OmegaFold

Описание

OmegaFold — это передовая модель ИИ, разработанная для предсказания структуры белков de novo с высоким разрешением непосредственно из первичных аминокислотных последовательностей. Этот релиз кода предоставляет доступ к модели, описанной в статье "High-resolution de novo structure prediction from primary sequence". Проект нацелен на постоянную оптимизацию, фокусируясь на снижении требований к GRAM для инференса длинных белков и выпуске более мощных моделей.

Ключевые достижения OmegaFold включают значительное снижение требований к GRAM, что позволяет выполнять инференс белковых последовательностей длиной до 4096 остатков на GPU NVIDIA A100 с 80 ГБ памяти при использовании определенных настроек `--subbatch_size`. Подчеркивается чувствительность модели к `--subbatch_size`, предлагая компромисс между временем вычислений и использованием памяти. Пользователи могут регулировать этот параметр для управления ограничениями памяти GPU, с рекомендацией уменьшить значение вдвое при возникновении проблем с памятью.

Для пользователей macOS OmegaFold поддерживает ускорение MPS (Apple Silicon) при условии установки последней ночной версии PyTorch. Текущий код требует от пользователей macOS клонировать репозиторий и запускать модель с помощью `python main.py`. Процесс установки включает установку инструмента через pip или клонирование репозитория и запуск `python setup.py install`. Формат ввода — стандартный файл FASTA, а вывод включает один файл PDB на последовательность, с значениями уверенности, встроенными в столбец b-фактора файлов PDB.

OmegaFold предлагает гибкость в балансировке качества предсказания и использования ресурсов. Пользователи могут изменять `--subbatch_size` для компромисса между временем вычислений и GRAM, или настраивать `--num_cycle` для компромисса между временем вычислений и средним качеством предсказания. Дополнительные сведения и опции доступны через команду `omegifold --help`. Проект призывает цитировать соответствующую исследовательскую статью при использовании его возможностей.

Разработчики стремятся улучшить простоту использования и расширить возможности модели. Ожидается, что будущие обновления еще больше повысят производительность и доступность для более широкого круга пользователей и вычислительных сред. Этот релиз с открытым исходным кодом способствует исследованиям и разработкам в области структурной биологии и открытия лекарств.

Главное о OmegaFold

• Предсказание структуры белков de novo с высоким разрешением по первичной последовательности

• Значительное снижение требований к GRAM для инференса длинных белков

• Поддержка белковых последовательностей до 4096 остатков на NVIDIA A100 (80 ГБ)

• Настраиваемый `--subbatch_size` для компромисса между памятью и временем

• Поддержка ускорения MPS (Apple Silicon) для пользователей macOS

• Значения уверенности предоставляются в столбце b-фактора PDB

• Опция для компромисса между временем вычислений и качеством предсказания через `--num_cycle`

• Интерфейс командной строки для запуска предсказаний

• Код релиза с открытым исходным кодом доступен на GitHub

• Модель 2 доступна через аргумент командной строки `--model 2`

• Требует PyTorch и biopython для базовой функциональности

Начало работы с OmegaFold

1. 1

   Настройка среды: Установите OmegaFold через pip или клонируйте репозиторий и запустите setup.py

2. 2

   Подготовка ввода: Создайте файл FASTA с белковыми последовательностями

3. 3

   Запуск предсказания: Выполните `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` или `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`

4. 4

   Настройка параметров: Отрегулируйте `--subbatch_size` для оптимизации памяти или `--num_cycle` для компромисса качества

5. 5

   Доступ к результатам: Получите сгенерированные файлы PDB из выходного каталога

6. 6

   Использование ускорения macOS: Установите последнюю ночную версию PyTorch и используйте `python main.py`

7. 7

   Изучение опций: Запустите `omegifold --help` для получения подробных аргументов командной строки

Варианты использования OmegaFold

• Предсказание структуры белка
• Исследования в области структурной биологии
• Разработка лекарств
• Биоинформатический анализ
• Вычислительная химия
• Геномные исследования

Часто задаваемые вопросы OmegaFold

• Для чего используется OmegaFold?

  OmegaFold используется для предсказания структуры белков de novo с высоким разрешением, генерируя 3D-структуры белков непосредственно из первичных аминокислотных последовательностей.

• Как OmegaFold снижает использование GRAM?

  OmegaFold был оптимизирован для снижения использования GRAM, позволяя выполнять инференс более длинных белковых последовательностей на GPU с меньшим объемом памяти, особенно за счет настраиваемых параметров `--subbatch_size`.

• Может ли OmegaFold работать на macOS?

  Да, OmegaFold поддерживает ускорение MPS (Apple Silicon) на macOS при установке последней ночной версии PyTorch. Пользователям необходимо клонировать репозиторий и запускать через `python main.py`.

• Какова максимальная длина белковой последовательности, которую может обрабатывать OmegaFold?

  При определенных конфигурациях (например, NVIDIA A100 80 ГБ, `--subbatch_size` 448) OmegaFold может выполнять инференс белковых последовательностей длиной до 4096 остатков.

• Как я могу настроить компромисс между скоростью и памятью с OmegaFold?

  Вы можете настроить параметр `--subbatch_size` для компромисса между временем вычислений и использованием GRAM. Более низкое значение `--subbatch_size` требует меньше памяти, но может занять больше времени.

• Какой вывод предоставляет OmegaFold?

  OmegaFold генерирует один файл PDB для каждой входной последовательности, сохраняя его в указанном выходном каталоге. Значения уверенности включены в столбец b-фактора файлов PDB.

• Как установить OmegaFold?

  Вы можете установить OmegaFold с помощью pip: `pip install git+https://github.com/HeliXonProtein/OmegaFold.git`, или клонировав репозиторий и запустив `python setup.py install`.

• Каковы зависимости для запуска OmegaFold?

  Базовая функциональность требует установки последней версии PyTorch и biopython. Для macOS рекомендуется последняя ночная версия PyTorch для ускорения MPS.

• Могу ли я повлиять на качество предсказания?

  Да, вы можете компромиссом между временем вычислений и средним качеством предсказания, изменяя параметр `--num_cycle`.

• Где я могу найти больше информации о параметрах OmegaFold?

  Вы можете найти больше информации о параметрах OmegaFold, запустив `omegifold --help` в вашем терминале.

• Как мне цитировать OmegaFold, если я его использую?

  Вы должны цитировать статью: Wu, Ruidong, et al. "High-resolution de novo structure prediction from primary sequence." bioRxiv (2022).

• Что такое Модель 2 в OmegaFold?

  Модель 2 — это обновленная версия модели OmegaFold, которую можно использовать, установив `--model 2` в командной строке, что потенциально обеспечивает улучшения.