PSP - 蛋白质-核酸复合物结构预测 RoseTTAFoldNA 算法框架 (Protein-RNA、Protein-DNA、RNA)

2023-11-03 20:04
文章标签 算法 dna 框架 结构 预测 核酸 蛋白质 psp protein rna 复合物 rosettafoldna

本文主要是介绍PSP - 蛋白质-核酸复合物结构预测 RoseTTAFoldNA 算法框架 (Protein-RNA、Protein-DNA、RNA)，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://spike.blog.csdn.net/article/details/134208615

Paper: Accurate prediction of nucleic acid and protein-nucleic acid complexes using RoseTTAFoldNA

  • GitHub: RoseTTAFold2NA

RoseTTAFoldNA

蛋白质-核酸复合物 (Protein - Nucleic Acid Complexes)，在生物学中发挥着关键作用。 尽管蛋白质结构预测方面，最近取得了相当大的进展，但是，与已知复合物没有同源性的蛋白质-核酸复合物的结构预测，在很大程度上是一个尚未解决的问题。RoseTTAFold2NA 将 RoseTTAFold 端到端深度学习方法，扩展到核酸和蛋白质-核酸复合物的建模。 已训练的网络 RoseTTAFoldNA，可以快速生成 3D 结构模型，并且对 蛋白质-DNA 和 蛋白质-RNA 复合物以及 RNA 三级结构进行置信估计。 在这三种情况下，置信预测的准确性，都比当前最先进的方法高得多。 RoseTTAFoldNA 应广泛用于模拟天然存在的 蛋白质-核酸 复合物的结构，以及设计序列特异性 RNA 和 DNA 结合蛋白。

David Baker 组的工作，作者 Minkyung Baek

1. Docker 配置

Docker 环境：

# 下载 glm-nvidia-pytorch-1.11.0-cu116-py3.tar
docker image load -i glm-nvidia-pytorch-1.11.0-cu116-py3.tarnvidia-docker run -it --name rfna-v1 --shm-size 72G -v [nfs]/[nfs] glm:nvidia-pytorch-1.11.0-cu116-py3

glm:nvidia-pytorch-1.11.0-cu116-py3，比较稳定的 docker image ，建议作为 base image。

准备 GitHub 工程：

git clone https://github.com/uw-ipd/RoseTTAFold2NA.git
cd RoseTTAFold2NAcd /nfs_beijing_ai/chenlong/workspace/rosettafold2na-by-chenlong

GitHub 加速代理：

https://gitclone.com/
https://ghproxy.com/
https://toolwa.com/github/

配置 Docker 环境中的 conda 源，即：

vim ~/.condarc

conda 清华源，添加：

channels:- defaults
show_channel_urls: true
default_channels:- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2- https://mirrors.sustech.edu.cn/anaconda/pkgs/free- https://mirrors.sustech.edu.cn/anaconda/pkgs/pro
custom_channels:conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudmsys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudbioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudmenpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudpytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudsimpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudnvidia: https://mirrors.sustech.edu.cn/anaconda-extra/cloud
channel_priority: disabled
allow_conda_downgrades: true

conda 南方科技源 (速度很慢，建议与清华源合并使用)，添加：

channels:- defaults
show_channel_urls: true
default_channels:- https://mirrors.sustech.edu.cn/anaconda/pkgs/main- https://mirrors.sustech.edu.cn/anaconda/pkgs/free- https://mirrors.sustech.edu.cn/anaconda/pkgs/r- https://mirrors.sustech.edu.cn/anaconda/pkgs/pro- https://mirrors.sustech.edu.cn/anaconda/pkgs/msys2
custom_channels:conda-forge: https://mirrors.sustech.edu.cn/anaconda/cloudmsys2: https://mirrors.sustech.edu.cn/anaconda/cloudbioconda: https://mirrors.sustech.edu.cn/anaconda/cloudmenpo: https://mirrors.sustech.edu.cn/anaconda/cloudpytorch: https://mirrors.sustech.edu.cn/anaconda/cloudsimpleitk: https://mirrors.sustech.edu.cn/anaconda/cloudnvidia: https://mirrors.sustech.edu.cn/anaconda-extra/cloud
channel_priority: disabled
allow_conda_downgrades: true

显示全部 channels：

conda config --show

配置 pip 源：

rm /opt/conda/pip.conf
rm /root/.config/pip/pip.conf
vim ~/.pip/pip.conf[global]
no-cache-dir = true
index-url = http://mirrors.aliyun.com/pypi/simple/
extra-index-url = https://pypi.ngc.nvidia.com
trusted-host = mirrors.aliyun.com pypi.ngc.nvidia.com

2. 安装 Python 库

使用 yaml 安装，适合网络较好。或逐步安装 python 库，解决问题。

2.1 yaml 安装

安装 conda 环境，需要耐心等待：

conda env create -f RF2na-linux.yml

其中 RF2na-linux.yml，如下：

name: RF2NA
channels:- pytorch- nvidia- defaults- conda-forge
dependencies:- python=3.10- pip- pytorch- requests- pytorch-cuda=11.7- dglteam/label/cu117::dgl- pyg::pyg- bioconda::mafft- bioconda::hhsuite- bioconda::blast- bioconda::hmmer>=3.3- bioconda::infernal- bioconda::cd-hit- bioconda::csblast- pip:- psutil- tqdm

2.2 逐步安装 (速度较快)

单步创建环境，注意安装顺序：

ource ~/.bashrc
conda env list
conda create -y -n RF2NA python=3.10
conda activate RF2NAconda install pip requests scipy
pip install psutil tqdm# 优先安装 conda 的 python 库
conda install -y hmmer hhsuite==3.3.0 -c bioconda
conda install -y mafft blast infernal cd-hit csblast -c bioconda
# conda install dgl-cuda11.7 -c dglteam # 可选# pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2
# nvidia 下载较慢，建议使用 pip 安装 pytorch
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia --show-channel-urls
conda install pyg -c pyg

2.2.1 hhsuite 与 环境冲突

遇到冲突错误，即遇到 hhsuite==3.3.0 与环境冲突，无法安装，解决方法是使用不同的 docker image 即可，如下：

UnsatisfiableError: The following specifications were found to be incompatible with each other

建议使用 glm:nvidia-pytorch-1.11.0-cu116-py3 作为 docker 的 Base Image。

2.2.2 安装 dglteam (可选)

(可选) 安装 dgl 较慢，建议下载，再配置安装 dglteam，如下：

# dgl-cuda11.7       dglteam/linux-64::dgl-cuda11.7-0.9.1post1-py310_0
# dgl-cuda11.7-0.9.1post1-py310_0.tar.bz2, 约 220 M
# 下载链接：https://conda.anaconda.org/dglteam/linux-64
conda install ./dgl-cuda11.7-0.9.1post1-py310_0.tar.bz2

2.2.3 安装 PyTorch

使用 conda 安装 pytorch 较慢时，建议使用 pip 进行安装，速度较快。测试 PyTorch 是否可用：

conda install scipy
pip install psutil==5.8.0 tqdm
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2

即：

pythonimport torch
print(torch.__version__)  # 2.0.1+cu117
print(torch.cuda.is_available())  # True

2.2.4 安装 PyG

安装 pyg 包，也可以使用 pip 进行安装，参考 pytorch-geometric - Installation，即

pip install torch_geometric# Optional dependencies:
pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-2.0.0+cu117.html

3. 测试

数据位置：/nfs_beijing_ai/bj-common-data/ods/uw-ipd/RoseTTAFold2NA/RNA/

建立蛋白质序列库的软链接，建议使用之前的下载：

ln -s [your folder]/uniref30 uniref30
ln -s [your folder]/bfd bfd
ln -s [your folder]/pdb100_2021Mar03 pdb100_2021Mar03

RNA 库安装：

# Rfam
cp [your folder]/RoseTTAFold2NA/RNA/Rfam/Rfam.cm.gz .
cp [your folder]/RoseTTAFold2NA/RNA/Rfam/Rfam.full_region.gz .
gunzip Rfam.cm.gz
gunzip Rfam.full_region.gz
cmpress Rfam.cm# RNAcentral
cp [your folder]/RoseTTAFold2NA/RNA/RNAcentral/rfam_annotations.tsv.gz .
cp [your folder]/RoseTTAFold2NA/RNA/RNAcentral/id_mapping.tsv.gz .
cp [your folder]/RoseTTAFold2NA/RNA/RNAcentral/rnacentral_species_specific_ids.fasta.gz .
../input_prep/reprocess_rnac.pl id_mapping.tsv.gz rfam_annotations.tsv.gz
gunzip -c rnacentral_species_specific_ids.fasta.gz | makeblastdb -in - -dbtype nucl  -parse_seqids -out rnacentral.fasta -title "RNACentral"# nt
ln [your folder]/RoseTTAFold2NA/RNA/nt nt

模型权重：

cp [your folder]/RoseTTAFold2NA/RNA/network/RF2NA_apr23.tgz .
tar xvfz RF2NA_apr23.tgz
ll -h weights/

测试命令：

bash ../run_RF2NA.sh rna_pred rna_binding_protein.fa R:RNA.fa
# bash run_RF2NA.sh example/rna_pred example/rna_binding_protein.fa R:example/RNA.fa

执行步骤如下：

  • 第1步执行：Running HHblits
  • 第2步执行：Running hhsearch
  • 第3步执行：Creating joint Protein/RNA MSA
  • 第4步执行：Running RoseTTAFold2NA to predict structures

预测日志如下：

Running on GPUplddt    best
RECYCLE  0   0.799  -1.000
RECYCLE  1   0.858   0.799
RECYCLE  2   0.870   0.858
RECYCLE  3   0.875   0.870
RECYCLE  4   0.877   0.875
RECYCLE  5   0.879   0.877
RECYCLE  6   0.877   0.879
RECYCLE  7   0.880   0.879
RECYCLE  8   0.879   0.880
RECYCLE  9   0.881   0.880
Done

输出效果，包括 蛋白质部分与 RNA 部分，如下：

Img

这篇关于PSP - 蛋白质-核酸复合物结构预测 RoseTTAFoldNA 算法框架 (Protein-RNA、Protein-DNA、RNA)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/340565。

相关文章

springboot+dubbo实现时间轮算法

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n
阅读更多...
SpringBoot实现MD5加盐算法的示例代码

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.
阅读更多...
Python Dash框架在数据可视化仪表板中的应用与实践记录

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash？1.1
阅读更多...
使用Java实现通用树形结构构建工具类

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子
阅读更多...
基于Flask框架添加多个AI模型的API并进行交互

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》：本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应
阅读更多...
Python GUI框架中的PyQt详解

Python GUI框架中的PyQt详解

《PythonGUI框架中的PyQt详解》PyQt是Python语言中最强大且广泛应用的GUI框架之一,基于Qt库的Python绑定实现,本文将深入解析PyQt的核心模块,并通过代码示例展示其应用场... 目录一、PyQt核心模块概览二、核心模块详解与示例1. QtCore - 核心基础模块2. QtWid
阅读更多...
利用Python开发Markdown表格结构转换为Excel工具

利用Python开发Markdown表格结构转换为Excel工具

《利用Python开发Markdown表格结构转换为Excel工具》在数据管理和文档编写过程中,我们经常使用Markdown来记录表格数据,但它没有Excel使用方便,所以本文将使用Python编写一... 目录1.完整代码2. 项目概述3. 代码解析3.1 依赖库3.2 GUI 设计3.3 解析 Mark
阅读更多...
Java时间轮调度算法的代码实现

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组（时间轮）和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时
阅读更多...
最新Spring Security实战教程之Spring Security安全框架指南

最新Spring Security实战教程之Spring Security安全框架指南

《最新SpringSecurity实战教程之SpringSecurity安全框架指南》SpringSecurity是Spring生态系统中的核心组件,提供认证、授权和防护机制,以保护应用免受各种安... 目录前言什么是Spring Security？同类框架对比Spring Security典型应用场景传统
阅读更多...
如何通过Golang的container/list实现LRU缓存算法

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣：146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2