Logo
Project Icon

ByProt

先进的蛋白质序列设计工具包

ByProt蛋白质设计AI建模反向折叠机器学习Github开源项目

ByProt是一个专注于蛋白质研究中生成学习的多功能工具包。它主要用于基于结构的序列设计，提供高效的非自回归ProteinMPNN变体和LM-Design的官方实现。LM-Design作为ICML 2023口头报告的成果，是当前最先进的蛋白质序列设计模型。该工具包支持CATH和多链数据集的训练与评估，为研究人员提供灵活的蛋白质设计方案。

GithubGithub论文论文
介绍相关项目

ByProt

PyTorch Lightning Config: Hydra Template
Paper

ByProt是一款专注于蛋白质研究的通用工具包。它目前主要集中于基于结构的序列设计(又称固定主链)领域,提供以下关键功能:

  • 高效的非自回归ProteinMPNN变体: ByProt提供了一种高效有效的非自回归ProteinMPNN变体,这是一个功能强大的固定主链蛋白质序列设计工具。
  • LM-Design的官方实现: ByProt是LM-Design的官方实现,这是一种最先进的蛋白质序列设计模型,发表在ICML 2023上(口头报告)。更多详情请参考论文。

LM-Design

我们正在不断扩展ByProt的功能,以涵盖更广泛的任务和特性。请关注我们的更新,我们将提供更全面的蛋白质研究工具包。

安装

# 克隆项目
git clone --recursive https://url/to/this/repo/ByProt.git
cd ByProt

# 创建conda虚拟环境
env_name=ByProt

conda create -n ${env_name} python=3.7 pip
conda activate ${env_name}

# 自动安装其他所有依赖
bash install.sh

基于结构的蛋白质序列设计(反折叠)

预训练模型权重 (Zenodo)

模型训练数据检查点
protein_mpnn_cmlmcath_4.2链接
lm_design_esm1b_650mcath_4.2链接
lm_design_esm2_650mcath_4.2链接
lm_design_esm2_650mmultichain链接

数据

下载预处理的CATH数据集

bash scripts/download_cath.sh

检查configs/datamodule/cath_4.*.yaml并将data_dir设置为下载的CATH数据的路径。

下载PDB复合体数据(多链)

这个数据集整理了来自蛋白质数据库(PDB)的蛋白质(多链)复合体。 它由Robust deep learning-based protein sequence design using ProteinMPNN提供。 更多详情请参见他们的GitHub页面。

bash scripts/download_multichain.sh

检查configs/datamodule/multichain.yaml并将data_dir设置为下载的多链数据的路径。

准备好了一切,我们可以开始训练模型了。

训练

示例1: 非自回归(NAR) ProteinMPNN基线

使用条件掩码语言建模(CMLM)训练NAR ProteinMPNN

export CUDA_VISIBLE_DEVICES=0
# 或使用多GPU训练:
# export CUDA_VISIBLE_DEVICES=0,1

exp=fixedbb/protein_mpnn_cmlm  
dataset=cath_4.2
name=fixedbb/${dataset}/protein_mpnn_cmlm

python ./train.py \
    experiment=${exp} datamodule=${dataset} name=${name} \
    logger=tensorboard trainer=ddp_fp16

一些训练参数:

参数用途
experiment实验配置,请参见ByProt/configs/experiment/文件夹
datamodule数据集配置,请参见ByProt/configs/datamodule文件夹
name实验名称,决定了实验结果保存的目录路径,例如:/root/research/projects/ByProt/run/logs/${name}
logger机器学习实验记录器的配置,例如tensorboard
train.force_restart设置为true以强制在${name}下重新训练实验,否则将从最后一个检查点恢复训练

示例2: LM-Design

在ESM-1b 650M模型基础上训练LM-Design。

在一台A100 GPU上训练大约需要6个小时。

exp=fixedbb/lm_design_esm1b_650m
dataset=cath_4.2
name=fixedbb/${dataset}/lm_design_esm1b_650m

./train.py \
    experiment=${exp} datamodule=${dataset} name=${name} \
    logger=tensorboard trainer=ddp_fp16

使用exp=fixedbb/lm_design_esm2*在ESM-2系列上构建LM-Design。请检查ByProt/configs/experiment/fixedbb。

在验证/测试数据集上进行评估/推理

dataset=cath_4.2
# name=fixedbb/${dataset}/protein_mpnn_cmlm
name=fixedbb/${dataset}/lm_design_esm1b_650m
exp_path=/root/research/projects/ByProt/run/logs/${name}

python ./test.py \                                                                 
    experiment_path=${exp_path} \
    data_split=test ckpt_path=best.ckpt mode=predict \
    task.generator.max_iter=5

一些生成参数:

参数用途
experiment_path保存实验结果的文件夹(.hydra, checkpoints, tensorboard等)
data_splitvalid或test数据集
modepredict用于生成序列和计算氨基酸序列恢复率; test用于评估nll、ppl
task.generator序列生成器/采样器的参数
- max_iter=<int>最大解码迭代次数(默认: 5用于LM-Design, 1用于ProtMPNN-CMLM)
- strategy=[denoise, mask_predict]解码策略(默认: denoise用于LM-Design, mask_predict用于ProtMPNN-CMLM)
- temperature=<float>采样温度,设置为0以禁用随机采样并使用确定性采样(默认: 0)
- eval_sc=<bool>使用ESMFold额外评估scTM分数(默认: false)

在笔记本电脑上使用训练好的模型设计来自PDB文件的序列

示例1: ProteinMPNN-CMLM

from byprot.utils.config import compose_config as Cfg
from byprot.tasks.fixedbb.designer import Designer

# 1. 实例化设计器
exp_path = "/root/research/projects/ByProt/run/logs/fixedbb/cath_4.2/protein_mpnn_cmlm"
cfg = Cfg(
    cuda=True,
    generator=Cfg(
        max_iter=1,
        strategy='mask_predict',
        temperature=0,
        eval_sc=False,  
    )
)
designer = Designer(experiment_path=exp_path, cfg=cfg)

# 2. 从PDB文件加载结构
pdb_path = "/root/research/projects/ByProt/data/3uat_variants/3uat_GK.pdb"
designer.set_structure(pdb_path)

# 3. 从给定结构生成序列
designer.generate()

# 4. 计算评估指标
designer.calculate_metrics()
## 预测: SSYNPPILLLGPFAEELEEELVEENPERAGRPVPFTTEPPSPDETEGETYLYISSLEEAEELIESNRFLEAGEENNELVGISLEAIRSVARAGKLAILDTGGEAVEKLEEANIEPIVIFLVPKSVEDVRRVFPDLTEEEAEELTSEDEELLEEFKELLDAVVSGSTLEEVLEEIREVIEEASS
## 恢复率: 0.37158469945355194

示例2: LM-Design

from byprot.utils.config import compose_config as Cfg
from byprot.tasks.fixedbb.designer import Designer

# 1. 实例化设计器
exp_path = "/root/research/projects/ByProt/run/logs/fixedbb/cath_4.2/lm_design_esm2_650m"
cfg = Cfg(
    cuda=True,
    generator=Cfg(
        max_iter=5,
        strategy='denoise', 
        temperature=0,
        eval_sc=False,  
    )
)
designer = Designer(experiment_path=exp_path, cfg=cfg)

# 2. 从PDB文件加载结构
pdb_path = "/root/research/projects/ByProt/data/3uat_variants/3uat_GK.pdb"
designer.set_structure(pdb_path)

# 3. 从给定结构生成序列
designer.generate()
# 你可以通过传递generator_args来覆盖生成器参数,例如:
designer.generate(
    generator_args={
        'max_iter': 5, 
        'temperature': 0.1,
    }
)

# 4. 计算评估指标
designer.calculate_metrics()
## 预测: LNYTRPVIILGPFKDRMNDDLLSEMPDKFGSCVPHTTRPKREYEIDGRDYHFVSSREEMEKDIQNHEFIEAGEYNDNLYGTSIESVREVAMEGKHCILDVSGNAIQRLIKADLYPIAIFIRPRSVENVREMNKRLTEEQAKEIFERAQELEEEFMKYFTAIVEGDTFEEIYNQVKSIIEEESG
## 恢复: 0.7595628415300546

** 示例3: 补全 **
对于某些用例，您可能只想对感兴趣的某些片段进行补全,而蛋白质的其余部分保持不变(例如, 设计抗体 CDRs)。 以下是使用 `inpaint` 接口的一个简单示例:

```python
pdb_path = "/root/research/projects/ByProt/data/pdb_samples/5izu_proc.pdb"
designer.set_structure(pdb_path)

start_ids = [1, 50] 
end_ids = [10, 100]

for i in range(5):
    out, ori_seg, designed_seg = designer.inpaint(
        start_ids=start_ids, end_ids=end_ids, 
        generator_args={'temperature': 1.0}
    )
    print(designed_seg)
print('Original Segments:')
print(ori_seg)

输出如下:

loading backbone structure from /root/research/projects/ByProt/data/pdb_samples/5izu_proc.pdb.
[['MVKSLFRHRT'], ['DEPIEEFTPTPAFPALQRLSSVDVEGVAWRAGLRTGDFLLEVNGVNVVKVG']]
[['MTKALFRHQT'], ['ETPIEEFTPTPAFPALQHLSSVDVEGAAYRAGLRTGDFLIEVNGVNVVKVG']]
[['STESLFRHAT'], ['ETPIEEFTPTPAFPALQHLSSVDVEGVAWRAGLRTGDFLIEVNGINVVKVG']]
[['ATARMFRHLT'], ['ETPIEEFTPTPAFPALQYLSSVDVEGVAWRAGLKTGDFLIEVNGVNVVKVG']]
[['ARKAKFRRYT'], ['ETPIEEFTPTPAFPALQVLSSVDVEGVAWRAGMRTGDFLLEVNGVNVVKVG']]
[['ADARLFREYT'], ['ETPIEEFTPTPAFPALQHLSAVDVEGVAWRAGLLTGDFLIEVNGVNVVKVG']]
[['ALRALFKHST'], ['DTPIEEFTPTPAFPALQYMSSVEVEGVAWRAGLRTGDFLIEVNGVNVVKVG']]
[['MLKMLFRHYT'], ['ETPIEEFTPTPAFPALQYLSSVDIDGMAWRAGLRTGDFLIEVNGDNVVKVG']]
[['ADKALFRHHT'], ['STPIEEFTPTPAFPALQYLESVDVDGVAYRAGLCTGDFLIEVNGVNVVKVG']]
[['AAAAAFRHST'], ['KTPIEEFTPTPAFPALQYLSRVEVDGMAWRAGLRTGDFLLEVNGVNVVRVG']]
Original Segments:
[['RTKRLFRHYT'], ['ETPIEEFTPTPAFPALQYLESVDVEGVAWRAGLRTGDFLIEVNGVNVVKVG']]

致谢

ByProt 对以下项目和个人表示感谢:

ByProt 从以下存储库获得灵感并使用/修改实现:

我们衷心感谢这些存储库的作者为 ByProt 的开发做出的宝贵贡献。

引用

@inproceedings{zheng2023lm_design,
    title={Structure-informed Language Models Are Protein Designers},
    author={Zheng, Zaixiang and Deng, Yifan and Xue, Dongyu and Zhou, Yi and YE, Fei and Gu, Quanquan},
    booktitle={International Conference on Machine Learning},
    year={2023}
}
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号