Descripción
EquiBind es un modelo de aprendizaje profundo geométrico SE(3)-equivariante de vanguardia diseñado para la predicción rápida de estructuras de unión proteína-ligando en 3D. Sobresale en la realización de predicciones directas, lo que significa que puede determinar simultáneamente la ubicación de unión en una proteína (acoplamiento ciego) y la pose y orientación precisas de un ligando de molécula pequeña dentro de ese sitio de unión.
Leer más
Este enfoque aprovecha los principios del aprendizaje profundo geométrico para lograr aceleraciones significativas en comparación con los métodos de acoplamiento convencionales e incluso con líneas de base más recientes. La arquitectura del modelo está construida para manejar las complejidades de las interacciones moleculares en tres dimensiones, lo que lo convierte en una herramienta poderosa para investigadores en química computacional y biología estructural.
EquiBind es particularmente valioso para acelerar los flujos de trabajo de descubrimiento de fármacos. Al proporcionar predicciones rápidas y precisas de las poses de unión, permite a los investigadores examinar candidatos a fármacos potenciales de manera más eficiente y obtener una comprensión más profunda de las interacciones moleculares. El modelo puede predecir estructuras de unión para pares proteína-ligando proporcionados por el usuario, requiriendo formatos de archivo de entrada específicos tanto para el ligando como para el receptor.
El proyecto proporciona instrucciones claras para configurar el entorno, incluidas opciones para GPUs con CUDA o configuraciones solo de CPU. Los usuarios pueden ejecutar la inferencia utilizando los pesos del modelo proporcionados o entrenar sus propios modelos. La salida incluye estructuras de unión predichas en formato SDF y predicciones de tensores para análisis posteriores. El proyecto también hace referencia a DiffDock, un modelo sucesor que mejora aún más las capacidades de EquiBind.
EquiBind es de código abierto y está disponible en GitHub, lo que fomenta la colaboración y el desarrollo continuo dentro de la comunidad científica. Su enfoque en la velocidad y la precisión lo convierte en una herramienta indispensable para los investigadores que buscan comprender y diseñar interacciones moleculares.
- CategoríaDescubrimiento científico y herramientas de laboratorio
- Modelo de preciosCódigo abierto
- ImplementaciónNube, Autoalojado
- PlataformasLinux, Windows
Características principales de EquiBind
Modelo de aprendizaje profundo geométrico SE(3)-equivariante
Predicción directa de estructuras de unión proteína-ligando
Predice la ubicación de unión del receptor (acoplamiento ciego)
Predice la pose y orientación de unión del ligando
Logra aceleraciones significativas en comparación con las líneas de base tradicionales
Soporta formatos de archivo de ligando .mol2, .sdf, .pdbqt y .pdb
Soporta formatos de archivo de receptor .pdb
Proporciona scripts de inferencia para predecir estructuras de unión
Incluye scripts para entrenar modelos personalizados
Ofrece configuración de entorno para GPUs CUDA y configuraciones solo de CPU
Genera resultados en formato .sdf y archivos de tensor
Primeros pasos con EquiBind
Configurar Entorno: Clone el repositorio y cree un nuevo entorno Conda utilizando `environment.yml` o `environment_cpuonly.yml` proporcionado.
Preparar Datos de Entrada: Organice los archivos de ligando (.mol2, .sdf, .pdbqt, .pdb) y receptor (.pdb) en un directorio estructurado.
Configurar Inferencia: Establezca la ruta a su carpeta de datos de entrada en el archivo de configuración `inference.yml`.
Ejecutar Predicción: Ejecute el script `inference.py` con el archivo de configuración especificado para predecir estructuras de unión.
Analizar Resultados: Examine los archivos .sdf generados que contienen las poses de unión predichas y las salidas de tensor para análisis posteriores.
Casos de uso de EquiBind
- Descubrimiento de Fármacos
- Biología Estructural
- Acoplamiento Proteína-Ligando
- Química Computacional
- Investigación en Bioinformática
