MaSIF - 分子表面相互作用指纹：基于几何深度学习解析蛋白质分子表面模式

目录：

• 描述
• 系统及硬件要求
• 软件前提条件
• 安装
• 方法概述
  • MaSIF 数据准备
• MaSIF 应用
  • MaSIF-ligand
  • MaSIF-site
  • MaSIF-search
• PyMOL 插件
• Docker 容器
• 许可证
• 参考文献

描述

MaSIF 是一种用于解析蛋白质表面中与特定生物分子相互作用相关模式的概念验证方法。为此，MaSIF 利用了几何深度学习领域的技术。首先，MaSIF 将表面分解为具有固定测地线半径的重叠径向补丁，并为每个点分配一组几何和化学特征。随后，MaSIF 为每个表面补丁计算一个描述符，该描述符是一个编码了补丁中特征信息的向量。然后，这些描述符可以在一系列额外的层中进行处理，以对不同的相互作用进行分类。每个描述符中编码的特征以及最终输出取决于特定应用的训练数据和优化目标，这意味着相同的架构可以被重新用于各种任务。

本仓库包含一个协议，用于将蛋白质结构文件转换为富含特征的表面（同时包含几何和化学特征），并将这些表面分解为补丁，以及基于 TensorFlow 的神经网络代码，以利用几何深度学习识别这些表面中的模式。为了展示该方法的潜力，我们展示了三个概念验证应用：a) 蛋白质结合口袋中的配体预测（MaSIF-ligand）；b) 蛋白质-蛋白质相互作用 (PPI) 位点预测，用于预测蛋白质表面哪些补丁更有可能与其他蛋白质发生相互作用（MaSIF-site）；c) 超快速表面扫描，我们使用结合伙伴的表面指纹来预测蛋白质-蛋白质复合物的结构构型（MaSIF-search）。

本仓库应能紧密复现以下研究的实验结果：

Gainza, P., Sverrisson, F., Monti, F., Rodola, E., Boscaini, D Bronstein, M. M., & Correia, B. E. (2019). 利用几何深度学习从蛋白质分子表面解密相互作用指纹。 Nat Methods 17, 184–192 (2020). https://doi.org/10.1038/s41592-019-0666-6

注：自 2020 年 2 月以来，我们通过用 Python 代码替换所有 MATLAB 代码，极大地简化了 MaSIF 的安装过程。然而，这会略微改变论文中的结果。若要完全按照已发表论文中的结果（包括预训练的神经网络）进行复现，可访问：https://github.com/pablogainza/masif_paper 。

MaSIF 采用 Apache 许可证 发布。此代码旨在作为教程，为研究人员在蛋白质表面学习任务中使用 MaSIF 提供基础。

系统及硬件要求

MaSIF 已在 Linux（Red Hat Enterprise Linux Server release 7.4，配备 Intel(R) Xeon(R) CPU E5-2650 v2 @ 2.60GHz 处理器及 16GB 内存）和 Mac OS 环境（macOS High Sierra，处理器为 2.8 GHz Intel Core i7，内存为 16GB）上进行了测试。为复现论文中的实验，所有蛋白质的数据集总共占用约 1.4 TB。

目前，MaSIF 处理每条蛋白质大约需要 2 分钟。因此，对于大型蛋白质数据集，我们建议使用分布式集群来预处理数据。一旦数据预处理完成，我们强烈建议使用 GPU 来训练或评估训练好的模型，因为其速度可能比 CPU 快达 100 倍。

软件前提条件

MaSIF 依赖于外部软件/库来处理蛋白质数据库文件和表面文件，计算化学/几何特征和坐标，以及执行神经网络计算。以下是所需库和程序的列表，以及经过测试的版本（括号内）：

• Python (3.6)
• reduce (3.23)。用于为蛋白质添加质子。
• MSMS (2.6.1)。用于计算蛋白质表面。
• BioPython (1.66)。用于解析 PDB 文件。
• PyMesh (0.1.14)。用于处理 ply 格式的表面文件、属性，并对网格进行规整。
• PDB2PQR (2.1.1)、multivalue 和 APBS (1.5)。这些程序是计算静电荷所必需的。
• open3D (0.5.0.0)。主要用于 RANSAC 配准。
• Tensorflow (1.9)。用于构建、训练和评估实际的神经网络。模型是在 NVIDIA Tesla K40 GPU 上训练和评估的。
• StrBioInfo。用于解析 PDB 文件并为 MaSIF-ligand 生成生物学组装。
• Dask (2.2.0)。用于在多个线程上运行函数调用（可选，用于复现部分基准测试）。
• Pymol。此可选插件允许用户在 PyMOL 中可视化表面文件。

或者，您也可以使用 Docker 版本，这是最易于安装的方式（参见 Docker 容器）。

安装

在预先安装好依赖项后，请将以下环境变量添加到您的路径中，并根据实际情况更改目录：

export APBS_BIN=/path/to/apbs/APBS-1.5-linux64/bin/apbs
export MULTIVALUE_BIN=/path/to/apbs/APBS-1.5-linux64/share/apbs/tools/bin/multivalue
export PDB2PQR_BIN=/path/to/apbs/apbs/pdb2pqr-linux-bin64-2.1.1/pdb2pqr
export PATH=$PATH:/path/to/reduce/
export REDUCE_HET_DICT=/path/to/reduce/reduce_wwPDB_het_dict.txt
export PYMESH_PATH=/path/to/PyMesh
export MSMS_BIN=/path/to/msms/msms
export PDB2XYZRN=/path/to/msms/pdb_to_xyzrn

将 masif 克隆到本地目录：

git clone https://github.com/lpdi-epfl/masif
cd masif/

由于 MaSIF 是用 Python 编写的，因此无需编译。

方法概述

MaSIF 从蛋白质结构出发，基于溶剂可及表面（使用 MSMS 计算得到）构建一个离散化的分子表面网格，并为网格中的每个顶点分配几何和化学特征。在网格的每个顶点周围，我们提取一个测地半径为 r=9 Å 或 r=12 Å 的局部区域。随后，MaSIF 对这些局部区域应用几何深度神经网络。该神经网络由一个或多个层顺序堆叠而成；其架构中的关键组件是测地卷积，它将经典的卷积操作推广到曲面上，并以局部区域上的运算形式实现。

这一过程会针对不同的局部区域位置重复进行，类似于图像上的滑动窗口操作，从而在每个点生成表面指纹描述符——一个向量，用于存储中心点及其邻域的表面模式信息。模型参数通过在训练数据集上最小化特定于本文所介绍的每种应用的损失函数来确定。

MaSIF 数据准备

对于每种应用，MaSIF 需要对数据进行预处理。这包括运行一个脚本化的流程，具体步骤如下：

1. 下载 PDB 文件。
2. 对 PDB 进行质子化处理，提取所需的链段，利用 MSMS 对表面进行三角剖分，并计算化学特征。
3. 提取每条蛋白质的所有局部区域，包括其特征和坐标。

MaSIF 的主要性能瓶颈在于上述三个步骤。其中，使用 MDS 计算角度坐标、计算泊松-玻尔兹曼静电势，以及在完成 MSMS 表面计算后对网格进行规整，是主要的性能瓶颈所在。

每个应用的数据目录（位于 masif/data/masif* 下）都包含一个用于预计算数据的脚本。

若要为单个蛋白质运行此流程（例如，PDB ID 代码为 1MBN 的 A 链），可执行以下命令：

./data_prepare_one.sh 1MBN_A_

若要对一对相互作用的蛋白质结构域运行此流程（例如，PDB ID 1AKJ 中的 A 和 B 链构成第一个结构域，D 和 E 链构成第二个结构域），则执行：

./data_prepare_one.sh 1AKJ_AB_DE

如果您可以访问集群（强烈推荐），则可以并行运行此流程。如果您的集群支持 Slurm 作业提交文件，我们会在每个应用的数据目录下提供一个 Slurm 文件，可通过 sbatch 命令运行：

sbatch data_prepare.slurm

论文中使用的大多数 PDB 文件及其对应的表面（已预先计算好化学特征）可在以下网址获取：https://doi.org/10.5281/zenodo.2625420 。未结合状态的蛋白质则可在该仓库的 data/masif_ppi_search_ub/data_preparation/00-raw_pdbs/ 目录下找到。

需要注意的是，对于大型蛋白质数据库而言，数据预处理可能会占用大量存储空间。这是因为预处理步骤会将蛋白质表面分解为重叠的局部区域，从而导致大量数据冗余。在未来的版本中，我们希望优化这一流程，实现在需要时动态进行局部区域分解，从而避免对大量磁盘空间的需求。

MaSIF 概念验证应用

MaSIF 在三个概念验证应用上进行了测试。对于每个应用，我们都提供了用于论文中主要实验的训练好的神经网络模型。

MaSIF-ligand

cd data/masif_site/

训练集和测试集中使用的 PDB ID 及链的信息以 NumPy 格式存储在以下路径：

data/masif_ligand/lists/test_pdbs_sequence.npy
data/masif_ligand/lists/train_pdbs_sequence.npy
data/masif_ligand/lists/val_pdbs_sequence.npy

这些文件均可使用 numpy.load 函数读取。

请预计算数据集（参见 MaSIF 数据准备），理想情况下使用 Slurm：

sbatch prepare_data.slurm

请确保拥有足够的磁盘空间，约 400GB。

数据预处理完成后，MaSIF-ligand 需要生成用于训练的 TensorFlow TFRecords。为此，您可以运行 Slurm 作业，或直接执行 make_tfrecord.slurm 文件中的命令：

sbatch make_tfrecord.slurm

TFRecords 预计算完成后，即可开始网络训练，强烈建议使用 GPU：

sbatch train_model.slurm

评估神经网络时，请运行：

sbatch evaluate_test.slurm

评估结果将保存在 data/masif_ligand/test_set_predictions/ 目录下，每个输入蛋白质结构对应两个 NumPy 文件，例如：

5LXM_AD_labels.npy
5LXM_AD_logits.npy

其中，labels 文件包含真实标签，logits 文件则包含预测的 logits 值。

MaSIF-site

切换到 maif-site 数据目录：

cd data/masif_site/

训练集和测试集中使用的 PDB ID 及链的信息存储在以下路径：

data/masif_site/data/lists/full_list.txt
data/masif_site/data/lists/training.txt
data/masif_site/data/lists/testing.txt

请预计算数据集（参见 MaSIF 数据准备），理想情况下使用 Slurm：

sbatch prepare_data.slurm

请确保拥有足够的磁盘空间，约 400GB。

数据预处理完成后，即可开始网络训练：

./train_nn.sh

在论文的实验中，MaSIF-site 网络训练了 40 小时。

网络训练完成后，可以对特定蛋白质进行评估。例如，要评估选定的瞬时相互作用子集，可执行：

./predict_site.sh

每个蛋白质中每个顶点的预测结果将存储在 data/masif_site/output/all_feat_3l/pred_data/ 目录下。可以根据预测结果为相应位点着色：

./color_site.sh

并将结果保存为 ply 文件，存放在 data/masif_site/output/all_feat_3l/pred_surfaces/ 目录中。

之后，您可以通过我们的 PyMOL 插件 查看这些表面。

此外，还有一个 Jupyter Notebook，其中包含代码，用于将该测试集中瞬时相互作用的预测结果与程序 SPPIDER 的结果进行比较，该 Notebook 的路径为：

masif/comparison/masif_site/masif_vs_sppider/masif_sppider_comp.ipynb

MaSIF-搜索

切换到 masif-search 数据目录。

cd data/masif_ppi_search/

训练集和测试集中使用的 PDB ID 和链的列表位于以下路径：

data/masif_ppi_searhc/data/lists/full_list.txt
data/masif_site/data/lists/training.txt
data/masif_site/data/lists/testing.txt

预计算数据集（参见 MaSIF 数据准备），理想情况下使用 Slurm 提交作业：

sbatch prepare_data.slurm

请确保有足够的磁盘空间，大约 400GB。

出于速度考虑，神经网络实际使用的数据会被缓存到一个单独的目录中。这些数据包括通过形状互补性阈值的补丁对，以及相同数量的随机补丁。该过程通过执行以下命令运行：

./cache_nn.sh nn_models.sc05.custom_params

数据缓存完成后，即可开始训练神经网络：

./train.sh nn_models.sc05.custom_params

在论文中，我们训练了约 40 小时。每当验证集的 ROC AUC 比之前保存的模型有所提高时，神经网络模型就会被保存到 nn_models/sc05/all_feat/model_data 目录下。

神经网络训练并保存完成后，可以使用以下命令为特定蛋白质计算描述符：

./compute_descriptors.sh lists/testing.txt

这些描述符将保存在 descriptors/ 目录下。

要评估第二阶段的 RANSAC 协议，请进入 masif/comparison/masif_ppi_search 目录：

cd $masif_root/comparison/masif_ppi_search/masif_descriptors/
./second_stage.sh

要复现论文中展示的大规模 PD-L1:PD1 基准测试，请执行以下操作：

cd data/masif_ppi_search/pdl1_benchmark
./run_benchmark.sh

PyMOL 插件

源代码中的 source/pymol 子目录提供了一个用于可视化蛋白质表面的 PyMOL 插件。我们在论文中展示的所有结构图都使用了该插件。此插件需要在本地计算机上安装 PyMOL。

请参阅以下教程以了解如何安装：

PyMOL 插件安装

要加载蛋白质表面文件，请在 PyMOL 中运行以下命令：

loadply ABCD_E.ply

示例：

Docker 容器

测试 MaSIF 的最简单方法是通过 Docker 容器。请参阅我们的教程，了解如何复现论文结果：

Docker 容器

许可证

MaSIF 采用 Apache v2.0 许可证 发布。

参考文献

如果您使用本代码，请引用 citation.bib 文件中的 BibTeX 条目。

MaSIF 快速上手指南

MaSIF (Molecular Surface Interaction Fingerprints) 是一个基于几何深度学习的开源工具，用于解析蛋白质分子表面的相互作用模式。它通过将蛋白质表面分解为重叠的径向补丁（patches），提取几何和化学特征，并利用神经网络识别特定生物分子相互作用的指纹。

环境准备

系统要求

• 操作系统: Linux (推荐 Red Hat Enterprise Linux 7.4+) 或 macOS (High Sierra+)。
• 硬件:
  • 内存：建议 16GB 以上。
  • 存储：完整数据集预处理约需 1.4TB 空间（单个蛋白预处理约需 2 分钟）。
  • GPU：强烈推荐使用 NVIDIA GPU（如 Tesla K40 或更高版本）进行模型训练和评估，速度可比 CPU 快 100 倍。

软件依赖

请确保安装以下软件及指定版本（或使用 Docker 跳过此步）：

• Python: 3.6
• 核心库: Tensorflow (1.9), BioPython (1.66), PyMesh (0.1.14), open3D (0.5.0.0), Dask (2.2.0)
• 外部工具:
  • reduce (3.23): 添加氢原子。
  • MSMS (2.6.1): 计算蛋白质表面。
  • PDB2PQR (2.1.1), multivalue, APBS (1.5): 计算静电电荷。
  • StrBioInfo: 解析 PDB 文件。
  • PyMOL: 可选，用于可视化插件。

提示: 国内用户可通过 pip 使用清华或阿里镜像源加速 Python 包安装： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

方法一：源码安装（推荐高级用户）

1. 克隆仓库

   git clone https://github.com/LPDI-EPFL/masif
   cd masif/
   

2. 配置环境变量 根据实际安装路径，修改并导出以下变量（示例路径需替换为你本地的真实路径）：

   export APBS_BIN=/path/to/apbs/APBS-1.5-linux64/bin/apbs
   export MULTIVALUE_BIN=/path/to/apbs/APBS-1.5-linux64/share/apbs/tools/bin/multivalue
   export PDB2PQR_BIN=/path/to/apbs/apbs/pdb2pqr-linux-bin64-2.1.1/pdb2pqr
   export PATH=$PATH:/path/to/reduce/
   export REDUCE_HET_DICT=/path/to/reduce/reduce_wwPDB_het_dict.txt
   export PYMESH_PATH=/path/to/PyMesh
   export MSMS_BIN=/path/to/msms/msms
   export PDB2XYZRN=/path/to/msms/pdb_to_xyzrn
   

方法二：Docker 安装（最简单）

如果不想手动配置复杂的环境依赖，直接使用官方提供的 Docker 容器是最便捷的方式：

docker pull lpdi/masif
# 具体运行命令请参考仓库中的 Docker container 章节

基本使用

以下以 MaSIF-ligand（预测蛋白质结合口袋的配体）为例，展示从数据准备到评估的基本流程。

1. 数据预处理

MaSIF 需要将 PDB 文件转换为包含几何和化学特征的表面网格，并提取补丁。

进入应用目录：

cd data/masif_ligand/

单蛋白处理示例（处理 PDB ID 为 1MBN 的 A 链）：

./data_prepare_one.sh 1MBN_A_

批量处理（如果有 Slurm 集群环境）：

sbatch prepare_data.slurm

注意：预处理会消耗大量磁盘空间（约 400GB+），因为表面被分解为大量重叠补丁。

2. 生成 TFRecords

将预处理后的数据转换为 Tensorflow 所需的 TFRecords 格式：

sbatch make_tfrecord.slurm
# 若无 Slurm，可执行 make_tfrecord.slurm 文件中的具体命令

3. 模型训练

启动神经网络训练（强烈建议在 GPU 上运行）：

sbatch train_model.slurm

4. 模型评估

使用测试集评估训练好的模型：

sbatch evaluate_test.slurm

评估结果将保存在 data/masif_ligand/test_set_predictions/ 目录下，包含标签文件 (*_labels.npy) 和预测 logits 文件 (*_logits.npy)。

其他应用场景

MaSIF 还包含另外两个概念验证应用，使用流程类似：

• MaSIF-site: 预测蛋白质 - 蛋白质相互作用位点。
• MaSIF-search: 超快扫描表面，预测蛋白质复合物的结构构型。

只需进入对应的 data/masif_site/ 或 data/masif_ppi_search_ub/ 目录，重复上述数据准备、训练和评估步骤即可。