LigandMPNN 完全指南：3步掌握蛋白质序列设计

LigandMPNN 完全指南：3步掌握蛋白质序列设计

【免费下载链接】LigandMPNN 项目地址: https://gitcode.com/gh_mirrors/li/LigandMPNN

LigandMPNN 是一款基于深度学习的蛋白质序列设计工具，能够智能生成与特定蛋白质骨架结构兼容的氨基酸序列。该工具在药物发现和蛋白质工程领域具有重要应用价值。

项目核心概览

LigandMPNN 通过消息传递神经网络技术，实现了从蛋白质三维结构到氨基酸序列的智能设计。相比传统方法，它能更好地考虑配体环境对序列设计的影响。

快速上手指南

环境准备步骤

首先确保系统已安装必要的依赖包：

pip install torch ProDy scipy

获取项目代码

git clone https://gitcode.com/gh_mirrors/li/LigandMPNN.git
cd LigandMPNN

下载模型参数

bash get_model_params.sh "./model_params"

运行首个设计案例

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --out_folder "./outputs/default"

实际应用场景

药物靶点优化

在药物研发中，LigandMPNN 可用于优化蛋白质靶点的结合特性，提高药物分子的亲和力。

酶工程改造

通过重新设计酶的活性位点序列，提升催化效率或改变底物特异性。

蛋白质稳定性增强

重新设计表面氨基酸序列，提高蛋白质的热稳定性和表达量。

配置技巧详解

温度参数调节

通过调整温度参数控制序列多样性：

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --temperature 0.05 \
        --out_folder "./outputs/temperature"

残基固定设置

保留特定残基的原始序列：

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --out_folder "./outputs/fix_residues" \
        --fixed_residues "C1 C2 C3 C4 C5 C6 C7 C8 C9 C10" \
        --bias_AA "A:10.0"

批量序列生成

一次性设计多个序列变体：

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --out_folder "./outputs/batch_size" \
        --batch_size 3 \
        --number_of_batches 5

相关工具集成

ProDy 结构解析

项目使用 ProDy 库进行 PDB 文件解析，能够准确处理残基索引、链标识和插入码信息。

OpenFold 侧链打包

集成 OpenFold 的侧链打包功能，生成更准确的三维结构模型。

多种模型支持

• ProteinMPNN：通用蛋白质序列设计
• LigandMPNN：考虑配体环境的序列设计
• SolubleMPNN：可溶性蛋白质专用设计

常见问题解答

如何选择合适的模型类型？

对于包含配体的蛋白质结构，推荐使用 LigandMPNN 模型；对于普通蛋白质，ProteinMPNN 是更好的选择。

输出文件格式说明

• FASTA 文件：包含设计的氨基酸序列
• PDB 文件：包含完整的结构信息，包括链标识和残基索引

序列恢复率计算

序列恢复率仅针对重新设计的残基进行计算，反映设计序列与原始序列的相似程度。

置信度指标解读

输出中包含两个置信度指标：

• overall_confidence：整体设计置信度
• ligand_confidence：配体相关残基设计置信度

值域范围 0.0 到 1.0，数值越高表示模型对该序列越有信心。

提示：建议优先使用 PDB 格式输出文件，因为它们包含更完整的结构信息。

【免费下载链接】LigandMPNN 项目地址: https://gitcode.com/gh_mirrors/li/LigandMPNN