Beschreibung
OmegaFold ist ein hochmodernes KI-Modell, das für die hochauflösende de novo-Vorhersage von Proteinstrukturen direkt aus primären Aminosäuresequenzen entwickelt wurde. Dieser Release-Code bietet Zugriff auf das im Paper „High-resolution de novo structure prediction from primary sequence“ beschriebene Modell. Das Projekt zielt auf eine kontinuierliche Optimierung ab, mit dem Fokus auf die Reduzierung der GRAM-Anforderungen für die Inferenz langer Proteine und die Veröffentlichung leistungsfähigerer Modelle.
Weiterlesen
Zu den wichtigsten Fortschritten bei OmegaFold gehören eine signifikante GRAM-Reduzierung, die die Inferenz von Proteinen mit bis zu 4096 Aminosäuren auf einer NVIDIA A100 GPU mit 80 GB Speicher bei Verwendung spezifischer `--subbatch_size`-Einstellungen ermöglicht. Die Empfindlichkeit des Modells gegenüber `--subbatch_size` wird hervorgehoben und bietet einen Kompromiss zwischen Rechenzeit und Speicherverbrauch. Benutzer können diesen Parameter anpassen, um GPU-Speicherbeschränkungen zu verwalten, wobei empfohlen wird, den Wert bei Speicherproblemen zu halbieren.
Für macOS-Benutzer unterstützt OmegaFold die MPS-Beschleunigung (Apple Silicon), vorausgesetzt, die neueste Nightly-Version von PyTorch ist installiert. Der aktuelle Code erfordert, dass macOS-Benutzer das Repository klonen und das Modell mit `python main.py` ausführen. Der Einrichtungsprozess umfasst die Installation des Tools über pip oder das Klonen des Repositorys und die Ausführung von `python setup.py install`. Das Eingabeformat ist eine Standard-FASTA-Datei, und die Ausgabe enthält eine PDB-Datei pro Sequenz, wobei Konfidenzwerte in die B-Faktor-Spalte der PDB-Dateien eingebettet sind.
OmegaFold bietet Flexibilität bei der Abwägung von Vorhersagequalität und Ressourcennutzung. Benutzer können `--subbatch_size` ändern, um Rechenzeit gegen GRAM einzutauschen, oder `--num_cycle` anpassen, um Rechenzeit gegen durchschnittliche Vorhersagequalität einzutauschen. Weitere Details und Optionen sind über den Befehl `omegifold --help` zugänglich. Das Projekt ermutigt zur Zitierung des zugehörigen Forschungsartikels für seine Nützlichkeit.
Die Entwickler sind bestrebt, die Benutzerfreundlichkeit zu verbessern und die Fähigkeiten des Modells zu erweitern. Zukünftige Updates werden voraussichtlich die Leistung und Zugänglichkeit für eine breitere Palette von Benutzern und Rechenumgebungen weiter verbessern. Diese Open-Source-Veröffentlichung erleichtert Forschung und Entwicklung in der Strukturbiologie und der Wirkstoffentdeckung.
- KategorieWissenschaftliche Entdeckung & Laborwerkzeuge
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenmacOS
OmegaFold's Kernfunktionen
Hochauflösende de novo-Vorhersage von Proteinstrukturen aus primärer Sequenz
Signifikante GRAM-Reduzierung für die Inferenz langer Proteine
Unterstützt Proteine mit bis zu 4096 Aminosäuren auf NVIDIA A100 (80GB)
Einstellbare `--subbatch_size` für Kompromiss zwischen Speicher und Zeit
Unterstützung für MPS-Beschleunigung (Apple Silicon) für macOS-Benutzer
Konfidenzwerte in der PDB-B-Faktor-Spalte
Option zum Tausch von Rechenzeit gegen Vorhersagequalität über `--num_cycle`
Kommandozeilenschnittstelle zur Ausführung von Vorhersagen
Open-Source-Release-Code auf GitHub verfügbar
Modell 2 über das Kommandozeilenargument `--model 2` verfügbar
Benötigt PyTorch und biopython für grundlegende Funktionalität
Erste Schritte mit OmegaFold
Umgebung einrichten: OmegaFold über pip installieren oder Repository klonen und setup.py ausführen
Eingabe vorbereiten: FASTA-Datei mit Proteinequenzen erstellen
Vorhersage ausführen: `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` oder `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY` ausführen
Parameter konfigurieren: `--subbatch_size` für Speicheroptimierung oder `--num_cycle` für Qualitätskompromiss anpassen
Ergebnisse abrufen: Generierte PDB-Dateien aus dem Ausgabeverzeichnis abrufen
macOS-Beschleunigung nutzen: Neueste PyTorch Nightly installieren und `python main.py` verwenden
Optionen erkunden: `omegifold --help` für detaillierte Kommandozeilenargumente ausführen
OmegaFold's Anwendungsfälle
- Vorhersage von Proteinstrukturen
- Forschung in der Strukturbiologie
- Wirkstoffentdeckung
- Bioinformatische Analyse
- Computerchemie
- Genomforschung
