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.
قراءة المزيد
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.
- الفئةالاكتشاف العلمي وأدوات المختبر
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتmacOS
الميزات الأساسية لـ 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
إعداد البيئة: قم بتثبيت OmegaFold عبر pip أو استنسخ المستودع وقم بتشغيل setup.py
إعداد الإدخال: قم بإنشاء ملف FASTA بتسلسلات البروتينات
تشغيل التنبؤ: قم بتنفيذ `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` أو `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`
تكوين المعلمات: قم بتعديل `--subbatch_size` لتحسين الذاكرة أو `--num_cycle` للمفاضلة في الجودة
الوصول إلى النتائج: استرجع ملفات PDB التي تم إنشاؤها من دليل الإخراج
استخدام تسريع macOS: قم بتثبيت أحدث إصدار ليلي من PyTorch واستخدم `python main.py`
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
