ProteinMPNN

请阅读 ProteinMPNN 论文。

要运行 ProteinMPNN，请克隆此 GitHub 仓库，并安装 Python>=3.0、PyTorch 和 Numpy。

完整蛋白质骨架模型：vanilla_model_weights/v_48_002.pt, v_48_010.pt, v_48_020.pt, v_48_030.pt，soluble_model_weights/v_48_010.pt, v_48_020.pt。

仅 CA 模型：ca_model_weights/v_48_002.pt, v_48_010.pt, v_48_020.pt。启用 --ca_only 标志以使用这些模型。

辅助脚本：helper_scripts - 用于解析 PDB 文件、指定哪些链需要设计、哪些残基需要固定、添加氨基酸偏好、约束残基等的辅助函数。

代码组织：

• protein_mpnn_run.py - 用于初始化和运行模型的主脚本。
• protein_mpnn_utils.py - 主脚本的实用函数。
• examples/ - 简单的代码示例。
• inputs/ - 示例输入的 PDB 文件。
• outputs/ - 示例输出。
• colab_notebooks/ - Google Colab 示例。
• training/ - 用于重新训练模型的代码和数据。

---

protein_mpnn_run.py 的输入参数：

    argparser.add_argument("--suppress_print", type=int, default=0, help="0 表示 False，1 表示 True")
    argparser.add_argument("--ca_only", action="store_true", default=False, help="解析仅 CA 结构并使用仅 CA 模型（默认：False）")
    argparser.add_argument("--path_to_model_weights", type=str, default="", help="模型权重文件夹路径；")
    argparser.add_argument("--model_name", type=str, default="v_48_020", help="ProteinMPNN 模型名称：v_48_002、v_48_010、v_48_020、v_48_030；v_48_010 是带有 48 条边且噪声为 0.10Å 的版本")
    argparser.add_argument("--use_soluble_model", action="store_true", default=False, help="标志，用于加载仅在可溶性蛋白质上训练的 ProteinMPNN 权重。")
    argparser.add_argument("--seed", type=int, default=0, help="如果设置为 0，则会随机选择一个种子；")
    argparser.add_argument("--save_score", type=int, default=0, help="0 表示 False，1 表示 True；将得分=-log_prob 保存为 npy 文件")
    argparser.add_argument("--path_to_fasta", type=str, default="", help="以 FASTA 格式提供评分用的输入序列；例如 GGGGGG/PPPPS/WWW，分别对应按字母顺序排列并用 / 分隔的 A、B、C 链")
    argparser.add_argument("--save_probs", type=int, default=0, help="0 表示 False，1 表示 True；保存 MPNN 预测的每个位置的概率")
    argparser.add_argument("--score_only", type=int, default=0, help="0 表示 False，1 表示 True；仅对输入的骨架-序列对进行评分")
    argparser.add_argument("--conditional_probs_only", type=int, default=0, help="0 表示 False，1 表示 True；输出条件概率 p(s_i 给定序列和骨架的其余部分)")
    argparser.add_argument("--conditional_probs_only_backbone", type=int, default=0, help="0 表示 False，1 表示 True；如果为真，则输出条件概率 p(s_i 给定骨架)")
    argparser.add_argument("--unconditional_probs_only", type=int, default=0, help="0 表示 False，1 表示 True；在一次前向传播中输出无条件概率 p(s_i 给定骨架)")
    argparser.add_argument("--backbone_noise", type=float, default=0.00, help="添加到骨架原子上的高斯噪声的标准差")
    argparser.add_argument("--num_seq_per_target", type=int, default=1, help="每个目标生成的序列数量")
    argparser.add_argument("--batch_size", type=int, default=1, help="批大小；对于 Titan 或 Quadro 显卡可以设置得更高，如果显存不足则应降低该值")
    argparser.add_argument("--max_length", type=int, default=200000, help="最大序列长度")
    argparser.add_argument("--sampling_temp", type=str, default="0.1", help="温度字符串，如 0.2 0.25 0.5。用于氨基酸采样的温度。建议值为 0.1、0.15、0.2、0.25、0.3。较高的值会导致更多多样性。")
    argparser.add_argument("--out_folder", type=str, help="输出序列的文件夹路径，例如 /home/out/")
    argparser.add_argument("--pdb_path", type=str, default='', help="待设计的单个 PDB 文件路径")
    argparser.add_argument("--pdb_path_chains", type=str, default='', help="定义单个 PDB 中哪些链需要设计")
    argparser.add_argument("--jsonl_path", type=str, help="包含已解析为 jsonl 格式的 PDB 文件的文件夹路径")
    argparser.add_argument("--chain_id_jsonl",type=str, default='', help="指定哪些链需要设计、哪些链固定不变的字典文件路径；若未指定，则所有链都将被设计。")
    argparser.add_argument("--fixed_positions_jsonl", type=str, default='', help="包含固定位置的字典文件路径")
    argparser.add_argument("--omit_AAs", type=list, default='X', help="指定在生成的序列中应省略哪些氨基酸，例如 'AC' 将省略丙氨酸和半胱氨酸。")
    argparser.add_argument("--bias_AA_jsonl", type=str, default='', help="指定氨基酸组成偏好的字典文件路径，例如 {A: -1.1, F: 0.7} 会使 A 出现的可能性降低，而 F 出现的可能性增加。")
    argparser.add_argument("--bias_by_res_jsonl", default='', help="包含按位置偏好的字典文件路径。")
    argparser.add_argument("--omit_AA_jsonl", type=str, default='', help="包含在特定链索引处需要从设计中省略哪些氨基酸的字典文件路径")
    argparser.add_argument("--pssm_jsonl", type=str, default='', help="包含 PSSM 的字典文件路径")
    argparser.add_argument("--pssm_multi", type=float, default=0.0, help="一个介于 [0.0, 1.0] 之间的值，0.0 表示不使用 PSSM，1.0 表示忽略 MPNN 的预测")
    argparser.add_argument("--pssm_threshold", type=float, default=0.0, help="一个介于负无穷到正无穷之间的值，用于限制每个位置可能出现的氨基酸")
    argparser.add_argument("--pssm_log_odds_flag", type=int, default=0, help="0 表示 False，1 表示 True")
    argparser.add_argument("--pssm_bias_flag", type=int, default=0, help="0 表示 False，1 表示 True")
    argparser.add_argument("--tied_positions_jsonl", type=str, default='', help="包含约束位置关系的字典文件路径")

---

例如，要创建一个用于运行 ProteinMPNN 的 conda 环境：

• conda create --name mlfold - 这将创建名为 mlfold 的 conda 环境
• source activate mlfold - 激活该环境
• conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch - 按照 https://pytorch.org/ 上的步骤安装 PyTorch

---

以下是在 examples/ 目录中提供的示例脚本：

• submit_example_1.sh - 简单的单体示例
• submit_example_2.sh - 简单的多链示例
• submit_example_3.sh - 直接从 .pdb 文件路径输入
• submit_example_3_score_only.sh - 仅返回得分（模型不确定性）
• submit_example_3_score_only_from_fasta.sh - 仅返回得分（模型不确定性），从 FASTA 文件加载序列
• submit_example_4.sh - 固定某些残基位置
• submit_example_4_non_fixed.sh - 指定需要设计的特定位置
• submit_example_5.sh - 将某些位置绑定在一起（对称性）
• submit_example_6.sh - 同源寡聚体示例
• submit_example_7.sh - 返回序列的无条件概率（类似 PSSM）
• submit_example_8.sh - 添加氨基酸偏好
• submit_example_pssm.sh - 在序列设计时使用 PSSM 偏好

---

输出示例：

>3HTN, score=1.1705, global_score=1.2045, fixed_chains=['B'], designed_chains=['A', 'C'], model_name=v_48_020, git_hash=015ff820b9b5741ead6ba6795258f35a9c15e94b, seed=37
NMYSYKKIGNKYIVSINNHTEIVKALNAFCKEKGILSGSINGIGAIGELTLRFFNPKTKAYDDKTFREQMEISNLTGNISSMNEQVYLHLHITVGRSDYSALAGHLLSAIQNGAGEFVVEDYSERISRTYNPDLGLNIYDFER/NMYSYKKIGNKYIVSINNHTEIVKALNAFCKEKGILSGSINGIGAIGELTLRFFNPKTKAYDDKTFREQMEISNLTGNISSMNEQVYLHLHITVGRSDYSALAGHLLSAIQNGAGEFVVEDYSERISRTYNPDLGLNIYDFER
>T=0.1, sample=1, score=0.7291, global_score=0.9330, seq_recovery=0.5736
NMYSYKKIGNKYIVSINNHTEIVKALKKFCEEKNIKSGSVNGIGSIGSVTLKFYNLETKEEELKTFNANFEISNLTGFISSMHDNKVFLDLHITIGDENFSALAGHLLSAVVNGTCELIVEDFNELVSTKYNEELGLWLLDFEK/NMYSYKKIGNKYIVSINNHTDIVTAIKKFCEDKKIKSGTINGIGQVKEVTLEFRNFETGEKEEKTFKKQFTISNLTGFISTKDGKVFLDLHITFGDENFSALAGHLLSAIVDGKCELIIEDYNEEINVKYNEELGLYLLDFNK
>T=0.1, sample=2, score=0.7414, global_score=0.9355, seq_recovery=0.6075
NMYKYKKIGNKYIVSINNHTEIVKAIKEFCKEKNIKSGTINGIGQVGKVTLRFYNPETKEYTEKTFNDNFEISNLTGFISTYKNEVFLHLHITFGKSDFSALAGHLLSAIVNGICELIVEDFKENLSMKYDEKTGLYLLDFEK/NMYKYKKIGNKYVVSINNHTEIVEALKAFCEDKKIKSGTVNGIGQVSKVTLKFFNIETKESKEKTFNKNFEISNLTGFISEINGEVFLHLHITIGDENFSALAGHLLSAVVNGEAILIVEDYKEKVNRKYNEELGLNLLDFNL

• score - 对所有被设计的残基，采样到的氨基酸的负对数概率的平均值
• global score - 对所有链中的所有残基，采样或固定的氨基酸的负对数概率的平均值
• fixed_chains - 未被设计、保持固定的链
• designed_chains - 被重新设计的链
• model_name/CA_model_name - 用于生成结果的模型名称，例如 v_48_020
• git_hash - 用于生成输出的 GitHub 版本号
• seed - 随机种子
• T=0.1 - 使用温度 0.1 来采样序列
• sample - 序列样本编号，如 1、2、3 等

---

@article{dauparas2022robust,
  title={Robust deep learning--based protein sequence design using ProteinMPNN},
  author={Dauparas, Justas and Anishchenko, Ivan and Bennett, Nathaniel and Bai, Hua and Ragotte, Robert J and Milles, Lukas F and Wicky, Basile IM and Courbet, Alexis and de Haas, Rob J and Bethel, Neville and others},
  journal={Science},
  volume={378},
  number={6615},  
  pages={49--56},
  year={2022},
  publisher={American Association for the Advancement of Science}
}

---

ProteinMPNN 快速上手指南

ProteinMPNN 是一个基于深度学习的蛋白质序列设计工具，能够根据给定的蛋白质骨架结构生成高概率的氨基酸序列。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux 或 macOS (Windows 需通过 WSL 运行)
• Python: 版本 >= 3.0 (推荐 3.8+)
• 硬件: 推荐使用 NVIDIA GPU 以加速推理（支持 CUDA）
• 核心依赖:
  • PyTorch
  • NumPy

2. 安装步骤

推荐使用 conda 创建独立的虚拟环境以避免依赖冲突。以下是标准的安装流程：

2.1 克隆代码库

git clone https://github.com/dauparas/ProteinMPNN.git
cd ProteinMPNN

2.2 创建并激活 Conda 环境

conda create --name mlfold python=3.9 -y
conda activate mlfold

2.3 安装 PyTorch 和其他依赖

注意：国内用户建议使用清华源或中科大源加速下载。请根据您的 CUDA 版本选择合适的命令（以下为 CUDA 11.3 示例）：

# 使用清华源安装 PyTorch (CUDA 11.3 版本)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu113

# 如果不需要 GPU 支持，可使用 CPU 版本：
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

# 安装其他基础依赖
pip install numpy

3. 基本使用

ProteinMPNN 的核心脚本是 protein_mpnn_run.py。使用前请确保当前目录下有模型权重文件（通常位于 vanilla_model_weights/ 文件夹中）。

3.1 最简单的单体蛋白设计示例

假设您有一个名为 example.pdb 的蛋白质结构文件，想要对其所有链进行序列设计，生成 1 条序列：

python protein_mpnn_run.py \
    --pdb_path ./inputs/example.pdb \
    --out_folder ./outputs \
    --num_seq_per_target 1 \
    --sampling_temp "0.1" \
    --path_to_model_weights ./vanilla_model_weights \
    --model_name v_48_020

3.2 关键参数说明

• --pdb_path: 输入 PDB 文件的路径。
• --out_folder: 输出结果文件夹路径。
• --num_seq_per_target: 每个目标结构生成的序列数量。
• --sampling_temp: 采样温度。建议值：0.1 (保守), 0.2, 0.3 (多样性更高)。
• --model_name: 选择的模型版本。常用选项：
  • v_48_002: 噪声最小，最保守。
  • v_48_020: 推荐默认值，平衡性能与多样性。
  • v_48_030: 噪声最大，多样性最高。
• --ca_only: 如果输入结构仅包含 Cα 原子，请添加此标志并使用 ca_model_weights 中的模型。

3.3 输出结果解读

运行完成后，输出文件夹中将包含 .fa 格式的文件。内容示例如下：

>3HTN, score=1.1705, global_score=1.2045, fixed_chains=['B'], designed_chains=['A', 'C'], model_name=v_48_020
NMYSYKKIGNKYIVSINNHTEIVKALNAFCKEKGILSGSINGIGAIGELTLRFFNPKTKAYDDKTFREQMEISNLTGNISSMNEQVYLHLHITVGRSDYSALAGHLLSAIQNGAGEFVVEDYSERISRTYNPDLGLNIYDFER

• score: 设计残基的平均负对数概率（越低越好）。
• global_score: 所有残基（包括固定和设计部分）的平均负对数概率。
• designed_chains: 被重新设计的链 ID。
• 序列行: 生成的氨基酸序列，多条链之间用 / 分隔。

3.4 进阶场景提示

• 固定特定链: 使用 --pdb_path_chains 指定要设计的链，或使用 --chain_id_jsonl 进行更复杂的控制。
• 固定特定残基: 使用 --fixed_positions_jsonl 传入字典，指定哪些位置保持不变。
• 仅评分: 若已有序列想评估其合理性，设置 --score_only 1 并提供 --path_to_fasta。
• 对称性设计: 对于同源寡聚体，可使用 --tied_positions_jsonl 强制对称位置生成相同氨基酸。

更多详细用例脚本请参考项目自带的 examples/ 目录下的 .sh 文件。