基于昇腾适配蛋白质序列模型ProteinMPNN_proteinmpnn rbf编码-优快云博客

本文链接：https://blog.youkuaiyun.com/Splendid2025/article/details/148634423

一 ProteinMPNN介绍

ProteinMPNN（Protein Message Passing Neural Network）是一种基于深度学习的蛋白质序列设计模型，核心目标是解决“逆向折叠问题”（inverse folding problem），即根据给定的蛋白质三维结构，设计出能够折叠成该结构的氨基酸序列。ProteinMPNN在计算和实验测试中都有出色的性能表现，不同位置的氨基酸序列可以在单链或多链之间偶联，从而广泛的应用于当前蛋白质设计上。ProteinMPNN不仅在天然蛋白质序列恢复率上面性能要高于传统的Rosetta方法，并且可以恢复先前设计失败的蛋白质。通过前沿AI技术突破科学研究的效率瓶颈，对于蛋白质工程、药物设计、酶设计等领域有极其重要的意义。

二整体架构

2.1 编码器

2.1.1 图构建

将蛋白质结构表示为图结构，图的节点代表氨基酸残基，边代表残基之间的空间或序列关系（如距离、接触、氢键等）。

2.1.2 节点嵌入

使用可学习的嵌入层将每个残基的类型（氨基酸种类）、位置信息编码为初始节点特征。

是节点v在第l层的嵌入向量。

是节点v的邻居节点集合，是从节点u到节点v的消息。

2.1.3 边嵌入

对边进行编码，边的初始特征包括残基之间对距离、角度的几何变换，或残基间的相互作用特征。

$e_{u v}^{(l)}$ 是边（u, v）在第l层的嵌入向量，分别是节点u和节点v的嵌入向量。

2.2 消息传递网络

模型通过多层堆叠的消息传递和节点更新操作迭代更新节点状态

2.2.1 多层图卷积

在每一层图卷积中，节点v接收邻居节点u的消息Muv,由边特征euv和节点特征hu计算得到：

其中是第l层的可学习函数（如MLP）， $e_{u v}$ 包含距离、角度等几何信息。

2.2.2 SE3-等变注意力机制

注意力分数计算

计算节点v对邻居u的注意力分数 $e_{u v}$ ，结合系欸但特征和边特征：

其中Wa, Wb, Wc是可学习权重矩阵， $\beta$ 是层间参数，softmax确保归一化。

消息聚合（SE3-等变）

消息传递需满足SE3群的对称性，通常通过张量积实现：

其中，是可学习的变换矩阵，k是SE3的表示维度。

2.3 解码器

2.3.1 结构预测头

用于预测三位坐标，二面角或距离矩阵。

$\sigma^{(coord)}$ 是激活函数， $W_{c}^{(l)}$ 是坐标回归权重。

2.3.2 序列设计头

自回归生成（交叉熵损失）逐个生成氨基酸序列，条件于当前节点特征和已生成序列：

是时间t的氨基酸类型，为权重矩阵。

损失函数（序列恢复）

交叉熵损失对比预测序列与天然序列：

多任务学习

同时优化结构预测（如坐标误差）和序列设计（如恢复天然序列）任务，通过联合损失函数平衡不同目标。

三实验

3.1 设备

Atlas 800T A2

3.2 组件版本

hdk：24.1.RC3

cann：8.0.RC3

python：3.10

torch：2.1.0

torch-npu：2.1.0.post8

3.3 环境准备

官方文档对依赖包没有版本要求，仅需保证python的版本高于等于3.0即可。

新建conda环境

conda create --name mlfold python=3.10

安装torch_npu和一些必要的依赖包，下载torch_npu

wget https://gitee.com/ascend/pytorch/releases/download/v6.0.rc3-pytorch2.1.0/torch_npu-2.1.0.post8-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl --no-check-certificate

pip3 install torch_npu-2.1.0.post8-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

注：该环境已经提前安装过了，所以不会提示安装成功

3.4 数据集下载

下载原始数据集

wget https://files.ipd.uw.edu/pub/training_sets/pdb_2021aug02.tar.gz

注：原始pdb_2021aug02数据集压缩包大小为17GB，解压之后为92GB，须预留足够的空间。下载之后使用tar -xzf pdb_2021aug02.tar.gz进行解压。

下载用于测试的数据集样本

如果没有足够的磁盘空间，可下载该数据集，压缩包为48MB，解压之后为255MB。

wget https://files.ipd.uw.edu/pub/training_sets/pdb_2021aug02_sample.tar.gz

3.5 推理

ProteinMPNN在example目录下面有很多样例，均可用来验证推理。

在training目录下也有test_inference.sh用于推理验证。

3.5.1 激活conda环境

conda activate mlfold

3.5.2 修改推理脚本

Slurm参数、用于输入的.PDB文件、权重路径、权重名称

3.5.3 修改protein_mpnn_run.py

3.5.4 执行推理

3.5.5 查看推理结果

3.6 训练

3.6.1 修改training.py文件

注：training.py脚本内，使用的cuda api不需要手动修改。torch_npu会自动将cuda api更改为torch_npu的api。例：

3.6.2 修改sh脚本

3.6.3 source cann

3.6.4 验证npu环境是否可用

3.6.5 开始训练

在training目录下面执行bash submit_exp_020.sh

查看npu状态，显示0卡正在被进程占用

注：可以通过环境变量export ASCEND_RT_VISIBLE_DEVICES来指定用哪张卡训练。

3.6.6 训练完成

训练完成之后，训练日志和权重会存放在exp_020目录下。