ProREM

檢索增強的突變精通：增強蛋白質語言模型的零射擊預測

簡介（PROREM）

？結果

消息

• [2024.10.21]

下載

• Proteingym A2M同源序列（EVCOUPLINGS）：https：//huggingface.co/datasets/tyang816/prorem/blob/main/main/aa_seq_aln_a2m.tar.gz。原始的A2M文件在Proteingym上下載。
• Proteingym A3M同源序列（COLABFOLD）：https：//huggingface.co/datasets/tyang816/prorem/blob/main/main/aa_seq_aln_a3m.tar.gz
• UNIREF 100數據庫：https：//ftp.uniprot.org/pub/databases/uniprot/uniref/uniref/uniref100/uniref100.fasta.gz.gz

紙結果

？要求

康達環境

請確保您已經安裝了Anaconda3或Miniconda3 。

 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

其他要求

安裝PLMC並更改src/single_config_monomer.txt中的路徑

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

硬體

• 用於直接使用推理，我們建議至少10克圖形內存，例如RTX 3080
• 用於搜索同源序列，8個核心CPU。

？突變體的零拍攝預測

蛋白酶評估

準備處理的數據

 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

開始推斷

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

您自己的數據集

您至少需要什麼

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搜索同源序列

 # 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 

獲取蛋白質的PDB文件

您可以使用Alphafold3服務器，Alphafold數據庫，ESMFOLD和其他工具來獲取結構。

對於濕LAB實驗，請盡可能地獲取高質量的結構。

獲取PLM的結構序列

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

開始推斷

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

其他定向進化工具

您可以使用Protssn（Elife 2024）或Prosst（Neurips 2024）。

問題

問：如何快速將PROREM的輸入格式轉換為Protssn或Prosst？

答：對於prorem和protssn輸入格式之間的轉換，您可以參考script/data_format_convert.sh 。對於Prosst，JSUT將Alpha更改為0。

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

問：Protssn，Prosst和Prorem有什麼區別？

答：Protssn使用在氨基酸坐標水平，局部結構上的Prosst模型上使用建模，並明確引入MSA信息。他們每個人在實際的實驗評估中都有自己的優勢和缺點。

？引用

如果您使用了我們的代碼或數據，請引用我們的工作。

 @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}
}