OmegaFold

الوصف

OmegaFold هو نموذج ذكاء اصطناعي متطور مصمم للتنبؤ ببنية البروتين عالية الدقة من الصفر (de novo)، مباشرة من تسلسلات الأحماض الأمينية الأولية. يوفر كود الإصدار هذا الوصول إلى النموذج الموصوف في الورقة البحثية "High-resolution de novo structure prediction from primary sequence". يهدف المشروع إلى التحسين المستمر، مع التركيز على تقليل متطلبات GRAM للاستدلال على البروتينات الطويلة وإصدار نماذج أكثر قوة.

تشمل التطورات الرئيسية في OmegaFold تقليلًا كبيرًا في متطلبات GRAM، مما يتيح الاستدلال على تسلسلات البروتينات التي يصل طولها إلى 4096 بقية على وحدة معالجة رسومات NVIDIA A100 بسعة 80 جيجابايت عند استخدام إعدادات `--subbatch_size` محددة. يتم تسليط الضوء على حساسية النموذج لـ `--subbatch_size`، مما يوفر مفاضلة بين وقت الحساب واستخدام الذاكرة. يمكن للمستخدمين تعديل هذه المعلمة لإدارة قيود ذاكرة وحدة معالجة الرسومات، مع اقتراح لتقليل القيمة إلى النصف إذا ظهرت مشاكل في الذاكرة.

بالنسبة لمستخدمي macOS، يدعم OmegaFold تسريع MPS (Apple Silicon)، بشرط تثبيت أحدث إصدار ليلي من PyTorch. يتطلب الكود الحالي من مستخدمي macOS استنساخ المستودع وتشغيل النموذج باستخدام `python main.py`. تتضمن عملية الإعداد تثبيت الأداة عبر pip أو استنساخ المستودع وتشغيل `python setup.py install`. تنسيق الإدخال هو ملف FASTA قياسي، ويشمل الإخراج ملف PDB واحد لكل تسلسل، مع تضمين قيم الثقة في عمود b-factor لملفات PDB.

يوفر OmegaFold المرونة في الموازنة بين جودة التنبؤ واستخدام الموارد. يمكن للمستخدمين تعديل `--subbatch_size` للمفاضلة بين وقت الحساب و GRAM، أو تعديل `--num_cycle` للمفاضلة بين وقت الحساب وجودة التنبؤ المتوسطة. يمكن الوصول إلى مزيد من التفاصيل والخيارات عبر الأمر `omegifold --help`. يشجع المشروع على الاستشهاد بالورقة البحثية المرتبطة لاستخدامها.

يلتزم المطورون بتحسين سهولة الاستخدام وتوسيع قدرات النموذج. من المتوقع أن تعزز التحديثات المستقبلية الأداء وإمكانية الوصول لمجموعة أوسع من المستخدمين وبيئات الحوسبة. يسهل كود الإصدار مفتوح المصدر هذا البحث والتطوير في علم الأحياء الهيكلي واكتشاف الأدوية.

أبرز ملامح OmegaFold

• التنبؤ ببنية البروتين عالية الدقة من الصفر (de novo) من التسلسل الأولي

• تقليل كبير في متطلبات GRAM للاستدلال على البروتينات الطويلة

• يدعم تسلسلات البروتينات التي يصل طولها إلى 4096 بقية على NVIDIA A100 (80 جيجابايت)

• إمكانية تعديل `--subbatch_size` للمفاضلة بين الذاكرة والوقت

• دعم تسريع MPS (Apple Silicon) لمستخدمي macOS

• قيم الثقة مقدمة في عمود b-factor لملفات PDB

• خيار للمفاضلة بين وقت الحساب وجودة التنبؤ عبر `--num_cycle`

• واجهة سطر الأوامر لتشغيل التنبؤات

• كود إصدار مفتوح المصدر متاح على GitHub

• النموذج 2 متاح عبر وسيطة سطر الأوامر `--model 2`

• يتطلب PyTorch و biopython للوظائف الأساسية

البدء مع OmegaFold

1. 1

   إعداد البيئة: قم بتثبيت OmegaFold عبر pip أو استنسخ المستودع وقم بتشغيل setup.py

2. 2

   إعداد الإدخال: قم بإنشاء ملف FASTA بتسلسلات البروتينات

3. 3

   تشغيل التنبؤ: قم بتنفيذ `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` أو `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`

4. 4

   تكوين المعلمات: قم بتعديل `--subbatch_size` لتحسين الذاكرة أو `--num_cycle` للمفاضلة في الجودة

5. 5

   الوصول إلى النتائج: استرجع ملفات PDB التي تم إنشاؤها من دليل الإخراج

6. 6

   استخدام تسريع macOS: قم بتثبيت أحدث إصدار ليلي من PyTorch واستخدم `python main.py`

7. 7

   استكشاف الخيارات: قم بتشغيل `omegifold --help` للحصول على وسائط سطر الأوامر التفصيلية

حالات استخدام OmegaFold

• التنبؤ ببنية البروتين
• أبحاث البيولوجيا الهيكلية
• اكتشاف الأدوية
• تحليل المعلوماتية الحيوية
• الكيمياء الحاسوبية
• الأبحاث الجينومية

الأسئلة الشائعة من OmegaFold

• ما هو استخدام OmegaFold؟

  يُستخدم OmegaFold للتنبؤ ببنية البروتين عالية الدقة من الصفر (de novo)، وإنشاء هياكل بروتينية ثلاثية الأبعاد مباشرة من تسلسلات الأحماض الأمينية الأولية.

• كيف يقلل OmegaFold من استخدام GRAM؟

  تم تحسين OmegaFold لتقليل استخدام GRAM، مما يسمح بالاستدلال على تسلسلات البروتينات الأطول على وحدات معالجة الرسومات بذاكرة أقل، خاصة من خلال إعدادات `--subbatch_size` القابلة للتعديل.

• هل يمكن تشغيل OmegaFold على macOS؟

  نعم، يدعم OmegaFold تسريع MPS (Apple Silicon) على macOS إذا تم تثبيت أحدث إصدار ليلي من PyTorch. يحتاج المستخدمون إلى استنساخ المستودع والتشغيل عبر `python main.py`.

• ما هو الحد الأقصى لطول تسلسل البروتين الذي يمكن لـ OmegaFold التعامل معه؟

  مع تكوينات محددة (مثل NVIDIA A100 80 جيجابايت، `--subbatch_size` 448)، يمكن لـ OmegaFold الاستدلال على تسلسلات البروتينات التي يصل طولها إلى 4096 بقية.

• كيف يمكنني تعديل المفاضلة بين السرعة والذاكرة مع OmegaFold؟

  يمكنك تعديل المعلمة `--subbatch_size` للمفاضلة بين وقت الحساب واستخدام GRAM. يتطلب `--subbatch_size` أقل ذاكرة ولكنه قد يستغرق وقتًا أطول.

• ما هو الإخراج الذي يقدمه OmegaFold؟

  ينتج OmegaFold ملف PDB واحد لكل تسلسل إدخال، ويتم حفظه في دليل إخراج محدد. يتم تضمين قيم الثقة في عمود b-factor لملفات PDB.

• كيف أقوم بتثبيت OmegaFold؟

  يمكنك تثبيت OmegaFold باستخدام pip: `pip install git+https://github.com/HeliXonProtein/OmegaFold.git`، أو عن طريق استنساخ المستودع وتشغيل `python setup.py install`.

• ما هي التبعيات اللازمة لتشغيل OmegaFold؟

  تتطلب الوظائف الأساسية تثبيت أحدث إصدار من PyTorch و biopython. بالنسبة لنظام macOS، يُوصى بأحدث إصدار ليلي من PyTorch لتسريع MPS.

• هل يمكنني التأثير على جودة التنبؤ؟

  نعم، يمكنك المفاضلة بين وقت الحساب وجودة التنبؤ المتوسطة عن طريق تغيير المعلمة `--num_cycle`.

• أين يمكنني العثور على مزيد من المعلومات حول معلمات OmegaFold؟

  يمكنك العثور على مزيد من المعلومات حول معلمات OmegaFold عن طريق تشغيل `omegifold --help` في الطرفية الخاصة بك.

• كيف يجب أن أستشهد بـ OmegaFold إذا استخدمته؟

  يجب عليك الاستشهاد بالورقة البحثية: Wu, Ruidong, et al. "High-resolution de novo structure prediction from primary sequence." bioRxiv (2022).

• ما هو النموذج 2 في OmegaFold؟

  النموذج 2 هو إصدار محدث من نموذج OmegaFold يمكن استخدامه عن طريق تعيين `--model 2` في سطر الأوامر، مما يوفر تحسينات محتملة.