推荐开源项目：NeuralPLexer——深度生成模型预测蛋白质-配体复合物3D结构

推荐开源项目：NeuralPLexer——深度生成模型预测蛋白质-配体复合物3D结构

NeuralPLexer NeuralPLexer: State-specific protein-ligand complex structure prediction with a multi-scale deep generative model 项目地址: https://gitcode.com/gh_mirrors/ne/NeuralPLexer

项目介绍

NeuralPLexer 是一个创新的深度生成模型，旨在联合预测蛋白质-配体复合物的3D结构及其相关特性。该项目由Qiao Z, Nie W, Vahdat A, Miller III TF, Anandkumar A等研究人员开发，并在《Nature Machine Intelligence》杂志上发表（2024年）。通过该模型，用户可以高效地生成高质量的蛋白质-配体复合物结构，为药物设计和生物研究提供强有力的支持。

项目技术分析

NeuralPLexer 采用多尺度深度生成模型，结合了先进的机器学习和生物信息学技术，能够准确预测蛋白质-配体复合物的三维结构。其核心技术包括：

• 多尺度建模：模型在不同尺度上捕捉蛋白质和配体的相互作用，提高预测的准确性。
• 生成对抗网络（GAN）：利用GAN技术生成逼真的复合物结构。
• 扩散采样：通过langevin模拟退火等采样技术，优化结构生成的过程。

项目依赖于GPU计算资源，要求CUDA版本不低于10.2，并推荐使用libmambda solver for conda进行环境配置。

项目及技术应用场景

NeuralPLexer 适用于多种生物研究和药物开发场景，包括但不限于：

• 药物设计：预测药物分子与蛋白质的结合模式，加速新药研发。
• 生物分子研究：研究蛋白质-配体相互作用机制，揭示生物过程。
• 结构生物学：提供高精度的蛋白质-配体复合物结构，辅助实验验证。

项目特点

• 多功能性：支持单链或多链蛋白质、单个或多个配体的复合物结构预测。
• 灵活性：输入可以是PDB文件、蛋白质序列、sdf文件或SMILES字符串，适应不同用户需求。
• 高效性：并行生成多个结构样本，显著提高计算效率。
• 易用性：提供命令行界面（CLI），操作简便，易于集成到现有工作流程。

安装指南

1. 确保系统具备支持CUDA>=10.2的GPU。
2. 设置libmambda solver for conda环境：

   make environment
   make install
   

使用示例

预测带有模板结构的蛋白质-配体复合物：

neuralplexer-inference --task=batched_structure_sampling \
                       --input-receptor input.pdb \
                       --input-ligand <ligand>.sdf \
                       --use-template  --input-template <template>.pdb \
                       --out-path <output_path> \
                       --model-checkpoint <data_dir>/models/complex_structure_prediction.ckpt \
                       --n-samples 16 \
                       --chunk-size 4 \
                       --num-steps=40 \
                       --cuda \
                       --sampler=langevin_simulated_annealing

输出结果

在指定输出目录下，生成包含所有预测结构的prot_all.pdb和lig_all.sdf文件，以及各个样本的独立文件。

结语

NeuralPLexer 作为一款强大的开源工具，为蛋白质-配体复合物结构预测提供了全新的解决方案。其高效、灵活且易用的特性，使其成为生物研究和药物开发领域的宝贵资源。立即尝试NeuralPLexer，开启您的科研新旅程！

项目链接：NeuralPLexer GitHub

参考文献：Qiao Z, Nie W, Vahdat A, Miller III TF, Anandkumar A. State-specific protein-ligand complex structure prediction with a multi-scale deep generative model. Nature Machine Intelligence, 2024. https://doi.org/10.1038/s42256-024-00792-z.

NeuralPLexer NeuralPLexer: State-specific protein-ligand complex structure prediction with a multi-scale deep generative model 项目地址: https://gitcode.com/gh_mirrors/ne/NeuralPLexer