3D-Generative-SBDD 项目使用教程

3D-Generative-SBDD 项目使用教程

3D-Generative-SBDD 💊 A 3D Generative Model for Structure-Based Drug Design (NeurIPS 2021) 项目地址: https://gitcode.com/gh_mirrors/3d/3D-Generative-SBDD

1. 项目介绍

3D-Generative-SBDD 是一个用于基于结构的药物设计（Structure-Based Drug Design, SBDD）的3D生成模型。该项目在 NeurIPS 2021 上发表，旨在通过生成模型来设计新的药物分子，以适应特定的蛋白质口袋结构。

主要特点：

• 3D生成模型：利用3D信息生成新的药物分子。
• 结构化药物设计：专注于基于蛋白质结构的药物设计。
• 开源：代码完全开源，方便研究人员和开发者使用和扩展。

2. 项目快速启动

环境准备

首先，确保你已经安装了以下依赖：

• Python 3.8.12
• PyTorch 1.10.1
• CUDA 11.3.1
• PyTorch Geometric 2.0.3
• RDKit 2020.09.5
• OpenBabel 3.1.0
• BioPython 1.79

你可以通过以下命令安装这些依赖：

conda env create -f env_cuda113.yml
conda activate SBDD-3D

下载预训练模型

在开始使用之前，你需要下载预训练模型。请参考 pretrained 文件夹中的 README.md 文件进行下载。

示例代码

以下是一个简单的示例代码，用于生成一个药物分子：

import os
from utils import sample_molecule

# 配置文件路径
config_path = 'configs/sample.yml'

# 数据索引
data_id = 0

# 生成药物分子
sample_molecule(config_path, data_id)

3. 应用案例和最佳实践

应用案例

1. 新药研发：通过生成模型，研究人员可以快速生成符合特定蛋白质结构的新药物分子，加速新药研发过程。
2. 药物筛选：在药物筛选过程中，生成模型可以生成大量的候选药物分子，提高筛选效率。

最佳实践

• 数据准备：确保输入的蛋白质结构数据质量高，以提高生成模型的准确性。
• 模型调优：根据具体应用场景，对模型进行适当的调优，以获得更好的生成效果。

4. 典型生态项目

Pocket2Mol

Pocket2Mol 是 3D-Generative-SBDD 的一个扩展项目，专注于基于3D蛋白质口袋的高效分子采样。该项目在 ICML 2022 上发表，提供了更高效的分子生成方法。

项目链接

• Pocket2Mol: GitHub 链接

通过结合 3D-Generative-SBDD 和 Pocket2Mol，研究人员可以构建更强大的药物设计工具链，进一步推动药物研发领域的发展。

3D-Generative-SBDD 💊 A 3D Generative Model for Structure-Based Drug Design (NeurIPS 2021) 项目地址: https://gitcode.com/gh_mirrors/3d/3D-Generative-SBDD