小分子结合位点/成药位点识别工具-PointSite

AIDrug 测测深不可测

已于 2022-07-07 00:29:05 修改

阅读量1.5k

点赞数 1

分类专栏：药物设计文章标签： python 人工智能深度学习

于 2022-07-07 00:21:13 首次发布

本文链接：https://blog.csdn.net/wufeil7/article/details/125650303

版权

药物设计专栏收录该内容

49 篇文章 70 订阅

订阅专栏

一、PointSite背景简单介绍

现在有很多AI开发的各种方法和工具，可以替代传统的CADD工具。这里介绍的PointSite这个工具可以从原子级别识小分子的结合位点，参考文章来源于Zhen Li的工作，原文链接：

PointSite: a point cloud segmentation tool for identification of protein ligand binding atoms (biorxiv.org)

PointSite将原始的3D蛋白质结构转译成点云（point clouds），然后使用基于U-Net的Submanifold Sparse Convolution (SSC)进行分割。PointSite在位点的原子层级识别上较其他方法获得显著的提升，当与其他口袋层面的识别方法相结合，可以获得最优的性能。

文章还是很有意思的，感兴趣的同学可以看看。

二、PointSite的安装及使用

PointSite提供了源代码：PointSite/PointSite: PointSite: a point cloud segmentation tool for identification of protein ligand binding atoms (github.com)

## 安装方法

#复制源代码
git clone --recursive https://github.com/PointSite/PointSite_Inference.git
cd PointSite_Inference/
#建立conda虚拟环境，安装使用到的包
./install.sh

在执行 /install.sh可能会出现pytroch装不上的情况。单独使用conda安装一下即可，安装1.4.0或者1.5.0都可以：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

运行案例：

conda activate pointsite_inference
chmod +x ./util/PDB_Tool
chmod +x ./util/PDB_To_XYZ
python inference.py --output blind_out --data example/blind --select_list example/blind_list
conda deactivate

程序根据example/blind_list中的PDB名单，从example/blind目录中提取PDB文件，将结果保存在blind_out文件夹内。example/blind_list中包含了81个蛋白，单V100 GPU的机子，运行时间大概为10分钟左右。

blind_out文件夹内每一个输入的PDB会产生一个结果文件夹，其中有*_output.xyz文件和可视化文件夹，即为预测的结果。

三、实际检测

这里，以5T1A为例子，其中包含了两个小分子，一个为底物小分子，一个为变构调剂小分子。如下图：

PointSite的预测结果如下图，大致相关位置：

可以到看预测的位置还是很准的，位置很接近。主要的是，连变构小分子的位置都可以被标记到！

但是存在一个问题，PointSite仅给出了可视化的文件，预测为结合口袋的残基标为红色。但是并没有直接给出每一个氨基酸的标签（True/False）。

四、pymol标记Pointsite的结果

我们查看了代码发现，PointSite先使用了PDB-Tool工具将pdb文件进行了预处理，删除了不必要的水分子等，然后从生成的pdb文件中提取原子，用于点云分割，最后给出每一个原子的颜色标记。

源代码中的预处理方式：

下面给出了，使用PointSite进行位点预测，并将预测出来的位点使用dpb文件中的Bfactor标记出来的代码 PointSite_Predict_Visual.py：

#encoding=utf-8

SOURCE_DATA_FOLDER = './PDB-Pool'
OUT_PATH = './Result'
HANDLE_PDB = SOURCE_DATA_FOLDER+'-out'
SOURCE_DATA_LIST = 'test' #用于保存源数据中的PDB名

import os

#根据PDB-Pool文件夹，生成PDB文件列表
files = os.listdir(SOURCE_DATA_FOLDER)
files = [i[:-4] for i in files]
with open(SOURCE_DATA_LIST, 'w') as f:
    for pdb in files:
        f.write(pdb+'\n')

#使用PointSite寻找小分子的结合位点,结果在Test文件夹中
 cmd_ = './pointsite_run.sh {} {} {} ./'.format(SOURCE_DATA_LIST, 
         SOURCE_DATA_FOLDER, OUT_PATH)
 os.system(cmd_)

# 获取PointSite处理以后的蛋白文件
out_dir = HANDLE_PDB
os.system('mkdir {}'.format(out_dir))
files = os.listdir(SOURCE_DATA_FOLDER)
for file in files:
    file = file[:-4]
    cmd_ = './util/PDB_Tool -i ./PDB-Pool/{}.pdb -r _ -R 1 -o ./PDB-Pool-out/{}-out.pdb'.format(file, file)
    os.system(cmd_)

# 将PointSite和PDB_Tool处理的结果整合起来，得到每一个残基是否被预测为结合口袋
pdb_out_list = os.listdir(HANDLE_PDB)
point_out_list = os.listdir(OUT_PATH)
point_out_list = [file for file in point_out_list if len(file)==4 ]

#整合起来结果保存在pdb文件中
for pdb in point_out_list:
    print(pdb)
    #打开pointsit结果文件
    with open (OUT_PATH+"/{}/visual/{}_atom_pred.obj".format(pdb, pdb), 'r') as f:
        lines = f.readlines()
    qs = [line.split()[4] for line in lines]
    qs = [" 200.0" if i=='255' else "  10.0" for i in qs]
    with open (HANDLE_PDB+"/{}-out.pdb".format(pdb), 'r') as f:
        lines = f.readlines()
    for i in range(len(lines)):
        lines[i]=lines[i][:61]+qs[i]+lines[i][67:] #pdb的第
    #写入PDB文件
    with open(OUT_PATH+"/{}/visual/{}_pointsite_pred.pdb".format(pdb, pdb),'w') as f:
        f.writelines(lines)

使用方法：将该文件拷贝到Pointsite的目录下