Descrição
EquiBind é um modelo de deep learning geométrico SE(3)-equivariante de ponta, projetado para a predição rápida de estruturas 3D de ligação proteína-ligante. Ele se destaca na realização de predições diretas (direct-shot), o que significa que pode determinar simultaneamente o local de ligação em uma proteína (blind docking) e a pose e orientação precisas de uma pequena molécula ligante dentro desse sítio de ligação.
Ler mais
Essa abordagem aproveita os princípios de deep learning geométrico para alcançar acelerações significativas em comparação com métodos de docking convencionais e até mesmo com linhas de base mais recentes. A arquitetura do modelo é construída para lidar com as complexidades das interações moleculares em três dimensões, tornando-o uma ferramenta poderosa para pesquisadores em química computacional e biologia estrutural.
EquiBind é particularmente valioso para acelerar pipelines de descoberta de medicamentos. Ao fornecer predições rápidas e precisas de poses de ligação, ele permite que os pesquisadores avaliem candidatos a medicamentos potenciais de forma mais eficiente e obtenham insights mais profundos sobre interações moleculares. O modelo pode prever estruturas de ligação para pares proteína-ligante fornecidos pelo usuário, exigindo formatos de arquivo de entrada específicos tanto para o ligante quanto para o receptor.
O projeto fornece instruções claras para configurar o ambiente, incluindo opções para GPUs com suporte a CUDA ou configurações apenas de CPU. Os usuários podem então executar a inferência usando pesos de modelo fornecidos ou treinar seus próprios modelos. A saída inclui estruturas de ligação previstas no formato SDF e predições de tensor para análise posterior. O projeto também faz referência ao DiffDock, um modelo sucessor que melhora ainda mais as capacidades do EquiBind.
EquiBind é de código aberto e está disponível no GitHub, promovendo a colaboração e o desenvolvimento contínuo dentro da comunidade científica. Seu foco em velocidade e precisão o torna uma ferramenta indispensável para pesquisadores que visam entender e projetar interações moleculares.
- CategoriaDescoberta científica e ferramentas de laboratório
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasLinux, Windows
Recursos principais de EquiBind
Modelo de deep learning geométrico SE(3)-equivariante
Predição direta de estruturas de ligação proteína-ligante
Prevê o local de ligação do receptor (blind docking)
Prevê a pose e orientação ligada do ligante
Alcança acelerações significativas em comparação com linhas de base tradicionais
Suporta formatos de arquivo de ligante .mol2, .sdf, .pdbqt e .pdb
Suporta formatos de arquivo de receptor .pdb
Fornece scripts de inferência para prever estruturas de ligação
Inclui scripts para treinar modelos personalizados
Oferece configuração de ambiente para GPUs CUDA e configurações apenas de CPU
Produz resultados em formato .sdf e arquivos de tensor
Primeiros passos com EquiBind
Configurar Ambiente: Clone o repositório e crie um novo ambiente Conda usando o `environment.yml` ou `environment_cpuonly.yml` fornecido.
Preparar Dados de Entrada: Organize os arquivos de ligante (.mol2, .sdf, .pdbqt, .pdb) e receptor (.pdb) em um diretório estruturado.
Configurar Inferência: Defina o caminho para sua pasta de dados de entrada no arquivo de configuração `inference.yml`.
Executar Predição: Execute o script `inference.py` com o arquivo de configuração especificado para prever estruturas de ligação.
Analisar Resultados: Examine os arquivos .sdf gerados contendo poses de ligação previstas e saídas de tensor para análise posterior.
Casos de uso de EquiBind
- Descoberta de Medicamentos
- Biologia Estrutural
- Docking Proteína-Ligante
- Química Computacional
- Pesquisa em Bioinformática
