PSP - AlphaFold2 的 2.3.2 版本源码解析 (1)

2023-10-09 12:50

本文主要是介绍PSP - AlphaFold2 的 2.3.2 版本源码解析 (1),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

欢迎关注我的CSDN:https://spike.blog.csdn.net/
本文地址:https://blog.csdn.net/caroline_wendy/article/details/130323566

时间:2023.4.22

官网:https://github.com/deepmind/alphafold

AlphaFold2是一种基于深度学习的方法,根据氨基酸序列预测蛋白质的三维结构。在2020年的CASP14竞赛中取得了突破性的成绩,达到了原子级的精度。AlphaFold2的核心是Evoformer模块,利用多序列比对(MSA)和残基对特征,来捕捉蛋白质的共进化信息和物理约束。Evoformer的输出被送入一个结构模块,使用注意力机制和几何约束来生成蛋白质的骨架和侧链坐标。AlphaFold2的源代码和预训练模型已经公开发布,为蛋白质结构预测领域带来了新的机遇和挑战。

AF2

AlphaFold版本2.3.2+:

commit 4d83e3fc0883011e3d597eb6d33e532267754708 (HEAD, origin/main, origin/HEAD)
Author: Hamish Tomlinson <htomlinson@google.com>
Date:   Tue Apr 11 02:22:30 2023 -0700Bump version to 2.3.2 in setup.py and colab.PiperOrigin-RevId: 523341685Change-Id: Ie332a4db056adb2d42bcd2f4006e4258b8908507commit 3f31725591b0c6b0b6d63214235d3abe6b81742c (tag: v2.3.2)
Author: Hamish Tomlinson <htomlinson@google.com>
Date:   Mon Mar 27 04:50:17 2023 -0700Upgrade pyopenssl in colab.PiperOrigin-RevId: 519687065Change-Id: Ib72232f3f4d09ee8f3a2cc312d7a83d8b892a23e

输入序列117个氨基酸的序列,即CASP15的T1104序列:

>T1104 EntV136 , Enterococcus faecalis, 117 residues|
QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNISDSCVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG

1. 入口函数

脚本:run_alphafold.py

  • 单链使用 pipeline.DataPipeline() 类,多链使用 pipeline_multimer.DataPipeline() 类,关注单链逻辑。
  • 核心逻辑位于run_alphafold.py#predict_structure()

源码如下:

monomer_data_pipeline = pipeline.DataPipeline(jackhmmer_binary_path=FLAGS.jackhmmer_binary_path,hhblits_binary_path=FLAGS.hhblits_binary_path,uniref90_database_path=FLAGS.uniref90_database_path,mgnify_database_path=FLAGS.mgnify_database_path,bfd_database_path=FLAGS.bfd_database_path,uniref30_database_path=FLAGS.uniref30_database_path,small_bfd_database_path=FLAGS.small_bfd_database_path,template_searcher=template_searcher,template_featurizer=template_featurizer,use_small_bfd=use_small_bfd,use_precomputed_msas=FLAGS.use_precomputed_msas)
...
data_pipeline = monomer_data_pipeline
...
for i, fasta_path in enumerate(FLAGS.fasta_paths):fasta_name = fasta_names[i]predict_structure(fasta_path=fasta_path,fasta_name=fasta_name,output_dir_base=FLAGS.output_dir,data_pipeline=data_pipeline,model_runners=model_runners,amber_relaxer=amber_relaxer,benchmark=FLAGS.benchmark,random_seed=random_seed,models_to_relax=FLAGS.models_to_relax)

predict_structure()中,AF2完成全部的结构预测过程,核心逻辑位于data_pipeline.process(),输入fasta文件和MSA路径,位于alphafold/data/pipeline.py#process()

源码如下:

def predict_structure(fasta_path: str,fasta_name: str,output_dir_base: str,data_pipeline: Union[pipeline.DataPipeline, pipeline_multimer.DataPipeline],model_runners: Dict[str, model.RunModel],amber_relaxer: relax.AmberRelaxation,benchmark: bool,random_seed: int,models_to_relax: ModelsToRelax):"""Predicts structure using AlphaFold for the given sequence."""...feature_dict = data_pipeline.process(input_fasta_path=fasta_path,msa_output_dir=msa_output_dir)...

alphafold/data/pipeline.py#process()中,核心逻辑是:

  1. 搜索MSA和Template,其中,MSA搜索UniRef90、BFD、MGnify三个库,Template搜索pdb70pdb_seqres两个文件,PDB库在RCSB的mmcif中查找。
  2. 初始化三类特征,之后再进行更新,即序列特征(make_sequence_features)、MSA特征(make_msa_features)、Template特征(get_templates)。

源码如下:

  def process(self, input_fasta_path: str, msa_output_dir: str) -> FeatureDict:"""Runs alignment tools on the input sequence and creates features."""with open(input_fasta_path) as f:input_fasta_str = f.read()input_seqs, input_descs = parsers.parse_fasta(input_fasta_str)if len(input_seqs) != 1:raise ValueError(f'More than one input sequence found in {input_fasta_path}.')input_sequence = input_seqs[0]input_description = input_descs[0]num_res = len(input_sequence)uniref90_out_path = os.path.join(msa_output_dir, 'uniref90_hits.sto')jackhmmer_uniref90_result = run_msa_tool(msa_runner=self.jackhmmer_uniref90_runner,input_fasta_path=input_fasta_path,msa_out_path=uniref90_out_path,msa_format='sto',use_precomputed_msas=self.use_precomputed_msas,max_sto_sequences=self.uniref_max_hits)mgnify_out_path = os.path.join(msa_output_dir, 'mgnify_hits.sto')jackhmmer_mgnify_result = run_msa_tool(msa_runner=self.jackhmmer_mgnify_runner,input_fasta_path=input_fasta_path,msa_out_path=mgnify_out_path,msa_format='sto',use_precomputed_msas=self.use_precomputed_msas,max_sto_sequences=self.mgnify_max_hits)msa_for_templates = jackhmmer_uniref90_result['sto']msa_for_templates = parsers.deduplicate_stockholm_msa(msa_for_templates)msa_for_templates = parsers.remove_empty_columns_from_stockholm_msa(msa_for_templates)if self.template_searcher.input_format == 'sto':pdb_templates_result = self.template_searcher.query(msa_for_templates)elif self.template_searcher.input_format == 'a3m':uniref90_msa_as_a3m = parsers.convert_stockholm_to_a3m(msa_for_templates)pdb_templates_result = self.template_searcher.query(uniref90_msa_as_a3m)else:raise ValueError('Unrecognized template input format: 'f'{self.template_searcher.input_format}')pdb_hits_out_path = os.path.join(msa_output_dir, f'pdb_hits.{self.template_searcher.output_format}')with open(pdb_hits_out_path, 'w') as f:f.write(pdb_templates_result)uniref90_msa = parsers.parse_stockholm(jackhmmer_uniref90_result['sto'])mgnify_msa = parsers.parse_stockholm(jackhmmer_mgnify_result['sto'])pdb_template_hits = self.template_searcher.get_template_hits(output_string=pdb_templates_result, input_sequence=input_sequence)if self._use_small_bfd:bfd_out_path = os.path.join(msa_output_dir, 'small_bfd_hits.sto')jackhmmer_small_bfd_result = run_msa_tool(msa_runner=self.jackhmmer_small_bfd_runner,input_fasta_path=input_fasta_path,msa_out_path=bfd_out_path,msa_format='sto',use_precomputed_msas=self.use_precomputed_msas)bfd_msa = parsers.parse_stockholm(jackhmmer_small_bfd_result['sto'])else:bfd_out_path = os.path.join(msa_output_dir, 'bfd_uniref_hits.a3m')hhblits_bfd_uniref_result = run_msa_tool(msa_runner=self.hhblits_bfd_uniref_runner,input_fasta_path=input_fasta_path,msa_out_path=bfd_out_path,msa_format='a3m',use_precomputed_msas=self.use_precomputed_msas)bfd_msa = parsers.parse_a3m(hhblits_bfd_uniref_result['a3m'])templates_result = self.template_featurizer.get_templates(query_sequence=input_sequence,hits=pdb_template_hits)sequence_features = make_sequence_features(sequence=input_sequence,description=input_description,num_res=num_res)msa_features = make_msa_features((uniref90_msa, bfd_msa, mgnify_msa))logging.info('Uniref90 MSA size: %d sequences.', len(uniref90_msa))logging.info('BFD MSA size: %d sequences.', len(bfd_msa))logging.info('MGnify MSA size: %d sequences.', len(mgnify_msa))logging.info('Final (deduplicated) MSA size: %d sequences.',msa_features['num_alignments'][0])logging.info('Total number of templates (NB: this can include bad ''templates and is later filtered to top 4): %d.',templates_result.features['template_domain_names'].shape[0])return {**sequence_features, **msa_features, **templates_result.features}

2. 初始化序列特征

核心逻辑alphafold/data/pipeline.py#make_sequence_features(),逻辑简单:

  • 输入:序列、描述、序列长度(残基个数)
  • 输出:aatype(氨基酸类型)、between_segment_residues(片段残基之间)、domain_name(序列描述)、residue_index(残基索引)、seq_length(序列长度)、sequence(序列)

一般而言,在CASP15中,序列都是一个域(domain),因此,序列描述使用 domain_name 表示。

调用过程,源码如下:

input_sequence = input_seqs[0]
input_description = input_descs[0]
num_res = len(input_sequence)sequence_features = make_sequence_features(sequence=input_sequence,description=input_description,num_res=num_res)

生成序列特征,源码如下:

def make_sequence_features(sequence: str, description: str, num_res: int) -> FeatureDict:"""Constructs a feature dict of sequence features."""features = {}features['aatype'] = residue_constants.sequence_to_onehot(sequence=sequence,mapping=residue_constants.restype_order_with_x,map_unknown_to_x=True)features['between_segment_residues'] = np.zeros((num_res,), dtype=np.int32)features['domain_name'] = np.array([description.encode('utf-8')],dtype=np.object_)features['residue_index'] = np.array(range(num_res), dtype=np.int32)features['seq_length'] = np.array([num_res] * num_res, dtype=np.int32)features['sequence'] = np.array([sequence.encode('utf-8')], dtype=np.object_)return features

在序列特征中,以序列长度117为例,包括6类特征,具体输出,如下:

  1. aatype(氨基酸类型):(117, 21),数据one-hot类型,21维,即20个残基 + 1个X未知,其中,117是序列长度。
  2. between_segment_residues(片段残基之间):(117,),全0列表。
  3. domain_name(序列描述):(1,),FASTA的描述。
array([b'T1104 EntV136 , Enterococcus faecalis, 117 residues|'], dtype=object)
  1. residue_index(残基索引):(117,),残基索引,0-116的数字排列。
array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,26,  27,  28,  29,  30,  31,  32,  33,  34,  35,  36,  37,  38,39,  40,  41,  42,  43,  44,  45,  46,  47,  48,  49,  50,  51,52,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,91,  92,  93,  94,  95,  96,  97,  98,  99, 100, 101, 102, 103,104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116],dtype=int32)
  1. seq_length(序列长度):(117,),序列长度,数值都是117。
  2. sequence(序列):即输入序列。
array([b'QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNISDSCVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG'], dtype=object)

3. 初始化MSA特征

核心逻辑alphafold/data/pipeline.py#make_msa_features(),调用过程:

msa_features = make_msa_features((uniref90_msa, bfd_msa, mgnify_msa))

3.1 搜索和解析MSA

make_msa_features函数,输入包括3个不同库的MSA文件,即UniRef90、MGnify、BFD,其中BFD可选规模的大小。

  • UniRef90:包含1.3亿条氨基酸序列的数据库,通过将 UniProtKB 和其他来源的序列按照 90% 的相似度聚类而生成的,占用空间约为30GB。
  • MGnify (MetaGenomics Unify) :包含10亿条氨基酸序列的数据库,属于微生物宏基因组学(MetaGenomics),来源于环境样本中DNA的测序和分析,占用空间约为100GB。
  • BFD (Big Fantastic Database) :包含25亿条氨基酸序列的数据库,通过对多种来源的蛋白质结构和序列进行整合而生成的,占用空间约为2.5TB。

源码如下:

uniref90_msa = parsers.parse_stockholm(jackhmmer_uniref90_result['sto'])
mgnify_msa = parsers.parse_stockholm(jackhmmer_mgnify_result['sto'])
if self._use_small_bfd:bfd_msa = parsers.parse_stockholm(jackhmmer_small_bfd_result['sto'])
else:bfd_msa = parsers.parse_a3m(hhblits_bfd_uniref_result['a3m'])

其中,UniRef90和MGnify都是使用jackhmmer进行搜索,而大规模BFD使用hhblits,小规模BFD使用jackhmmer。

对于搜索出的MSA序列,再进行解析和清洗,保持格式一致,即去除没有对齐的残基,保证序列长度与输入序列一致,同时,保留删除的位置(deletion_matrix)。参考alphafold/data/parsers.py#parse_a3m()&parse_stockholm(),源码如下:

  # parse_a3m()return Msa(sequences=aligned_sequences,deletion_matrix=deletion_matrix,descriptions=descriptions)# parse_stockholm()return Msa(sequences=msa,deletion_matrix=deletion_matrix,descriptions=list(name_to_sequence.keys()))

其中,输出的MSA,包括2类格式,即a3m和sto。a3m格式,第1个是输入序列,其他是搜索序列,需要删除小写字母才能与输入序列保持一致,如下:

>T1104 EntV136 , Enterococcus faecalis, 117 residues|
QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNISDSCVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG
>Q6DRR6 107     0.440   9.748E-24       1       116     117     42      175     179
-IEEQrQIDEVAAVLEKMFADGVTEENLKQYAQANYSEEELIIADNELNTNlsqiqdenaimykvDWgalGNCMANKIKDELLAMISVGTIIKYAQKKAWKELAKIVIKYVAKAGVKTNAALIAGQLAIWGLQCG
>U6S4W9 107     0.871   9.748E-24       0       116     117     57      188     191
QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNIsdastvvqarfnWNalgSCVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG

sto格式,sto即Stockholm,多序列比对(MSA)格式,第一块是查询结果,第二块是所有匹配目标序列的比对结果,如下:

# STOCKHOLM 1.0
#=GF ID 7c5664d51e2f56827f5232132517161a-i1
#=GF AU jackhmmer (HMMER 3.3.2)#=GS tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/18-73   DE [subseq from] Streptococcin A-M57 OS=Enterococcus faecalis OX=1351 GN=ELS84_1737 PE=4 SV=1
#=GS tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/75-149  DE [subseq from] Streptococcin A-M57 OS=Enterococcus faecalis OX=1351 GN=ELS84_1737 PE=4 SV=1
...
T1104 EntV136 , Enterococcus faecalis, 117 residues|               QLEDSEVEAVAKGLEEMYANGV--TEDNF---K---NYVKNNFAQQEIS---------------S-----VEEELNV--------NISD-----------S-------------CVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG
tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/18-73           										 QLEDSEVEAVAKGLEEMYANGV--TEDNF---K---NYVKNNFAQQEIS---------------S-----VEEELNV--------NISD-----------A-------------ST-------------------------------------------------------------
#=GR tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/18-73   PP 89********************..*****...*...*************...............*.....*******........****...........8.............64.............................................................
tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/75-149          										 ----------------------------------------------------------------------VQARFNW--------NALG-----------S-------------CVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG
#=GR tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/75-149  PP ......................................................................6678899........99**...........*.............**************************************************************9

3.2 计算MSA特征

核心逻辑alphafold/data/pipeline.py#make_msa_features()

  1. 通过集合去重,即seen_sequences = set()
  2. 输出特征。

在MSA特征中,以序列长度117、MSA数量151为例,包括4类特征,具体输出如下:

  1. deletion_matrix_int,因序列对齐所删除的残基矩阵,(151, 117),稀疏矩阵,0较多,只保留连续个数,例如:
# 序列
-----DAKEVAEQLEFIFEEAAIKDiNDKiigldiEMIEEKYGPGaELQQLKEEMN---------------------------------------------------------------------
# deletion vec
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 6, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
  1. msa,残基索引矩阵,(151, 117),例如:
array([[21, 21,  3, ..., 13,  1,  5],[13,  9,  3, ..., 13,  1,  5],[13,  7,  8, ..., 13,  1,  5],...,[21, 21, 21, ..., 18,  1, 21],[21, 21, 21, ..., 21, 21, 21],[21, 21, 21, ..., 21, 21, 21]], dtype=int32)
  1. num_alignments,MSA的序列数量矩阵,例如:
array([151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151,151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151, 151],dtype=int32)
  1. msa_species_identifiers,序列物种标识,sto格式的具备物种标识,通过正则获取,例如:tr|A0A146SKV9|A0A146SKV9_FUNHE
    • 参考:alphafold/data/msa_identifiers.py#_parse_sequence_identifier()

源码:

def make_msa_features(msas: Sequence[parsers.Msa]) -> FeatureDict:"""Constructs a feature dict of MSA features."""if not msas:raise ValueError('At least one MSA must be provided.')int_msa = []deletion_matrix = []species_ids = []seen_sequences = set()for msa_index, msa in enumerate(msas):if not msa:raise ValueError(f'MSA {msa_index} must contain at least one sequence.')for sequence_index, sequence in enumerate(msa.sequences):if sequence in seen_sequences:continueseen_sequences.add(sequence)int_msa.append([residue_constants.HHBLITS_AA_TO_ID[res] for res in sequence])deletion_matrix.append(msa.deletion_matrix[sequence_index])identifiers = msa_identifiers.get_identifiers(msa.descriptions[sequence_index])species_ids.append(identifiers.species_id.encode('utf-8'))num_res = len(msas[0].sequences[0])num_alignments = len(int_msa)features = {}features['deletion_matrix_int'] = np.array(deletion_matrix, dtype=np.int32)features['msa'] = np.array(int_msa, dtype=np.int32)features['num_alignments'] = np.array([num_alignments] * num_res, dtype=np.int32)features['msa_species_identifiers'] = np.array(species_ids, dtype=np.object_)return features

4. 初始化Template特征

调用逻辑:

  1. 搜索MSA,使用jackhmmer,搜索uniref90,复用MSA部分的逻辑。
  2. 清洗MSA,去除重复数据(deduplicate_stockholm_msa)、删除空列(remove_empty_columns_from_stockholm_msa)。
  3. 搜索Template,搜索库jackhmmer_uniref90
  4. template_searcher提取Template信息。
  5. template_featurizer获取Template结果。

初始化Template特征,相关的源码,如下:

# 搜索MSA
uniref90_out_path = os.path.join(msa_output_dir, 'uniref90_hits.sto')
jackhmmer_uniref90_result = run_msa_tool(msa_runner=self.jackhmmer_uniref90_runner, input_fasta_path=input_fasta_path,msa_out_path=uniref90_out_path, msa_format='sto', use_precomputed_msas=self.use_precomputed_msas, max_sto_sequences=self.uniref_max_hits)# 清洗MSA
msa_for_templates = jackhmmer_uniref90_result['sto']
msa_for_templates = parsers.deduplicate_stockholm_msa(msa_for_templates)
msa_for_templates = parsers.remove_empty_columns_from_stockholm_msa(msa_for_templates)# 搜索Template
if self.template_searcher.input_format == 'sto':pdb_templates_result = self.template_searcher.query(msa_for_templates)
elif self.template_searcher.input_format == 'a3m':uniref90_msa_as_a3m = parsers.convert_stockholm_to_a3m(msa_for_templates)pdb_templates_result = self.template_searcher.query(uniref90_msa_as_a3m)
else:raise ValueError('Unrecognized template input format: f'{self.template_searcher.input_format}')# 提取Template信息
pdb_template_hits = self.template_searcher.get_template_hits(output_string=pdb_templates_result, input_sequence=input_sequence)# 获取Template结果
templates_result = self.template_featurizer.get_templates(query_sequence=input_sequence, hits=pdb_template_hits)

4.1 清洗Template的MSA

其中,去除重复数据,deduplicate_stockholm_msa函数,具体:

  1. 源码:alphafold/data/parsers.py#deduplicate_stockholm_msa()
  2. 根据 query_align 设置 mask 信息。
  3. 根据 mask 信息,压缩搜索出的 alignment,使用set进行过滤
  4. 提取过滤之后的行。

源码:

...
seen_sequences = set()
seqnames = set()
# First alignment is the query.
query_align = next(iter(sequence_dict.values()))
mask = [c != '-' for c in query_align]  # Mask is False for insertions.
for seqname, alignment in sequence_dict.items():# Apply mask to remove all insertions from the string.masked_alignment = ''.join(itertools.compress(alignment, mask))if masked_alignment in seen_sequences:continueelse:seen_sequences.add(masked_alignment)seqnames.add(seqname)
...

搜索出101个Template,进行去除重复,由101个Template下降为34个Template。示例如下:

# 输入
QLEDSEVEAVAKGLEEMYANGV--TEDNF---K---NYVKNNFAQQEIS---------------S-----VEEELNV--------NISD-----------S-------------CVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG
# 压缩
QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNISDSCVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG# 输入
QLEDSEVEAVAKGLEEMYANGV--TEDNF---K---NYVKNNFAQQEIS---------------S-----VEEELNV--------NISD-----------A-------------ST-------------------------------------------------------------
# 压缩
QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNISDAST-------------------------------------------------------------

其中,删除空列,remove_empty_columns_from_stockholm_msa函数。

  • 源码位于:alphafold/data/parsers.py#remove_empty_columns_from_stockholm_msa()
  • 根据最后一列的#=GC RF标识符进行处理,删除不需要的列,用于不同query的Template融合。

源码如下:

def remove_empty_columns_from_stockholm_msa(stockholm_msa: str) -> str:"""Removes empty columns (dashes-only) from a Stockholm MSA."""processed_lines = {}unprocessed_lines = {}for i, line in enumerate(stockholm_msa.splitlines()):if line.startswith('#=GC RF'):reference_annotation_i = ireference_annotation_line = line
...

输入34个Template,输出34个Template。示例如下:

7c5664d51e2f56827f5232132517161a               QLEDSEVEAVAKGLEEMYANGV--TEDNF---K---NYVKNNFAQQEIS---------------S-----VEEELNV--------NISD-----------S-------------CVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG
tr|A0A1X3AJN2|A0A1X3AJN2_ENTFL/18-73           QLEDSEVEAVAKGLEEMYANGV--TEDNF---K---NYVKNNFAQQEIS---------------S-----VEEELNV--------NISD-----------A-------------ST-------------------------------------------------------------
...
#=GC RF                                        xxxxxxxxxxxxxxxxxxxxxx..xxxxx...x...xxxxxxxxxxxxx...............x.....xxxxxxx........xxxx...........x.............xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
//

4.2 搜索和提取Template

其中,根据template_searcher的类型不同,搜索方式也不同:

  • 在multimer中,使用hmmsearch.Hmmsearch,输入格式是sto,pdb_seqres是PDB的数据集的序列结果。
  • 在monomer中,使用hhsearch.HHSearch,输入格式是a3m,搜索pdb70_database_path,即PDB70。
  • 搜索来源不同,搜索方式不同。

源码如下:run_alphafold.py

if run_multimer_system:template_searcher = hmmsearch.Hmmsearch(binary_path=FLAGS.hmmsearch_binary_path, hmmbuild_binary_path=FLAGS.hmmbuild_binary_path, atabase_path=FLAGS.pdb_seqres_database_path)template_featurizer = templates.HmmsearchHitFeaturizer(mmcif_dir=FLAGS.template_mmcif_dir, ...)
else:template_searcher = hhsearch.HHSearch(binary_path=FLAGS.hhsearch_binary_path, databases=[FLAGS.pdb70_database_path])template_featurizer = templates.HhsearchHitFeaturizer(mmcif_dir=FLAGS.template_mmcif_dir, ...)

具体而言,pdb_seqres是PDB的数据集,参考AlphaFold-Multimer - Protein complex prediction with AlphaFold-Multimer

pdb_seqres

搜索之后,使用template_featurizer,提取特征,搜索库都是mmcif,即199,000的PDB蛋白库,格式是cif。

逻辑位于alphafold/data/templates.py#HhsearchHitFeaturizer,源码如下:

TEMPLATE_FEATURES = {'template_aatype': np.float32,'template_all_atom_masks': np.float32,'template_all_atom_positions': np.float32,'template_domain_names': object,'template_sequence': object,'template_sum_probs': np.float32,
}
...
class HhsearchHitFeaturizer(TemplateHitFeaturizer):"""A class for turning a3m hits from hhsearch to template features."""def get_templates(self,query_sequence: str,hits: Sequence[parsers.TemplateHit]) -> TemplateSearchResult:"""Computes the templates for given query sequence (more details above)."""logging.info('Searching for template for: %s', query_sequence)template_features = {}for template_feature_name in TEMPLATE_FEATURES:template_features[template_feature_name] = []...for hit in sorted(hits, key=lambda x: x.sum_probs, reverse=True):# We got all the templates we wanted, stop processing hits.if num_hits >= self._max_hits:breakresult = _process_single_hit(query_sequence=query_sequence,hit=hit,mmcif_dir=self._mmcif_dir,max_template_date=self._max_template_date,release_dates=self._release_dates,obsolete_pdbs=self._obsolete_pdbs,strict_error_check=self._strict_error_check,kalign_binary_path=self._kalign_binary_path)...return TemplateSearchResult(features=template_features, errors=errors, warnings=warnings)

核心在于alphafold/data/templates.py#_process_single_hit(),源码如下:

features, realign_warning = _extract_template_features(mmcif_object=parsing_result.mmcif_object,pdb_id=hit_pdb_code,mapping=mapping,template_sequence=template_sequence,query_sequence=query_sequence,template_chain_id=hit_chain_id,kalign_binary_path=kalign_binary_path)
if hit.sum_probs is None:features['template_sum_probs'] = [0]
else:features['template_sum_probs'] = [hit.sum_probs]

调用_extract_template_features提取Template特征:

Parses atom positions in the target structure and aligns with the query.Atoms for each residue in the template structure are indexed to coincide with their corresponding residue in the query sequence, according to the alignment mapping provided.

解析目标结构中的原子位置,并与查询对齐。模板结构中的每个残基的原子都按照所提供的对齐映射,与查询序列中的相应残基一一对应。

输出特征:

  return ({'template_all_atom_positions': np.array(templates_all_atom_positions),'template_all_atom_masks': np.array(templates_all_atom_masks),'template_sequence': output_templates_sequence.encode(),'template_aatype': np.array(templates_aatype),'template_domain_names': f'{pdb_id.lower()}_{chain_id}'.encode(),},warning)

在Template特征中,以序列长度117、Template数量20为例,包括6类特征,具体输出如下:

  1. template_all_atom_positions,模板全部原子坐标,[N_tmpl, N_res, 37, 3],初始值是0,有坐标就设置为坐标值。

全部原子类型是37个:

atom_types = ['N', 'CA', 'C', 'CB', 'O', 'CG', 'CG1', 'CG2', 'OG', 'OG1', 'SG', 'CD','CD1', 'CD2', 'ND1', 'ND2', 'OD1', 'OD2', 'SD', 'CE', 'CE1', 'CE2', 'CE3','NE', 'NE1', 'NE2', 'OE1', 'OE2', 'CH2', 'NH1', 'NH2', 'OH', 'CZ', 'CZ2','CZ3', 'NZ', 'OXT'
] # := 37.

来源于:

all_atom_positions, all_atom_mask = _get_atom_positions(mmcif_object, chain_id, max_ca_ca_distance=150.0)pos[residue_constants.atom_order[atom_name]] = [x, y, z]
mask[residue_constants.atom_order[atom_name]] = 1.0
  1. templates_all_atom_masks,模版全部原子Mask,[N_tmpl, N_res, 37],初始值是0,有坐标就设置为1。

  2. template_sequence,模版序列,[N_tmpl],例如:

 output_templates_sequence = ''.join(output_templates_sequence)'template_sequence': output_templates_sequence.encode(),# output
array([b'QLEDSEVEAVAKGLEEMYANGVTEDNFKNYVKNNFAQQEISSVEEELNVNISDSCVANKIKDEFFAMISISAIVKAAQKKAWKELAVTVLRFAKANGLKTNAIIVAGQLALWAVQCG',...dtype=object)
  1. template_aatype,模版氨基酸类型,[N_tmpl, N_res, 22],22表示AA + Unknown + Gap,包含全部大写字母以及"-",数据如下:
    • alphafold/common/residue_constants.py
HHBLITS_AA_TO_ID = {'A': 0,'B': 2,'C': 1,'D': 2,'E': 3,
...'-': 21,
}
  1. template_domain_names,模版域名,[N_tmpl],PDB+链名,例如5jwf_A, 5jwg_B
'template_domain_names': f'{pdb_id.lower()}_{chain_id}'.encode()
  1. template_sum_probs,模版相似性,[N_tmpl, 1],值越大,越相似,从搜索结果中,解析出来的。

源码:

  # Parse the summary line.pattern = ('Probab=(.*)[\t ]*E-value=(.*)[\t ]*Score=(.*)[\t ]*Aligned_cols=(.*)[\t'' ]*Identities=(.*)%[\t ]*Similarity=(.*)[\t ]*Sum_probs=(.*)[\t '']*Template_Neff=(.*)')match = re.match(pattern, detailed_lines[2])if match is None:raise RuntimeError('Could not parse section: %s. Expected this: \n%s to contain summary.' %(detailed_lines, detailed_lines[2]))(_, _, _, aligned_cols, _, _, sum_probs, _) = [float(x) for x in match.groups()]

示例Case:

No 6883
>2G9Z_A thiamine pyrophosphokinase (E.C.2.7.6.2); Thiamin-PNP, TPK, Thiamin pyrophosphokinase, structural; HET: VNP, PO4; 1.96A {Candida albicans}
Probab=0.43  E-value=1.1e+04  Score=15.10  Aligned_cols=38  Identities=13%  Similarity=-0.010  Sum_probs=22.3  Template_Neff=6.500Q seq              77 QTHLLWVPGGAPDVLRKLMRGGPYLDFLKAQSAGADHVSSVCEGALLLAA  126 (214)
Q Consensus        77 ~~d~livpgg~~~~~~~~~~~~~~~~~l~~~~~~~~~v~~i~~g~~~La~  126 (214)...+|||.+|...  .          ++....+....+++...|+..|.+
T Consensus        62 ~~~~lIilng~~~--~----------~~~~l~~~~~~vI~ADGGan~L~~   99 (348)
T 2G9Z_A           62 NHNVLLILNQKIT--I----------DLISLWKKCEIIVCADGGANSLYE   99 (348)
T ss_dssp             -CEEEEECSSCCC--S----------CHHHHHTTCSEEEEETTHHHHHHH
T ss_pred             CCEEEEEeCCCCC--H----------HHHHHHhcCCEEEEeCHHHHHHHH
Confidence            4566677766653  2          122233456778888888877765

最后,将初始化完成的3块特征,合计6+4+6=14类特征,合并返回即可。

def process(self, input_fasta_path: str, msa_output_dir: str) -> FeatureDict:return {**sequence_features, **msa_features, **templates_result.features}

这篇关于PSP - AlphaFold2 的 2.3.2 版本源码解析 (1)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/172966

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

Android实现任意版本设置默认的锁屏壁纸和桌面壁纸(两张壁纸可不一致)

客户有些需求需要设置默认壁纸和锁屏壁纸  在默认情况下 这两个壁纸是相同的  如果需要默认的锁屏壁纸和桌面壁纸不一样 需要额外修改 Android13实现 替换默认桌面壁纸: 将图片文件替换frameworks/base/core/res/res/drawable-nodpi/default_wallpaper.*  (注意不能是bmp格式) 替换默认锁屏壁纸: 将图片资源放入vendo

Kubernetes PodSecurityPolicy:PSP能实现的5种主要安全策略

Kubernetes PodSecurityPolicy:PSP能实现的5种主要安全策略 1. 特权模式限制2. 宿主机资源隔离3. 用户和组管理4. 权限提升控制5. SELinux配置 💖The Begin💖点点关注,收藏不迷路💖 Kubernetes的PodSecurityPolicy(PSP)是一个关键的安全特性,它在Pod创建之前实施安全策略,确保P

Java ArrayList扩容机制 (源码解读)

结论:初始长度为10,若所需长度小于1.5倍原长度,则按照1.5倍扩容。若不够用则按照所需长度扩容。 一. 明确类内部重要变量含义         1:数组默认长度         2:这是一个共享的空数组实例,用于明确创建长度为0时的ArrayList ,比如通过 new ArrayList<>(0),ArrayList 内部的数组 elementData 会指向这个 EMPTY_EL

如何在Visual Studio中调试.NET源码

今天偶然在看别人代码时,发现在他的代码里使用了Any判断List<T>是否为空。 我一般的做法是先判断是否为null,再判断Count。 看了一下Count的源码如下: 1 [__DynamicallyInvokable]2 public int Count3 {4 [__DynamicallyInvokable]5 get

工厂ERP管理系统实现源码(JAVA)

工厂进销存管理系统是一个集采购管理、仓库管理、生产管理和销售管理于一体的综合解决方案。该系统旨在帮助企业优化流程、提高效率、降低成本,并实时掌握各环节的运营状况。 在采购管理方面,系统能够处理采购订单、供应商管理和采购入库等流程,确保采购过程的透明和高效。仓库管理方面,实现库存的精准管理,包括入库、出库、盘点等操作,确保库存数据的准确性和实时性。 生产管理模块则涵盖了生产计划制定、物料需求计划、

OWASP十大安全漏洞解析

OWASP(开放式Web应用程序安全项目)发布的“十大安全漏洞”列表是Web应用程序安全领域的权威指南,它总结了Web应用程序中最常见、最危险的安全隐患。以下是对OWASP十大安全漏洞的详细解析: 1. 注入漏洞(Injection) 描述:攻击者通过在应用程序的输入数据中插入恶意代码,从而控制应用程序的行为。常见的注入类型包括SQL注入、OS命令注入、LDAP注入等。 影响:可能导致数据泄

从状态管理到性能优化:全面解析 Android Compose

文章目录 引言一、Android Compose基本概念1.1 什么是Android Compose?1.2 Compose的优势1.3 如何在项目中使用Compose 二、Compose中的状态管理2.1 状态管理的重要性2.2 Compose中的状态和数据流2.3 使用State和MutableState处理状态2.4 通过ViewModel进行状态管理 三、Compose中的列表和滚动