Descrição
OmegaFold é um modelo de IA de ponta projetado para predição de estrutura de proteínas de novo em alta resolução, diretamente de sequências primárias de aminoácidos. Este código de lançamento fornece acesso ao modelo descrito no artigo "High-resolution de novo structure prediction from primary sequence." O projeto visa a otimização contínua, focando na redução dos requisitos de GRAM para inferência de proteínas longas e no lançamento de modelos mais poderosos.
Os principais avanços no OmegaFold incluem a redução significativa de GRAM, permitindo a inferência de sequências de proteínas de até 4096 resíduos em uma GPU NVIDIA A100 com 80 GB de memória ao usar configurações específicas de `--subbatch_size`. A sensibilidade do modelo ao `--subbatch_size` é destacada, oferecendo um trade-off entre tempo de computação e uso de memória. Os usuários podem ajustar este parâmetro para gerenciar limitações de memória da GPU, com a sugestão de reduzir o valor pela metade se surgirem problemas de memória.
Para usuários de macOS, o OmegaFold suporta aceleração MPS (Apple Silicon), desde que a versão noturna mais recente do PyTorch esteja instalada. O código atual requer que os usuários de macOS clônem o repositório e executem o modelo usando `python main.py`. O processo de configuração envolve a instalação da ferramenta via pip ou clonagem do repositório e execução de `python setup.py install`. O formato de entrada é um arquivo FASTA padrão, e a saída inclui um arquivo PDB por sequência, com valores de confiança incorporados na coluna b-factor dos arquivos PDB.
OmegaFold oferece flexibilidade no balanceamento da qualidade da predição e do uso de recursos. Os usuários podem modificar `--subbatch_size` para trocar tempo de computação por GRAM, ou ajustar `--num_cycle` para trocar tempo de computação por qualidade média de predição. Mais detalhes e opções podem ser acessados através do comando `omegifold --help`. O projeto incentiva a citação do artigo de pesquisa associado por sua utilidade.
Os desenvolvedores estão comprometidos em melhorar a facilidade de uso e expandir as capacidades do modelo. Espera-se que futuras atualizações aprimorem ainda mais o desempenho e a acessibilidade para uma gama mais ampla de usuários e ambientes computacionais. Este lançamento de código aberto facilita a pesquisa e o desenvolvimento em biologia estrutural e descoberta de medicamentos.
Destaques de OmegaFold
Predição de estrutura de proteína de novo em alta resolução a partir da sequência primária
Redução significativa de GRAM para inferência de proteínas longas
Suporta sequências de proteínas de até 4096 resíduos em NVIDIA A100 (80GB)
`--subbatch_size` ajustável para trade-off memória-tempo
Suporte à aceleração MPS (Apple Silicon) para usuários de macOS
Valores de confiança fornecidos na coluna b-factor do PDB
Opção de trocar tempo de computação por qualidade de predição via `--num_cycle`
Interface de linha de comando para executar predições
Código de lançamento de código aberto disponível no GitHub
Modelo 2 disponível via argumento de linha de comando `--model 2`
Requer PyTorch e biopython para funcionalidade básica
Primeiros passos com OmegaFold
Configurar ambiente: Instalar OmegaFold via pip ou clonar repositório e executar setup.py
Preparar entrada: Criar um arquivo FASTA com sequências de proteínas
Executar predição: Executar `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` ou `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`
Configurar parâmetros: Ajustar `--subbatch_size` para otimização de memória ou `--num_cycle` para trade-off de qualidade
Acessar resultados: Recuperar arquivos PDB gerados do diretório de saída
Utilizar aceleração macOS: Instalar a versão noturna mais recente do PyTorch e usar `python main.py`
Explorar opções: Executar `omegifold --help` para argumentos detalhados da linha de comando
Casos de uso de OmegaFold
- Predição de Estrutura de Proteínas
- Pesquisa em Biologia Estrutural
- Descoberta de Medicamentos
- Análise Bioinformática
- Química Computacional
- Pesquisa Genômica
