หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด



เอกสาร กระดาษ | บทเรียน การติดตั้ง

ไลบรารีกราฟโปรตีนและการโต้ตอบ

แพ็คเกจนี้ให้ฟังก์ชั่นสำหรับการผลิตการแสดงทางเรขาคณิตของโครงสร้างโปรตีนและ RNA และเครือข่ายปฏิสัมพันธ์ทางชีวภาพ เราให้ความเข้ากันได้กับรูปแบบ pydata มาตรฐานรวมถึงวัตถุกราฟที่ออกแบบมาเพื่อความสะดวกในการใช้งานกับห้องสมุดการเรียนรู้ลึกที่เป็นที่นิยม

มีอะไรใหม่?

1.7.0 ชุดข้อมูล foldComp
1.7.0 การสร้างชุดข้อมูลจาก PDB
1.6.0 โมดูลโปรตีนเทนเซอร์
1.5.0 การสร้างกราฟโปรตีนจาก Alphafold2!
1.5.0 การสร้างกราฟ RNA จากสัญลักษณ์ Dotbracket
1.4.0 การสร้างกราฟโมเลกุล
1.3.0 dataloaders พร้อมสำหรับการเดินทางสำหรับ pytorch geometric
1.2.0 การสกัดกราฟย่อยจากกราฟโปรตีน
1.2.0 การวิเคราะห์กราฟโปรตีน
1.2.0 graphein cli
1.2.0 การสร้างภาพกราฟโปรตีน!
1.1.0 โปรตีน - การสนับสนุนเครือข่ายโปรตีนปฏิสัมพันธ์และโครงสร้างการโต้ตอบ (ใช้ Alphafold2!)
1.0.0 API ระดับสูงและต่ำสำหรับความยืดหยุ่นอย่างมาก - สร้างเวิร์กโฟลว์ตามความต้องการของคุณเอง!

ตัวอย่างการใช้งาน

Graphein ให้ทั้ง API แบบโปรแกรมและอินเทอร์เฟซบรรทัดคำสั่งสำหรับการสร้างกราฟ

CLI

graphein configs สามารถระบุได้ว่าเป็นไฟล์ .yaml ไปยังกราฟกระบวนการแบทช์จาก Commandline

เอกสาร 

graphein -c config.yaml -p path/to/pdbs -o path/to/output

การสร้างกราฟโปรตีน

การสอน (ระดับสารตกค้าง) การสอน (อะตอม) เอกสาร 
 from graphein . protein . config import ProteinGraphConfig
from graphein . protein . graphs import construct_graph

config = ProteinGraphConfig ()
g = construct_graph ( config = config , pdb_code = "3eiy" )

การสร้างกราฟโปรตีนจากฐานข้อมูลโครงสร้างโปรตีน alphafold

การสอน เอกสาร 
 from graphein . protein . config import ProteinGraphConfig
from graphein . protein . graphs import construct_graph
from graphein . protein . utils import download_alphafold_structure

config = ProteinGraphConfig ()
fp = download_alphafold_structure ( "Q5VSL9" , aligned_score = False )
g = construct_graph ( config = config , path = fp )

การสร้างตาข่ายโปรตีน

การสอน เอกสาร 
 from graphein . protein . config import ProteinMeshConfig
from graphein . protein . meshes import create_mesh

verts , faces , aux = create_mesh ( pdb_code = "3eiy" , config = config )

การสร้างกราฟโมเลกุล

graphein สามารถสร้างกราฟโมเลกุลจากสตริงรอยยิ้มรวมถึงไฟล์ .sdf , .mol2 และ .pdb

การสอน เอกสาร 
 from graphein . molecule . config import MoleculeGraphConfig
from graphein . molecule . graphs import construct_graph

g = create_graph ( smiles = "CC(=O)OC1=CC=CC=C1C(=O)O" , config = config )

การสร้างกราฟ RNA

การสอน เอกสาร 
 from graphein . rna . graphs import construct_rna_graph
# Build the graph from a dotbracket & optional sequence
rna = construct_rna_graph ( dotbracket = '..(((((..(((...)))..)))))...' ,
                          sequence = 'UUGGAGUACACAACCUGUACACUCUUUC' )

การสร้างกราฟปฏิสัมพันธ์โปรตีนโปรตีน

การสอน เอกสาร 
 from graphein . ppi . config import PPIGraphConfig
from graphein . ppi . graphs import compute_ppi_graph
from graphein . ppi . edges import add_string_edges , add_biogrid_edges

config = PPIGraphConfig ()
protein_list = [ "CDC42" , "CDK1" , "KIF23" , "PLK1" , "RAC2" , "RACGAP1" , "RHOA" , "RHOB" ]

g = compute_ppi_graph ( config = config ,
                      protein_list = protein_list ,
                      edge_construction_funcs = [ add_string_edges , add_biogrid_edges ]
                     )

การสร้างกราฟเครือข่ายกฎระเบียบของยีน

การสอน เอกสาร 
 from graphein . grn . config import GRNGraphConfig
from graphein . grn . graphs import compute_grn_graph
from graphein . grn . edges import add_regnetwork_edges , add_trrust_edges

config = GRNGraphConfig ()
gene_list = [ "AATF" , "MYC" , "USF1" , "SP1" , "TP53" , "DUSP1" ]

g = compute_grn_graph (
    gene_list = gene_list ,
    edge_construction_funcs = [
        partial ( add_trrust_edges , trrust_filtering_funcs = config . trrust_config . filtering_functions ),
        partial ( add_regnetwork_edges , regnetwork_filtering_funcs = config . regnetwork_config . filtering_functions ),
    ],
)

การติดตั้ง

ปิ๊ก

การติดตั้งที่ง่ายที่สุดคือผ่าน PIP NB สิ่งนี้ไม่ได้ติดตั้งไลบรารี ML/DL ซึ่งจำเป็นสำหรับการแปลงเป็นรูปแบบข้อมูลของพวกเขาและสำหรับการสร้างโครงสร้างโปรตีนด้วย pytorch 3D รายละเอียดเพิ่มเติม 

pip install graphein # For base install
pip install graphein[extras] # For additional featurisation dependencies
pip install graphein[dev] # For dev dependencies
pip install graphein[all] # To get the lot

อย่างไรก็ตามมียูทิลิตี้ (เสริม) จำนวนมาก (DSSP, Pymol, GetContacts) ที่ไม่สามารถใช้ได้ผ่าน PYPI: 

 conda install -c salilab dssp # Required for computing secondary structural features
conda install -c schrodinger pymol # Required for PyMol visualisations & mesh generation

# GetContacts - used as an alternative way to compute intramolecular interactions
conda install -c conda-forge vmd-python
git clone https://github.com/getcontacts/getcontacts

# Add folder to PATH
echo "export PATH=$PATH:`pwd`/getcontacts" >> ~/.bashrc
source ~/.bashrc
To test the installation, run:

cd getcontacts/example/5xnd
get_dynamic_contacts.py --topology 5xnd_topology.pdb 
                        --trajectory 5xnd_trajectory.dcd 
                        --itypes hb 
                        --output 5xnd_hbonds.tsv

สภาพแวดล้อมคอนดา

สภาพแวดล้อมของ Dev รวมถึง GPU Builds (CUDA 11.1) สำหรับห้องสมุดการเรียนรู้ลึกแต่ละห้องที่รวมอยู่ใน Graphein 

git clone https://www.github.com/a-r-j/graphein
cd graphein
conda env create -f environment-dev.yml
pip install -e .

การติดตั้งที่เบากว่าสามารถทำได้ด้วย: 

git clone https://www.github.com/a-r-j/graphein
cd graphein
conda env create -f environment.yml
pip install -e .

Dockerfile

เราจัดเตรียมไฟล์ docker-compose สองไฟล์สำหรับ CPU ( docker-compose.cpu.yml ) และการใช้งาน GPU ( docker-compose.yml ) ในพื้นที่ สำหรับการใช้งาน GPU โปรดตรวจสอบให้แน่ใจว่าคุณติดตั้งชุดเครื่องมือคอนเทนเนอร์ Nvidia ตรวจสอบให้แน่ใจว่าคุณติดตั้งระดับเสียงที่ติดตั้งในเครื่องหลังจากป้อนคอนเทนเนอร์ ( pip install -e . ) สิ่งนี้จะตั้งค่าสภาพแวดล้อม dev ในพื้นที่

เพื่อสร้าง (GPU) Run: 

 docker-compose up -d --build # start the container
docker-compose down # stop the container

อ้างถึง graphein

โปรดพิจารณาการอ้างถึง Graphein หากพิสูจน์ได้ว่ามีประโยชน์ในการทำงานของคุณ 

 @inproceedings { jamasb2022graphein ,
  title = { Graphein - a Python Library for Geometric Deep Learning and Network Analysis on Biomolecular Structures and Interaction Networks } ,
  author = { Arian Rokkum Jamasb and Ramon Vi{~n}as Torn{'e} and Eric J Ma and Yuanqi Du and Charles Harris and Kexin Huang and Dominic Hall and Pietro Lio and Tom Leon Blundell } ,
  booktitle = { Advances in Neural Information Processing Systems } ,
  editor = { Alice H. Oh and Alekh Agarwal and Danielle Belgrave and Kyunghyun Cho } ,
  year = { 2022 } ,
  url = { https://openreview.net/forum?id=9xRZlV6GfOX }
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด