Foldcomp

Foldcomp 通过扭转角有效地压缩蛋白质结构。它将主链原子压缩到 8 字节，侧链额外压缩到 4-5 字节每个残基，因此一个平均大小为 350 个残基的蛋白质只需要约 6kb。

Foldcomp 高效的压缩格式每个残基仅需 13 字节来存储蛋白质结构，与直接保存 3D 坐标相比，所需存储空间减少了一个数量级。我们通过将主链和侧链的扭转角编码到一个紧凑的二进制文件格式（FCZ）中来实现这种减少。

Foldcomp 目前仅支持压缩单链 PDB 文件

发表文献

Hyunbin Kim, Milot Mirdita, Martin Steinegger, Foldcomp: a library and format for compressing and indexing large protein structure sets, Bioinformatics, 2023;, btad153,

演示视频

我们在 ISMB/ECCB2023 上展示了 Foldcomp。观看视频：

使用方法

安装 Foldcomp

# 安装 Foldcomp Python 包
pip install foldcomp

# 下载 Linux 静态二进制文件
wget https://mmseqs.com/foldcomp/foldcomp-linux-x86_64.tar.gz

# 下载 Linux (ARM64) 静态二进制文件
wget https://mmseqs.com/foldcomp/foldcomp-linux-arm64.tar.gz

# 下载 macOS 二进制文件
wget https://mmseqs.com/foldcomp/foldcomp-macos-universal.tar.gz

# 下载 Windows (x64) 二进制文件
wget https://mmseqs.com/foldcomp/foldcomp-windows-x64.zip

可执行文件

# 压缩
foldcomp compress <pdb|cif> [<fcz>]
foldcomp compress [-t number] <dir|tar(.gz)> [<dir|tar|db>]

# 解压
foldcomp decompress <fcz|tar> [<pdb>]
foldcomp decompress [-t number] <dir|tar(.gz)|db> [<dir|tar>]

# 解压 Foldcomp 数据库的子集
foldcomp decompress [-t number] --id-list <idlist.txt> <db> [<dir|tar>]

# 提取序列或 pLDDT
foldcomp extract [--plddt|--amino-acid] <fcz> [<fasta>]
foldcomp extract [--plddt|--amino-acid] [-t number] <dir|tar(.gz)|db> [<fasta_out>]

# 检查
foldcomp check <fcz>
foldcomp check [-t number] <dir|tar(.gz)|db>

# RMSD
foldcomp rmsd <pdb|cif> <pdb|cif>

# 选项
 -h, --help               打印帮助信息
 -v, --version            打印版本信息
 -t, --threads            文件夹/tar 文件（解）压缩的线程数 [默认=1]
 -r, --recursive          递归查找目录中的文件 [默认=0]
 -f, --file               输入是文件列表 [默认=0]
 -a, --alt                使用替代原子顺序 [默认=false]
 -b, --break              保存绝对原子坐标的间隔大小 [默认=25]
 -z, --tar                保存为 tar 文件 [默认=false]
 -d, --db                 保存为数据库 [默认=false]
 -y, --overwrite          覆盖现有文件 [默认=false]
 -l, --id-list            要处理的 ID 列表文件（仅适用于数据库输入）
 --skip-discontinuous     跳过含有不连续残基的 PDB（仅适用于批量压缩）
 --check                  检查 FCZ 并跳过有错误的条目（仅适用于批量解压）
 --plddt                  提取 pLDDT 分数（仅适用于提取模式）
 -p, --plddt-digits       提取指定位数的 pLDDT 分数（仅适用于提取模式）
                          - 1: 单位数（类 fasta 格式），2: 2 位数（00-99; tsv），3: 3 位数，4: 4 位数（最大）
 --fasta, --amino-acid    提取氨基酸序列（仅适用于提取模式）
 --no-merge               不合并输出文件（仅适用于提取模式）
 --use-title              使用 TITLE 作为输出文件名（仅适用于提取模式）
 --time                   测量压缩/解压时间

下载数据库

我们为多个大型预测蛋白质结构集提供预构建的数据库，并提供一个 Python 辅助程序来下载数据库文件。

你可以使用以下命令下载 AlphaFoldDB Swiss-Prot：

python -c "import foldcomp; foldcomp.setup('afdb_swissprot_v4');

目前我们提供以下数据库：

ESMAtlas 完整版（v0 + v2023_02）：foldcomp.setup('esmatlas')
ESMAtlas v2023_02：foldcomp.setup('esmatlas_v2023_02')
ESMAtlas 高质量版：foldcomp.setup('highquality_clust30')

注意： 我们跳过了所有具有不连续残基或其他问题的结构。这里是受影响的预测列表：完整版（约 2100 万），高质量版（约 10 万）， v2023_02（约 1 万）
AlphaFoldDB Uniprot: foldcomp.setup('afdb_uniprot_v4')
AlphaFoldDB Swiss-Prot: foldcomp.setup('afdb_swissprot_v4')
AlphaFoldDB 模式生物: foldcomp.setup('h_sapiens')
- a_thaliana, c_albicans, c_elegans, d_discoideum, d_melanogaster, d_rerio, e_coli, g_max, h_sapiens, m_jannaschii, m_musculus, o_sativa, r_norvegicus, s_cerevisiae, s_pombe, z_mays
AlphaFoldDB 聚类代表: foldcomp.setup('afdb_rep_v4')
AlphaFoldDB 聚类代表（暗聚类）: foldcomp.setup('afdb_rep_dark_v4')

如果您需要其他预构建数据集，请通过我们的GitHub问题与我们联系。

如果您在下载数据库时遇到问题，可以直接访问我们的下载服务器并下载所需文件。例如 afdb_uniprot_v4, afdb_uniprot_v4.index, afdb_uniprot_v4.dbtype, afdb_uniprot_v4.lookup, 以及可选的 afdb_uniprot_v4.source。

Python API

您可以在示例笔记本中找到更多使用Foldcomp Python接口的深入示例： <a href="https://colab.research.google.com/github/steineggerlab/foldcomp/blob/master/foldcomp-py-examples.ipynb" target="_blank" rel="noopener"><img src="https://yellow-cdn.veclightyear.com/ab5030c0/7d6e1d6f-ed9d-43d7-b9b0-b1c0959d3457.svg" alt="在Colab中打开"/></a>

import foldcomp
# 01. 处理FCZ文件
# 打开fcz文件
with open("test/compressed.fcz", "rb") as fcz:
  fcz_binary = fcz.read()

  # 解压缩
  (name, pdb) = foldcomp.decompress(fcz_binary) # pdb_out[0]: 文件名, pdb_out[1]: pdb二进制字符串

  # 保存为pdb文件
  with open(name, "w") as pdb_file:
    pdb_file.write(pdb)

  # 以字典形式获取数据
  data_dict = foldcomp.get_data(fcz_binary) # foldcomp.get_data(pdb) 也可以
  # 键: phi, psi, omega, torsion_angles, residues, bond_angles, coordinates
  data_dict["phi"] # phi角 (C-N-CA-C)
  data_dict["psi"] # psi角 (N-CA-C-N)
  data_dict["omega"] # omega角 (CA-C-N-CA)
  data_dict["torsion_angles"] # 主链扭转角列表 (phi + psi + omega)
  data_dict["bond_angles"] # 主链键角列表
  data_dict["residues"] # 氨基酸残基字符串
  data_dict["coordinates"] # 主链坐标列表

# 02. 遍历FCZ文件数据库
# 打开foldcomp数据库
ids = ["d1asha_", "d1it2a_"]
with foldcomp.open("test/example_db", ids=ids) as db:
  # 遍历数据库
  for (name, pdb) in db:
      # 将条目保存为单独的pdb文件
      with open(name + ".pdb", "w") as pdb_file:
        pdb_file.write(pdb)

数据库子集

如果您处理的是数百万个条目，我们建议使用mmseqs2的createsubdb命令来创建数据库子集。以下命令可用于使用给定ID创建AlphaFold Uniprot DB的子集。

# mmseqs createsubdb --subdb-mode 0 --id-mode 1 id_list.txt input_foldcomp_db output_foldcomp_db
mmseqs createsubdb --subdb-mode 0 --id-mode 1 id_list.txt afdb_uniprot_v4 afdb_subset

请注意，afdb_uniprot_v4中的ID格式为AF-A0A5S3Y9Q7-F1-model_v4。