장식	GraphBP + 사이드 체인
diffsbdd	사이드 체인 장식	diffsbdd + seedechain
diffbp	사이드 체인 장식	diffbp + sidechain
TargetDiff	사이드 체인 장식	TargetDiff + SeedeCain

D3FG 및 플래그는 확장 작업과 호환되지 않으며 D3FG는 2 단계 훈련 전략을 사용하므로 D3FG를 직접 훈련하려면 다음을 수행해야합니다.

 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. 또한 Google Drives [TODO : Pretrated Models 릴리스]에서 사전에 걸린 제품을 사용할 수 있습니다. 다른 작업 및 모델에 해당하는 사기 데이터 파일 이름이 다음 표에 제공됩니다.

TODO : 사전에 사전 모델이있는 테이블

필요한 사기가 필요한 .pt 체크 포인트를 다운로드하여 ./logs/ 에 복사하면 다음 디렉토리 구조로 이어집니다.

 # 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
            ...
        ...

테스트 세트 생성

모델이 훈련되면 테스트 포켓에 다음과 같이 샘플을 그릴 수 있습니다.

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

명령에서 {method} 및 {task} 쌍은 메소드 작업 쌍의 이전 테이블에서 찾을 수 있습니다. {TAG}는 사용하는 체크 포인트에 따라 selftrain 또는 pretrain 으로 교체해야합니다. -checkpoint 매개 변수가 숫자없이 제공되면 최신 .pt 파일을 자동으로 찾습니다. 숫자가 제공되면 지정된 체크 포인트 파일을 사용합니다.

예를 들어, 자체 훈련 된 TargetDiff 모델을 사용하여 De Novo Design의 테스트 세트에서 샘플을 생성하려면 다음을 실행할 수 있습니다.

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

또는 100000-th의 검문소를 테스트하려는 경우.

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

D3FG 2 단계 생성 전략을 사용하므로 명령은

 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

평가

다음을 실행하십시오.

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

예를 들어, 직접 TargetDiff를 훈련 한 경우

 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

또는 사전 치료 된 모델을 다운로드 한 경우 실행하십시오

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

TODO 목록

사전에 걸린 모델을 사용하여 실제 대상에서 분자를 생성하십시오.
3DSBDD, DecompDiff, Voxmol 및 Ligan과 같은 더 많은 모델을 포함하십시오.
사전에 걸린 모델을 해제하고 논문이 게시되면 타당성과 재현성을 테스트하십시오.

기부금

코드베이스는 Haitao Lin에 의해 초기화되며 CBGBENCH V1은 동기 부여입니다. 코드 저장소의 후속 실행은 Guojiang Zhao와 그의 DP 기술 팀이 관리합니다.

저장소가 연구 나 프로젝트에 도움이된다면 벤치 마크 논문을 참조로 인용하십시오.

 @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},
}

그리고 Diffbp와 d3fg의 이전 작품 :

 @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}
}

특허

이 프로젝트는 GPL-3.0 라이센스의 조건에 따라 라이센스가 부여됩니다.

확장하다

CBGBench

소개

설치

기본 패키지로 환경을 만듭니다.

pytorch 및 torch_geometric을 설치하십시오

화학을위한 도구를 설치하십시오

데이터 세트를 준비하십시오

CrossDocked2020

1. 처리 된 데이터 세트 다운로드

2. 원시 데이터를 다운로드하고 처음부터 준비하십시오

ADRB1 및 DRD3 표적

처리 된 대상을 다운로드하십시오.

훈련

1. 처음부터 훈련하고 싶다면 다음을 실행할 수 있습니다.

2. 또한 Google Drives [TODO : Pretrated Models 릴리스]에서 사전에 걸린 제품을 사용할 수 있습니다. 다른 작업 및 모델에 해당하는 사기 데이터 파일 이름이 다음 표에 제공됩니다.

테스트 세트 생성

평가

TODO 목록

기부금

특허

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