Description
EquiBind est un modèle d'apprentissage profond géométrique SE(3)-équivariant de pointe, conçu pour la prédiction rapide des structures de liaison protéine-ligand en 3D. Il excelle dans les prédictions directes ('direct-shot'), ce qui signifie qu'il peut déterminer simultanément l'emplacement de liaison sur une protéine (docking aveugle) et la pose et l'orientation précises d'une petite molécule de ligand dans ce site de liaison.
Lire la suite
Cette approche exploite les principes de l'apprentissage profond géométrique pour obtenir des accélérations significatives par rapport aux méthodes de docking conventionnelles et même aux bases de référence plus récentes. L'architecture du modèle est conçue pour gérer les complexités des interactions moléculaires en trois dimensions, ce qui en fait un outil puissant pour les chercheurs en chimie computationnelle et en biologie structurale.
EquiBind est particulièrement précieux pour accélérer les pipelines de découverte de médicaments. En fournissant des prédictions rapides et précises des poses de liaison, il permet aux chercheurs de cribler plus efficacement les candidats médicaments potentiels et d'acquérir une compréhension plus approfondie des interactions moléculaires. Le modèle peut prédire les structures de liaison pour des paires protéine-ligand fournies par l'utilisateur, nécessitant des formats de fichiers d'entrée spécifiques pour le ligand et le récepteur.
Le projet fournit des instructions claires pour la configuration de l'environnement, y compris des options pour les GPU compatibles CUDA ou les configurations uniquement sur CPU. Les utilisateurs peuvent ensuite exécuter l'inférence à l'aide des poids de modèle fournis ou entraîner leurs propres modèles. La sortie comprend les structures de liaison prédites au format SDF et les prédictions tensorielles pour une analyse plus approfondie. Le projet fait également référence à DiffDock, un modèle successeur qui améliore encore les capacités d'EquiBind.
EquiBind est open-source et disponible sur GitHub, favorisant la collaboration et le développement continu au sein de la communauté scientifique. Son accent sur la vitesse et la précision en fait un outil indispensable pour les chercheurs visant à comprendre et à concevoir les interactions moléculaires.
- CatégorieDécouverte scientifique et outils de laboratoire
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesLinux, Windows
Fonctionnalités principales de EquiBind
Modèle d'apprentissage profond géométrique SE(3)-équivariant
Prédiction directe des structures de liaison protéine-ligand
Prédit l'emplacement de liaison du récepteur (docking aveugle)
Prédit la pose et l'orientation liées du ligand
Atteint des accélérations significatives par rapport aux bases de référence traditionnelles
Prend en charge les formats de fichiers ligand .mol2, .sdf, .pdbqt et .pdb
Prend en charge les formats de fichiers récepteur .pdb
Fournit des scripts d'inférence pour prédire les structures de liaison
Comprend des scripts pour entraîner des modèles personnalisés
Offre une configuration d'environnement pour les GPU CUDA et les configurations uniquement sur CPU
Produit les résultats au format .sdf et des fichiers tensoriels
Premiers pas avec EquiBind
Configuration de l'environnement : Clonez le dépôt et créez un nouvel environnement Conda en utilisant `environment.yml` ou `environment_cpuonly.yml` fourni.
Préparation des données d'entrée : Organisez les fichiers ligand (.mol2, .sdf, .pdbqt, .pdb) et récepteur (.pdb) dans un répertoire structuré.
Configuration de l'inférence : Définissez le chemin d'accès à votre dossier de données d'entrée dans le fichier de configuration `inference.yml`.
Exécution de la prédiction : Exécutez le script `inference.py` avec le fichier de configuration spécifié pour prédire les structures de liaison.
Analyse des résultats : Examinez les fichiers .sdf générés contenant les poses de liaison prédites et les sorties tensorielles pour une analyse plus approfondie.
Cas d'utilisation de EquiBind
- Découverte de médicaments
- Biologie structurale
- Docking protéine-ligand
- Chimie computationnelle
- Recherche en bioinformatique
