Главная страница>Связанные с программированием>Другой исходный код
Скачать

Логотип Cbgbench

CBGBENCH: Complex Binding Graph Clachmark является эталоном для конструкции молекулы с генеративной целью.

Бумага [diffbp] | Бумага [D3FG] | Эталон

Примечание

  • Октябрь 2024 года: CBGBench Paper V3 только что интегрировала современные молюсы и воксбинд в оценку, и интеграция их кодов находится в процессе.
  • Сентябрь 2024: CBGBench присоединился к сообществу DeepModeling, сообществу, посвященному ИИ для науки, в качестве проекта уровня песочницы. Узнайте больше о DeepModeling

Введение

Это официальный репозиторий кода статьи «Cbgbench: заполните пробел графика связывания белковой молекулы», который направлен на объединение конструкции молекулы с учетом целей с помощью отдельной реализации. До сих пор мы включили 7 методов, как показано ниже:

Модель Бумажная ссылка 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 Вот официальная реализация.
TargetDiff https://arxiv.org/abs/2303.03543 https://github.com/guanjq/targetdiff
ФЛАГ https://openreview.net/forum?id=rq13idf0f73 https://github.com/zaixizhang/flag
D3FG https://arxiv.org/abs/2306.13769 Вот официальная реализация.

Эти модели изначально созданы для генерации молекул de novo , и мы расширяем больше задач, включая linker design , fragment growing , scaffold hopping и side chain decoration .

Расширить задачи

Установка

Создайте среду с основными пакетами. 

 conda env create -f environment.yml
conda activate cbgbench

Установить pytorch и torch_geometric 

 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

Установить инструменты для химии 

 # 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

Подготовьте набор данных

CrossDocked2020

1. Скачать обработанные наборы данных

(i) Загрузите обработанный набор данных с Google Drive. Для каждого набора данных это соответствует различным методам и задачам. Пожалуйста, обратитесь к таблице ниже, чтобы найти обработанные данные, которые вам нужно использовать. Обратите внимание, что для обучения D3FG это двухэтапная модель, которая сначала генерирует функциональные группы, а затем генерирует атомы линкера, поэтому мы назвали двухэтапную модель «d3fg_fg» и «d3fg_linker», и данные обучения отличаются для них.

Таблица: Имя файла данных, соответствующее различным методам и задачам.

модель задача имя файла
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
ФЛАГ 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 фрагмент data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
Graphbp фрагмент data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
Diffsbdd фрагмент data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
Diffbp фрагмент data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
TargetDiff фрагмент data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_frag.lmdb
Pocket2mol линкер data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
Graphbp линкер data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
Diffsbdd линкер data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
Diffbp линкер data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
TargetDiff линкер data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_linker.lmdb
Pocket2mol строительные леса data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
Graphbp строительные леса data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
Diffsbdd строительные леса data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
Diffbp строительные леса data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
TargetDiff строительные леса data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_scaffold.lmdb
Pocket2mol боковая цепь data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
Graphbp боковая цепь data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
Diffsbdd боковая цепь data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
Diffbp боковая цепь data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb
TargetDiff боковая цепь data/pl_decomp/crossdocked_v1.1_rmsd1.0_pocket10_processed_sidechain.lmdb

(ii) Скопировать наборы данных в ./data dir, в котором будет выглядеть полный каталог файлов данных 

 - 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. Загрузите необработанные данные и подготовьте с нуля

(i) Скачать crossdocked_v1.1_rmsd1.0.tar.gz с TargetDiff Drive и скопируйте его на ./raw_data/ с 

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

(ii) Запустите следующее: 

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

(iii) При обучении набор данных будет подготовлен для каждой задачи. Пожалуйста, обратитесь к Training .

Цели ADRB1 и DRD3

Загрузите обработанные цели.

Кроме того, вы можете загрузить процессы Targets File case_study с Google Drive и скопировать его в каталог ./data , который приведет к указанию к 

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

Обучение

1. Если вы хотите тренироваться с нуля, вы можете запустить следующее 

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

{Task} может быть заменен на denovo , linker , frag , scaffold и sidechain , и {Method} может быть заменен с помощью имени модели. В следующей таблице приведены подробные пары задач метода и замену.

Таблица: Пары методов задач, используемые для обучения с нуля.

Метод Задача {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
ФЛАГ de novo Флаг + Деново
D3FG de novo d3fg_fg + denovo; d3fg_linker + denovo
Pocket2mol Дизайн линкера Pocket2mol + Linker
Graphbp Дизайн линкера graphbp + linker
Diffsbdd Дизайн линкера DiffsBdd + Линкер
Diffbp Дизайн линкера Diffbp + Linker
TargetDiff Дизайн линкера TargetDiff + Linker
Pocket2mol Фрагмент растут Pocket2mol + Frag
Graphbp Фрагмент растут graphbp + frag
Diffsbdd Фрагмент растут diffsbdd + frag
Diffbp Фрагмент растут diffbp + frag
TargetDiff Фрагмент растут TargetDiff + frag
Pocket2mol Спрыгивание каркасов Pocket2mol + каркас
Graphbp Спрыгивание каркасов GraphBP + каркас
Diffsbdd Спрыгивание каркасов Diffsbdd + Скасто
Diffbp Спрыгивание каркасов DIFFBP + СПАСК
TargetDiff Спрыгивание каркасов TargetDiff + Скафолд
Pocket2mol Украшение боковой цепи Pocket2mol + SideChain
Graphbp Украшение боковой цепи GraphBP + SideChain
Diffsbdd Украшение боковой цепи DiffsBdd + SideChain
Diffbp Украшение боковой цепи Diffbp + SideChain
TargetDiff Украшение боковой цепи TargetDiff + SideChain

Обратите внимание, что D3FG и FLAG не совместимы с расширенными задачами, а D3FG использует стратегии 2-ступенчатых тренировок, поэтому, если вы хотите тренировать D3FG, вам нужно запустить: 

 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. Кроме того, вы можете использовать наши предварительно предварительно проведенные из Google Drives [TODO: выпустите предварительно проведенные модели], в таблице ниже представлены соответствующие предварительные имена файлов данных для различных задач и моделей:

TODO: таблица с предварительно подготовленными моделями

Загрузите предварительные контрольные точки .pt , которые вам нужны, и скопируйте их в ./logs/ , что приведет к следующей структуре каталога: 

 # 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
            ...
        ...

Генерация на тестовых наборах

После обучения модели вы можете нарисовать образцы из них на тестовых карманах, со следующим: 

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

В команде {method} и {task} пара может быть найдена в бывшей таблице на парах методов. {TAG} должен быть заменен selftrain или pretrain , в соответствии с используемыми вами контрольными точками. Если параметр - -checkpoint предоставляется без числа, он автоматически найдет последний файл .pt . Если число предоставлено, он будет использовать указанный файл контрольной точки.

Например, если вы хотите генерировать образцы в тестовом наборе для дизайна de novo с самостоятельной моделью TargetDiff , вы можете запустить: 

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

Или если вы хотите проверить контрольную точку 100000-й. 

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

Обратите внимание, что D3FG использует стратегию генерации с двумя шагами, поэтому команда должна быть 

 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

Оценка

Запустите следующее: 

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

Например, если вы сами обучили TargetDiff, бегите 

 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

Или, если вы загрузили предварительные модели, пожалуйста, запустите 

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

Список Тодо

  1. Используйте предварительные модели для гибкого генерации молекул на реальных целях.

  2. Включите больше моделей, таких как 3DSBDD, DeCompdiff, Voxmol и Ligan.

  3. Освободите предварительно проведенные модели, проверьте выполнимость и воспроизводительность после публикации бумаги.

Вклад

Кодовая база инициализируется Хайтао Лин, а CBGBench V1 - как наша мотивация; Последующий запуск репозитория кода будет управляться Годзин Чжао и его команда технологий DP.

Если вы обнаружите, что репозиторий полезен для ваших исследований или проектов, пожалуйста, укажите на нашу эталонную бумагу в качестве ссылки: 

 @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},
}

И наши прежние работы DIFFBP и D3FG: 

 @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}
}

Лицензия

Этот проект лицензирован в соответствии с условиями лицензии GPL-3.0.

Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все