Description
OmegaFold est un modèle d'IA de pointe conçu pour la prédiction de structure protéique de novo à haute résolution, directement à partir de séquences d'acides aminés primaires. Ce code de publication donne accès au modèle décrit dans l'article "High-resolution de novo structure prediction from primary sequence." Le projet vise une optimisation continue, en se concentrant sur la réduction des exigences GRAM pour l'inférence de protéines longues et la publication de modèles plus puissants.
Lire la suite
Les avancées clés d'OmegaFold incluent une réduction significative du GRAM, permettant l'inférence de séquences protéiques allant jusqu'à 4096 résidus sur un GPU NVIDIA A100 avec 80 Go de mémoire lors de l'utilisation de paramètres `--subbatch_size` spécifiques. La sensibilité du modèle au `--subbatch_size` est soulignée, offrant un compromis entre le temps de calcul et l'utilisation de la mémoire. Les utilisateurs peuvent ajuster ce paramètre pour gérer les limitations de mémoire du GPU, avec une suggestion de diviser la valeur par deux en cas de problèmes de mémoire.
Pour les utilisateurs de macOS, OmegaFold prend en charge l'accélération MPS (Apple Silicon), à condition que la dernière version nocturne de PyTorch soit installée. Le code actuel exige que les utilisateurs de macOS clonent le dépôt et exécutent le modèle en utilisant `python main.py`. Le processus d'installation implique l'installation de l'outil via pip ou le clonage du dépôt et l'exécution de `python setup.py install`. Le format d'entrée est un fichier FASTA standard, et la sortie comprend un fichier PDB par séquence, avec des valeurs de confiance intégrées dans la colonne b-factor des fichiers PDB.
OmegaFold offre une flexibilité pour équilibrer la qualité de la prédiction et l'utilisation des ressources. Les utilisateurs peuvent modifier `--subbatch_size` pour échanger le temps de calcul contre le GRAM, ou ajuster `--num_cycle` pour échanger le temps de calcul contre la qualité de prédiction moyenne. Des détails et options supplémentaires sont accessibles via la commande `omegifold --help`. Le projet encourage la citation de l'article de recherche associé pour son utilité.
Les développeurs s'engagent à améliorer la facilité d'utilisation et à élargir les capacités du modèle. Des mises à jour futures devraient encore améliorer les performances et l'accessibilité pour un plus large éventail d'utilisateurs et d'environnements informatiques. Ce code de publication open-source facilite la recherche et le développement en biologie structurale et en découverte de médicaments.
- CatégorieDécouverte scientifique et outils de laboratoire
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesmacOS
Fonctionnalités principales de OmegaFold
Prédiction de structure protéique de novo à haute résolution à partir de la séquence primaire
Réduction significative du GRAM pour l'inférence de protéines longues
Prend en charge les séquences protéiques jusqu'à 4096 résidus sur NVIDIA A100 (80 Go)
`--subbatch_size` réglable pour un compromis mémoire-temps
Prise en charge de l'accélération MPS (Apple Silicon) pour les utilisateurs macOS
Valeurs de confiance fournies dans la colonne b-factor du PDB
Option pour échanger le temps de calcul contre la qualité de prédiction via `--num_cycle`
Interface en ligne de commande pour exécuter les prédictions
Code de publication open-source disponible sur GitHub
Modèle 2 disponible via l'argument de ligne de commande `--model 2`
Nécessite PyTorch et biopython pour les fonctionnalités de base
Premiers pas avec OmegaFold
Configuration de l'environnement : Installez OmegaFold via pip ou clonez le dépôt et exécutez setup.py
Préparation de l'entrée : Créez un fichier FASTA avec les séquences protéiques
Exécution de la prédiction : Exécutez `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` ou `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`
Configuration des paramètres : Ajustez `--subbatch_size` pour l'optimisation de la mémoire ou `--num_cycle` pour le compromis de qualité
Accès aux résultats : Récupérez les fichiers PDB générés à partir du répertoire de sortie
Utilisation de l'accélération macOS : Installez la dernière version nocturne de PyTorch et utilisez `python main.py`
Exploration des options : Exécutez `omegifold --help` pour les arguments détaillés de la ligne de commande
Cas d'utilisation de OmegaFold
- Prédiction de structure protéique
- Recherche en biologie structurale
- Découverte de médicaments
- Analyse bioinformatique
- Chimie computationnelle
- Recherche génomique
