ProteinMPNN的linux本地安装及使用

ProteinMPNN

（dauparas/ProteinMPNN: Code for the ProteinMPNN paper）

工具介绍

        ProteinMPNN 是一个基于深度学习的蛋白质序列设计工具，旨在根据给定的蛋白质结构信息来设计或优化蛋白质序列。

核心功能

• 蛋白质序列设计：根据输入的蛋白质结构（PDB 文件），为其设计合适的氨基酸序列。用户可以指定设计的链、固定的残基位置、氨基酸组成偏好等条件，以满足不同的设计需求。
• 序列评分：计算给定蛋白质结构 - 序列对的得分，反映模型对该序列的不确定性。得分基于负对数概率，可用于评估设计序列的质量。
• 概率输出：可以输出条件概率和无条件概率，帮助用户了解每个位置上不同氨基酸的可能性分布。

代码组织

• protein_mpnn_run.py：主脚本，用于初始化和运行模型。
• protein_mpnn_utils.py：包含了主脚本所需的实用函数。
• examples/：提供了多个简单的代码示例，涵盖了单体设计、多链设计、固定残基位置、添加氨基酸偏好等多种场景。
• inputs/：包含示例所需的输入 PDB 文件。
• outputs/：存储示例运行的输出结果。
• colab_notebooks/：提供了 Google Colab 示例，方便用户在云端环境中运行代码。
• training/：包含了重新训练模型所需的代码和数据。

安装

运行 ProteinMPNN 需要克隆 GitHub 仓库，并安装 Python（版本 >= 3.0）、PyTorch 和 Numpy。

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

这里我是使用conda创建了虚拟环境，使用的python 3.8

conda create --name MPNN python=3.8

激活环境

conda activate MPNN

这里还安装了一个TMalign（用于计算两个蛋白质链之间的 TM 分数、RMSD 等指标）

wget https://zhanggroup.org/TM-align/TMalign.gz
gunzip TMalign.gz
chmod +x TMalign
mv TMalign /usr/local/bin/

代码简介

1. StructureDataset 和 StructureLoader

• 简介：用于处理蛋白质结构数据集，StructureDataset 负责封装数据集，StructureLoader 负责将数据集按照序列长度聚类并批量加载数据。
• 文件位置：ProteinMPNN/training/utils.py 和 ProteinMPNN/protein_mpnn_utils.py

2. make_fixed_positions_dict.py

• 简介：根据输入的 PDB 解析文件和指定的链及位置信息，生成固定位置的字典。
• 文件位置：ProteinMPNN/helper_scripts/make_fixed_positions_dict.py

3. parse_multiple_chains.py

• 简介：解析包含多个蛋白质链的 PDB 文件，提取序列和坐标信息，并保存为 JSON 文件。
• 文件位置：ProteinMPNN/helper_scripts/parse_multiple_chains.py

4. assign_fixed_chains.py

• 简介：根据输入的 JSON 文件和指定的链列表，分配固定链和设计链。
• 文件位置：ProteinMPNN/helper_scripts/assign_fixed_chains.py

5. make_bias_AA.py

• 简介：根据输入的氨基酸列表和偏置列表，生成氨基酸偏置字典。
• 文件位置：ProteinMPNN/helper_scripts/make_bias_AA.py

6. TMalign

• 简介：计算两个蛋白质链之间的 TM 分数、RMSD 等指标。
• 文件位置：ProteinMPNN/training/parse_cif_noX.py

7. training.py

• 简介：用于训练蛋白质序列预测的神经网络模型。
• 文件位置：ProteinMPNN/training/training.py

脚本使用

        作者还提供了很多示例脚本，展示了如何使用 ProteinMPNN 进行不同场景下的蛋白质序列设计。

1. submit_example_1.sh

• 功能：简单单体示例，用于处理单个蛋白质链的设计。
• 步骤：
  • 解析 inputs/PDB_monomers/pdbs/ 目录下的 PDB 文件为 jsonl 格式。
  • 运行 protein_mpnn_run.py 脚本进行序列设计，每个目标生成 2 条序列，采样温度为 0.1，随机种子为 37，批次大小为 1。
• 结果
  • 成功为两个蛋白质结构生成了序列，并记录了生成时间和序列长度。
  • 
  • 其中，5L33的结果
  • 
• 生物学意义

  submit_example_1.sh 可以为单体蛋白质生成新的氨基酸序列，这些序列可能会改变蛋白质的催化活性、结合亲和力、稳定性等性质。例如，对于一种酶蛋白，通过设计新的序列可能提高其催化效率，从而更高效地参与生物化学反应。

2. submit_example_2.sh

• 功能：简单多链示例，处理包含多个蛋白质链的复合物。
• 步骤：
  • 解析 inputs/PDB_complexes/pdbs/ 目录下的 PDB 文件为 jsonl 格式。
  • 指定设计链为 A 和 B，并将设计信息保存到 assigned_pdbs.jsonl 中。
  • 运行 protein_mpnn_run.py 脚本进行序列设计，参数与示例 1 类似。
• 结果
• 

3. submit_example_3.sh

• 功能：直接从单个 PDB 文件路径进行设计。

4. submit_example_3_score_only.sh

• 功能：仅返回模型的得分（模型的不确定性），不进行序列设计。

5. submit_example_3_score_only_from_fasta.sh

• 功能：从 FASTA 文件加载序列，仅返回模型的得分（模型的不确定性）。

6. submit_example_4.sh

• 功能：固定某些残基位置，不进行设计。

7. submit_example_4_non_fixed.sh

• 功能：指定需要设计的残基位置。

8. submit_example_5.sh

• 功能：将某些位置绑定在一起（考虑对称性），即这些位置的氨基酸选择是相关的。

9. submit_example_6.sh

• 功能：同源寡聚体示例，处理由相同亚基组成的蛋白质复合物。

10. submit_example_7.sh

• 功能：返回序列的无条件概率（类似 PSSM）。

11. submit_example_8.sh

• 功能：添加氨基酸偏好，使某些氨基酸更有可能被选择。

12. submit_example_pssm.sh

• 功能：在设计序列时使用 PSSM（位置特异性得分矩阵）进行偏置。

这些示例脚本涵盖了 ProteinMPNN 的常见使用场景，用户可以根据自己的需求参考这些示例进行蛋白质序列设计。

测试

使用RFdiffusion生成的结构（序列全是G，150 AA）

修改并运行submit_example_1.sh，结果：

• 温度（T）：T=0.1 表示在生成序列时使用的采样温度为 0.1。较低的温度会使模型更倾向于选择概率较高的氨基酸，生成的序列相对保守；较高的温度会增加随机性，生成更多样化的序列。
• 样本编号（sample）：sample=1 和 sample=2 分别表示生成的第 1 个和第 2 个样本序列。
• 得分（score）：根据文档，score 是对设计的氨基酸进行负对数概率平均后的结果。负对数概率是衡量模型对生成序列的置信度，得分越低表示模型对生成的氨基酸序列越有信心。
• 全局得分（global_score）：global_score 是对所有链中所有残基（包括固定和设计的残基）的负对数概率平均。同样，得分越低表示模型对整个结构 - 序列的匹配越有信心。
• 序列恢复率（seq_recovery）：seq_recovery 表示生成的序列与原始序列的相似程度。在这个例子中，两个样本的序列恢复率均为 0.0333，说明生成的序列与原始序列的相似度非常低。