基于深度学习的蛋白序列设计方法——proteinMPNN

2022年9月15日华盛顿大学的David Backer组在Science上发表了一篇题为Robust deep learning–based protein sequence design using ProteinMPNN的工作。该团队开发了一种基于深度学习的蛋白质序列设计方法 —— ProteinMPNN。其与传统基于物理的方法设计的Rosetta，序列恢复度提升了19.5%；且运行速度更快。proteinMPNN设计的序列相较于天然序列提高了表达量和稳定性，这对于通过结晶解析结构而言大有裨益。

1.下载

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

2.创建运行环境

conda create --name mlfold
source activate mlfold
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

3.运行

conda activate mlfold
cd ProteinMPNN
python protein_mpnn_run.py --pdb_path input/*pdb --pdb_path_chains A --out_folder output/ --num_seq_per_target 10 --sampling——temp 0.1 --seed 003

参数含义

--pdb_path 输入pdb文件的全路径；
--pdb_path_chains 需要设计pdb文件中的哪一条链；
--out_folder 文件输出路径；
--num_seq_per_target 设计的蛋白序列输出条数；
--sampling_temp 采样温度，建议可取值0.1， 0.15， 0.2， 0.25， 0.3；
--seed 设置随机数

更多详细信息可移步至官网：https://github.com/dauparas/ProteinMPNN

我拿着手头上的例子测试了一下，用设计出的序列拿alphafold反预测，结果居然和原骨架惊人地相似… 还是挺强的。