Deskripsi
OmegaFold adalah model AI mutakhir yang dirancang untuk prediksi struktur protein de novo resolusi tinggi, langsung dari urutan asam amino primer. Rilis kode ini menyediakan akses ke model yang dijelaskan dalam makalah "High-resolution de novo structure prediction from primary sequence." Proyek ini bertujuan untuk optimasi berkelanjutan, berfokus pada pengurangan persyaratan GRAM untuk inferensi protein panjang dan merilis model yang lebih kuat.
Baca Selengkapnya
Kemajuan utama dalam OmegaFold meliputi pengurangan GRAM yang signifikan, memungkinkan inferensi urutan protein hingga 4096 residu pada GPU NVIDIA A100 dengan memori 80 GB saat menggunakan pengaturan `--subbatch_size` tertentu. Sensitivitas model terhadap `--subbatch_size` disorot, menawarkan trade-off antara waktu komputasi dan penggunaan memori. Pengguna dapat menyesuaikan parameter ini untuk mengelola batasan memori GPU, dengan saran untuk membagi dua nilainya jika terjadi masalah memori.
Untuk pengguna macOS, OmegaFold mendukung akselerasi MPS (Apple Silicon), asalkan versi nightly terbaru PyTorch terinstal. Kode saat ini mengharuskan pengguna macOS untuk mengkloning repositori dan menjalankan model menggunakan `python main.py`. Proses penyiapan melibatkan instalasi alat melalui pip atau mengkloning repositori dan menjalankan `python setup.py install`. Format input adalah file FASTA standar, dan outputnya mencakup satu file PDB per urutan, dengan nilai kepercayaan yang disematkan di kolom b-factor dari file PDB.
OmegaFold menawarkan fleksibilitas dalam menyeimbangkan kualitas prediksi dan penggunaan sumber daya. Pengguna dapat memodifikasi `--subbatch_size` untuk menukar waktu komputasi dengan GRAM, atau menyesuaikan `--num_cycle` untuk menukar waktu komputasi dengan kualitas prediksi rata-rata. Detail dan opsi lebih lanjut dapat diakses melalui perintah `omegifold --help`. Proyek ini mendorong sitasi makalah penelitian terkait atas kegunaannya.
Pengembang berkomitmen untuk meningkatkan kemudahan penggunaan dan memperluas kemampuan model. Pembaruan di masa mendatang diharapkan dapat lebih meningkatkan kinerja dan aksesibilitas untuk berbagai pengguna dan lingkungan komputasi. Rilis open-source ini memfasilitasi penelitian dan pengembangan dalam biologi struktural dan penemuan obat.
- KategoriPenemuan Ilmiah & Alat Laboratorium
- Model HargaOpen source
- PenerapanCloud, Di-host sendiri
- PlatformmacOS
Fitur Inti OmegaFold
Prediksi struktur protein de novo resolusi tinggi dari urutan primer
Pengurangan GRAM signifikan untuk inferensi protein panjang
Mendukung urutan protein hingga 4096 residu pada NVIDIA A100 (80GB)
`--subbatch_size` yang dapat disesuaikan untuk trade-off memori-waktu
Dukungan akselerasi MPS (Apple Silicon) untuk pengguna macOS
Nilai kepercayaan disediakan di kolom b-factor PDB
Opsi untuk menukar waktu komputasi dengan kualitas prediksi melalui `--num_cycle`
Antarmuka baris perintah untuk menjalankan prediksi
Kode rilis open-source tersedia di GitHub
Model 2 tersedia melalui argumen baris perintah `--model 2`
Membutuhkan PyTorch dan biopython untuk fungsionalitas dasar
Memulai dengan OmegaFold
Siapkan lingkungan: Instal OmegaFold melalui pip atau kloning repositori dan jalankan setup.py
Siapkan input: Buat file FASTA dengan urutan protein
Jalankan prediksi: Eksekusi `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` atau `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`
Konfigurasi parameter: Sesuaikan `--subbatch_size` untuk optimasi memori atau `--num_cycle` untuk trade-off kualitas
Akses hasil: Ambil file PDB yang dihasilkan dari direktori output
Manfaatkan akselerasi macOS: Instal PyTorch nightly terbaru dan gunakan `python main.py`
Jelajahi opsi: Jalankan `omegifold --help` untuk argumen baris perintah terperinci
Kasus Penggunaan OmegaFold
- Prediksi Struktur Protein
- Penelitian Biologi Struktural
- Penemuan Obat
- Analisis Bioinformatika
- Kimia Komputasi
- Penelitian Genomik
