OmegaFold

Descripción

OmegaFold es un modelo de IA de vanguardia diseñado para la predicción de estructura de proteínas de novo de alta resolución, directamente a partir de secuencias primarias de aminoácidos. Este código de lanzamiento proporciona acceso al modelo descrito en el artículo "High-resolution de novo structure prediction from primary sequence". El proyecto tiene como objetivo la optimización continua, centrándose en reducir los requisitos de GRAM para la inferencia de proteínas largas y lanzar modelos más potentes.

Los avances clave en OmegaFold incluyen una reducción significativa de GRAM, lo que permite la inferencia de secuencias de proteínas de hasta 4096 residuos en una GPU NVIDIA A100 con 80 GB de memoria cuando se utilizan configuraciones específicas de `--subbatch_size`. Se destaca la sensibilidad del modelo a `--subbatch_size`, ofreciendo un compromiso entre el tiempo de computación y el uso de memoria. Los usuarios pueden ajustar este parámetro para gestionar las limitaciones de memoria de la GPU, con la sugerencia de reducir el valor a la mitad si surgen problemas de memoria.

Para los usuarios de macOS, OmegaFold soporta la aceleración MPS (Apple Silicon), siempre que se instale la última versión nocturna de PyTorch. El código actual requiere que los usuarios de macOS clonen el repositorio y ejecuten el modelo usando `python main.py`. El proceso de configuración implica la instalación de la herramienta a través de pip o clonando el repositorio y ejecutando `python setup.py install`. El formato de entrada es un archivo FASTA estándar, y la salida incluye un archivo PDB por secuencia, con valores de confianza incrustados en la columna b-factor de los archivos PDB.

OmegaFold ofrece flexibilidad para equilibrar la calidad de la predicción y el uso de recursos. Los usuarios pueden modificar `--subbatch_size` para intercambiar tiempo de computación por GRAM, o ajustar `--num_cycle` para intercambiar tiempo de computación por calidad de predicción promedio. Se puede acceder a más detalles y opciones a través del comando `omegifold --help`. El proyecto fomenta la citación del artículo de investigación asociado por su utilidad.

Los desarrolladores están comprometidos a mejorar la facilidad de uso y expandir las capacidades del modelo. Se espera que las futuras actualizaciones mejoren aún más el rendimiento y la accesibilidad para una gama más amplia de usuarios y entornos computacionales. Este lanzamiento de código abierto facilita la investigación y el desarrollo en biología estructural y descubrimiento de fármacos.

Aspectos destacados de OmegaFold

• Predicción de estructura de proteínas de novo de alta resolución a partir de secuencia primaria

• Reducción significativa de GRAM para la inferencia de proteínas largas

• Soporta secuencias de proteínas de hasta 4096 residuos en NVIDIA A100 (80GB)

• `--subbatch_size` ajustable para el compromiso memoria-tiempo

• Soporte de aceleración MPS (Apple Silicon) para usuarios de macOS

• Valores de confianza proporcionados en la columna b-factor de PDB

• Opción de intercambiar tiempo de computación por calidad de predicción a través de `--num_cycle`

• Interfaz de línea de comandos para ejecutar predicciones

• Código de lanzamiento de código abierto disponible en GitHub

• Modelo 2 disponible a través del argumento de línea de comandos `--model 2`

• Requiere PyTorch y biopython para funcionalidad básica

Primeros pasos con OmegaFold

1. 1

   Configurar entorno: Instalar OmegaFold vía pip o clonar repositorio y ejecutar setup.py

2. 2

   Preparar entrada: Crear un archivo FASTA con secuencias de proteínas

3. 3

   Ejecutar predicción: Ejecutar `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` o `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`

4. 4

   Configurar parámetros: Ajustar `--subbatch_size` para optimización de memoria o `--num_cycle` para compromiso de calidad

5. 5

   Acceder a resultados: Recuperar archivos PDB generados del directorio de salida

6. 6

   Utilizar aceleración macOS: Instalar la última versión nocturna de PyTorch y usar `python main.py`

7. 7

   Explorar opciones: Ejecutar `omegifold --help` para argumentos detallados de línea de comandos

Casos de uso de OmegaFold

• Predicción de Estructura de Proteínas
• Investigación en Biología Estructural
• Descubrimiento de Fármacos
• Análisis Bioinformático
• Química Computacional
• Investigación Genómica

Preguntas frecuentes de OmegaFold

• ¿Para qué se utiliza OmegaFold?

  OmegaFold se utiliza para la predicción de estructura de proteínas de novo de alta resolución, generando estructuras de proteínas en 3D directamente a partir de secuencias primarias de aminoácidos.

• ¿Cómo reduce OmegaFold el uso de GRAM?

  OmegaFold ha sido optimizado para reducir el uso de GRAM, permitiendo la inferencia de secuencias de proteínas más largas en GPUs con menos memoria, particularmente a través de configuraciones ajustables de `--subbatch_size`.

• ¿Puede OmegaFold ejecutarse en macOS?

  Sí, OmegaFold soporta la aceleración MPS (Apple Silicon) en macOS si se instala la última versión nocturna de PyTorch. Los usuarios deben clonar el repositorio y ejecutar a través de `python main.py`.

• ¿Cuál es la longitud máxima de secuencia de proteína que puede manejar OmegaFold?

  Con configuraciones específicas (por ejemplo, NVIDIA A100 80GB, `--subbatch_size` 448), OmegaFold puede inferir secuencias de proteínas de hasta 4096 residuos.

• ¿Cómo puedo ajustar el compromiso entre velocidad y memoria con OmegaFold?

  Puede ajustar el parámetro `--subbatch_size` para intercambiar tiempo de computación por uso de GRAM. Un `--subbatch_size` menor requiere menos memoria pero puede tardar más.

• ¿Qué salida proporciona OmegaFold?

  OmegaFold produce un archivo PDB por cada secuencia de entrada, guardado en un directorio de salida especificado. Los valores de confianza se incluyen en la columna b-factor de los archivos PDB.

• ¿Cómo instalo OmegaFold?

  Puede instalar OmegaFold usando pip: `pip install git+https://github.com/HeliXonProtein/OmegaFold.git`, o clonando el repositorio y ejecutando `python setup.py install`.

• ¿Cuáles son las dependencias para ejecutar OmegaFold?

  La funcionalidad básica requiere la instalación de la última versión de PyTorch y biopython. Para macOS, se recomienda la última versión nocturna de PyTorch para la aceleración MPS.

• ¿Puedo influir en la calidad de la predicción?

  Sí, puede intercambiar tiempo de computación por calidad de predicción promedio cambiando el parámetro `--num_cycle`.

• ¿Dónde puedo encontrar más información sobre los parámetros de OmegaFold?

  Puede encontrar más información sobre los parámetros de OmegaFold ejecutando `omegifold --help` en su terminal.

• ¿Cómo debo citar OmegaFold si lo uso?

  Debe citar el artículo: Wu, Ruidong, et al. "High-resolution de novo structure prediction from primary sequence." bioRxiv (2022).

• ¿Qué es el Modelo 2 en OmegaFold?

  El Modelo 2 es una versión actualizada del modelo OmegaFold que se puede usar configurando `--model 2` en la línea de comandos, ofreciendo posibles mejoras.