自己服务器建设网站外网访问,制作钓鱼网站,用什么网站做cpa,wordpress 自适应插件欢迎浏览我的CSND博客#xff01; Blockbuater_drug …点击进入 文章目录 前言一、DiffDock是什么#xff1f;二、DiffDock安装步骤1. 下载2.创建conda环境并安装STEP 1. 创建conda环境并配置STEP 2. 配置ESM和OpenFoldSTEP 3. 检查cuda和pytorch geometric安装STEP 4. 检查p… 欢迎浏览我的CSND博客 Blockbuater_drug …点击进入 文章目录 前言一、DiffDock是什么二、DiffDock安装步骤1. 下载2.创建conda环境并安装STEP 1. 创建conda环境并配置STEP 2. 配置ESM和OpenFoldSTEP 3. 检查cuda和pytorch geometric安装STEP 4. 检查pytorch geometric library 三、 DiffDock使用1. 单一配体单一受体的复合物对接2. 多个配体多个受体对接3. 查看对接Pose4. 重新训练模型 总结参考资料 前言
分子对接是采用计算模拟的方式预测受体与配体之间的结合模式即Pose以便于后续的Pose评估打分。传统对接基于构象搜索深度学习将分子对接抽象为回归问题但都没有很好的解决对接准确性问题。 DiffDock来自MIT CSAIL的Regina教授和Tommi教授课题组的工作他们将分子对接视为一种生成任务并采用了时下在图像生成等领域相当热门的生成扩散模型DGM。 已有的测试显示DiffDock在已知的对接任务中取得了38%的成功率对比最先进的深度学习模型20%和基于搜索的方法23%成功率有较大提升同时速度也有3-12倍提升。对于被折叠的复合物结构此前各种方法最大仅达到10.4%的对接成功率而DiffDock仍达到了21.7%的成功率水平。
本文介绍DiffDock在Linux Ubuntu系统的安装及使用。 一、DiffDock是什么 论文来源DiffDock: Diffusion Steps, Twists, and Turns for Molecular Dockingarxiv.org/abs/2210.01776 代码来源https://github.com/gcorso/DiffDock
DiffDock的工作流程将单独的配体和蛋白质结构作为输入通过平移、旋转和扭转自由度上的反向扩散对随机采样的初始姿态进行降噪正确的通过置信度模型对采样的Pose进行排序以产生最终预测和置信度得分。
DiffDock的主要特点
将分子对接任务定义为一个生成问题并强调了以前深度学习方法的问题。在配体姿态上建立了一个新的扩散过程该过程对应于分子对接所涉及的自由度。在PDBBind对接基准上实现了最优的Top1 准确率(RMSD2A)达到38%远超此前的最佳搜索算法23%和深度学习方法~20%。使用ESMFold生成近似的蛋白质apo结构Top1 准确率(RMSD2A)达到28%几乎是最准确基线的准确性的3倍。
与传统对接方法及其他机器学习分子对接方法相比在PDB共晶结构redock及无监督语言模型预测apo蛋白结构上实现准确度的SOTADiffdock在PDB共晶结构与ESMFold预测结构上对接与gnina的比较 RMSD1.5A时正确率优于gnina的表现在ESMFold预测结构上整体优势更加明显。 在实际场景中未见受体DiffDock优势明显计算效率更高 对于apo受体的柔性侧链对接DiffDock整体最优
二、DiffDock安装步骤
1. 下载
不建议使用environment.yml直接创建diffdock环境后续的ESM安装会导致torch_geometric不可用出现Segmentation fault (core dumped)。可以参考environment.yml安装包的数量和名称。
git clone https://kkgithub.com/gcorso/DiffDock.git2.创建conda环境并安装
由conda创建虚拟环境并安装必要的包最后配置ESM及pyg相关包。
STEP 1. 创建conda环境并配置
conda create -n diffdock_env python3.9
conda activate diffdock_env
conda install pytorch1.11.0 pytorch-cuda11.7 -c pytorch -c nvidia
conda install pyarrow joblibSTEP 2. 配置ESM和OpenFold
python -m pip install PyYAML scipy networkx[default] biopython rdkit-pypi e3nn spyrmsd pandas biopandas
pip install fair-esm[esmfold]
pip install dllogger githttps://github.com/NVIDIA/dllogger.git
pip install openfold githttps://github.com/aqlaboratory/openfold.gitSTEP 3. 检查cuda和pytorch geometric安装
输入以下查看torch安装版本版本
python -c import torch; print(torch.__version__)输出
1.13.1cu117输入以下查看cuda安装版本版本
python -c import torch; print(torch.version.cuda)输出
11.7通过pyg 官网安装pytorch geometric及附件torch-1.13.1cu117.html部分需要与上面输出一致
pip install pyg_lib \torch_scatter2.0.9 \torch_sparse0.6.15 \torch_cluster1.6.0 \torch_spline_conv1.2.2 \torch_geometric2.0.4 -f https://data.pyg.org/whl/torch-1.13.1cu117.htmlSTEP 4. 检查pytorch geometric library
保证torch_geometric能正常工作检查安装
python -c from torch_geometric.loader import DataLoader如果没有返回信息即成功。
三、 DiffDock使用
1. 单一配体单一受体的复合物对接
简单分子对接DiffDock支持多种输入方式用 --protein_path定义受体pdb结构 或者 --protein_sequence定义字符串作为受体序列用 --ligand 定义配体sdf文件或者smile名称。 运行实例如下
cd Diffdock
python -m inference \--protein_path data/1a0q/1a0q_protein_processed.pdb \--ligand COc(cc1)ccc1C#N \--out_dir results/user_predictions_small_pdb-smi \--inference_steps 20 \--samples_per_complex 40 \--batch_size 10 \--actual_steps 18 \--no_final_step_noise结果保存在–out_dir指定的位置。
python -m inference \--protein_path data/1a0q/1a0q_protein_processed.pdb \--ligand data/1a0q/1a0q_ligand.sdf \--out_dir results/user_predictions_small_pdb-sdf \--inference_steps 20 \--samples_per_complex 40 \--batch_size 10 \--actual_steps 18 \--no_final_step_noise结果保存在–out_dir指定的位置。
2. 多个配体多个受体对接
需要由--protein_ligand_csv定义一个csv文件按格式注明配体受体的名称或者对应文件路径示例文件位于data/protein_ligand_example_csv.csv如下
complex_name用于保存预测的名称可以留空
protein_path.pdb文件的路径如果为空则使用sequence
ligand_descriptionSMILE或文件路径
protein_sequence如果protein_path为空则使用ESMFold运行命令如下
python -m inference \--protein_ligand_csv data/protein_ligand_example_csv.csv \--out_dir results/user_predictions_small \--inference_steps 20 \--samples_per_complex 40 \--batch_size 10 \--actual_steps 18 \--no_final_step_noise3. 查看对接Pose
pymol results/user_predictions_small/complex_0/rank1.sdf \data/1a0q/1a0q_protein_processed.pdb4. 重新训练模型
对于受体结构已知的分子对接可以直接使用Diffdock已训练好的模型参数。 如果有需要可以使用Diffdock提供的工具重新训练模型需要安装esm获得ESM2 embeddings然后获得model weights再训练score model 和confidence model用于结构推理。 这部分可参阅README文件此处不再描述。 总结
DiffDock可借助ESMFold实现靶点3D结构未知从序列开始的分子对接对接准确度优于已知方法。 本文介绍DiffDock在Linux Ubuntu系统的安装及使用为分子对接研究提供一种区别于传统对接软件的新方法。
参考资料
https://github.com/gcorso/DiffDockhttps://blog.csdn.net/weixin_42486623/article/details/130617496https://zhuanlan.zhihu.com/p/665191390 欢迎浏览我的CSND博客 Blockbuater_drug …点击进入
