หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

Drughive: การออกแบบยาตามโครงสร้างด้วยแบบจำลองการกำเนิดแบบลำดับชั้นลึก

ที่เก็บนี้เป็นการดำเนินการอย่างเป็นทางการของ Drughive ซึ่งเป็นตัวแปรอัตโนมัติแบบตัวแปรแบบลำดับชั้นที่พัฒนาขึ้นสำหรับการออกแบบยาตามโครงสร้าง กระดาษ jcim

การติดตั้ง

1. การพึ่งพา

รหัสได้รับการทดสอบในสภาพแวดล้อมต่อไปนี้:

ซอฟต์แวร์ รุ่น
งูหลาม 3.9.16
คนขี้เกียจ 11.6
OpenBabel 3.1.1
pytorch 1.12.1
Pytorch Lightning 2.0.0
rdkit 2021.09.5

ติดตั้งผ่าน Conda

ติดตั้งการพึ่งพาโดยใช้ข้อกำหนดที่ระบุไว้ใน requirements.txt : 

conda create -n drughive -c conda-forge -c pytorch -c nvidia -c rdkit --file requirements.txt

2. git โคลนที่เก็บ 

git clone https://github.com/jssweller/DrugHIVE

การสุ่มตัวอย่าง

รุ่นที่ผ่านการฝึกอบรมมาก่อน

น้ำหนักรุ่นที่ผ่านการฝึกอบรมมาก่อนสามารถดาวน์โหลดได้จาก Zenodo: 

wget -P model_checkpoints/ https://zenodo.org/records/12668687/files/drughive_model_ch9.ckpt

การสร้างลิแกนด์

หากต้องการตัวอย่างจาก Drughive ก่อนอื่นให้ปรับพารามิเตอร์ในไฟล์การกำหนดค่าตัวอย่าง generate.yml จากนั้นเรียกใช้คำสั่งต่อไปนี้: 

python generate_molecules.py config/generate.yml

หากต้องการตัวอย่างจากก่อนหน้าให้ตั้ง zbetas: 1. ในไฟล์การกำหนดค่า
หากต้องการตัวอย่างจากด้านหลังให้ตั้ง zbetas: 0. ในไฟล์กำหนดค่า
หากต้องการตัวอย่างระหว่างหลังและหลังให้ตั้งค่า zbetas ระหว่าง 0. และ 1.

การดัดแปลงโครงสร้างย่อย (การกระโดดนั่งร้าน)

ในการสร้างโมเลกุลที่มีการปรับเปลี่ยนโครงสร้างย่อยก่อนอื่นให้ปรับพารามิเตอร์ในไฟล์การกำหนดค่าตัวอย่าง generate_spatial.yml จากนั้นเรียกใช้คำสั่งต่อไปนี้: 

python generate_molecules.py config/generate_spatial.yml

การเพิ่มประสิทธิภาพแกนด์

ติดตั้ง Quickvina 2

ก่อนที่จะเรียกใช้กระบวนการปรับให้เหมาะสมจะต้องติดตั้งเครื่องมือการเชื่อมต่อ Quickvina 2:

  • ดาวน์โหลด (หรือคอมไพล์) เครื่องมือเชื่อมต่อ QuickVina2 จาก https://qvina.github.io
  • วาง qvina2.1 ใน DrugHIVE/ หรือในไดเรกทอรีในรายการในตัวแปร PATH ของคุณ (เช่น /usr/bin/ )

เรียกใช้การเพิ่มประสิทธิภาพ

ในการเพิ่มประสิทธิภาพโมเลกุลด้วย drughive ก่อนอื่นให้ปรับพารามิเตอร์ในไฟล์การกำหนดค่าตัวอย่างของ generate_optimize.yml จากนั้นเรียกใช้คำสั่งต่อไปนี้: 

python generate_optimize.py config/generate_optimize.yml

การฝึกอบรม

1. ดาวน์โหลดชุดข้อมูล PDBBIND

ดาวน์โหลดและแยกชุดข้อมูลการปรับปรุง PDBBIND จาก http://www.pdbbind.org.cn/

2. ดาวน์โหลดโมเลกุลสังกะสี

ดาวน์โหลดโมเลกุลสังกะสีจาก https://zinc20.docking.org/ ในรูปแบบ SDF หรือ MOL2 วางไว้ในไดเรกทอรีเดียว

3. ประมวลผลชุดข้อมูลสำหรับการฝึกอบรม

ในการประมวลผลชุดข้อมูล PDBBIND ให้เรียกใช้: 

python process_pdbbind_data.py < path/to/PDBbind/directory >

ในการประมวลผลชุดข้อมูลสังกะสีให้เรียกใช้: 

python process_zinc_data.py < path/to/ZINC/directory > -o data/zinc_data/zinc_data.h5 -ext < file_extension >

ที่นี่ <file_extension> สามารถเป็นหนึ่งใน sdf หรือ mol2

4. รันฝึกซ้อม

ขั้นแรกให้ปรับพารามิเตอร์การฝึกอบรมในไฟล์กำหนดค่าตัวอย่าง config/train.yml ตรวจสอบให้แน่ใจว่าได้ตั้ง data_path_pdb และ data_path_zinc ไปยังตำแหน่งของชุดข้อมูลของคุณ จากนั้นเรียกใช้คำสั่งต่อไปนี้: 

python train.py config/train.yml
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด