rf_diffusion_all_atom

RFDiffusion AA 代码

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/ab5e63ec-bd44-4303-b25b-5ab7189b77f9.png" alt="替代文本" width="600px"/> </p>

设置/安装

1. 克隆仓库

git clone https://github.com/baker-laboratory/rf_diffusion_all_atom.git
cd rf_diffusion_all_atom

2. 下载用于运行RFAA的容器。

wget http://files.ipd.uw.edu/pub/RF-All-Atom/containers/rf_se3_diffusion.sif

3. 下载模型权重。

wget http://files.ipd.uw.edu/pub/RF-All-Atom/weights/RFDiffusionAA_paper_weights.pt

4. 初始化git子模块

git submodule init
git submodule update

5. 安装Apptainer

如果您的系统尚未安装Apptainer，请安装它。这将允许您使用预打包的sif文件运行我们的代码，而无需安装任何Python包：https://apptainer.org/docs/admin/main/installation.html

推理

小分子结合蛋白设计

要为PDB 7v11中的配体OQO生成一个结合蛋白，请运行以下命令：

示例（配体结合蛋白）：

/usr/bin/apptainer run --nv rf_se3_diffusion.sif -u run_inference.py inference.deterministic=True diffuser.T=100 inference.output_prefix=output/ligand_only/sample inference.input_pdb=input/7v11.pdb contigmap.contigs=[\'150-150\'] inference.ligand=OQO inference.num_designs=1 inference.design_startnum=0

注意：如果不使用GPU，必须省略--nv标志。

参数说明：

• inference.deterministic=True 为使用的随机数生成器设定种子，以确保结果可重现。即，使用inference.design_startnum=X运行将产生相同的结果。请注意，torch不保证在不同的CPU/GPU架构上的可重现性：https://pytorch.org/docs/stable/notes/randomness.html
• inference.num_designs=1 指定将生成1个设计
• contigmap.contigs=[\'150-150\'] 指定生成的蛋白质长度应为150
• diffuser.T=100 指定去噪步骤的数量。

预期输出：

• output/ligand_only/sample_0.pdb 设计的PDB文件
• output/ligand_only/sample_0_Xt-1_traj.pdb 部分去噪的中间结构
• output/ligand_only/sample_0_X0-1_traj.pdb 网络在每一步预测的真实值

请注意，除了给定的基序外，这些结构相关的序列没有任何意义。如果要用于结构预测/表达，必须使用LigandMPNN或类似工具为这些骨架生成序列。

要在基序中包含蛋白质残基A430-435，请使用参数contigmap.contigs。例如，contigmap.contigs=[\'10-120,A84-87,10-120\']告诉模型设计一个包含4个残基基序A84-87的蛋白质，两侧各有10-120个残基。

带蛋白质基序的小分子结合蛋白设计

示例（带蛋白质基序的配体结合蛋白）：

/usr/bin/apptainer run --nv rf_se3_diffusion.sif -u run_inference.py inference.deterministic=True diffuser.T=200 inference.output_prefix=output/ligand_protein_motif/sample inference.input_pdb=input/1haz.pdb contigmap.contigs=[\'10-120,A84-87,10-120\'] contigmap.length="150-150" inference.ligand=CYC inference.num_designs=1 inference.design_startnum=0

展示使用RFdiffusionAA、proteinMPNN、AlphaFold2、LigandMPNN和PyRosetta设计血红素结合蛋白的端到端设计流程可在以下链接获取：https://github.com/ikalvet/heme_binder_diffusion