Описание
OmegaFold — это передовая модель ИИ, разработанная для предсказания структуры белков de novo с высоким разрешением непосредственно из первичных аминокислотных последовательностей. Этот релиз кода предоставляет доступ к модели, описанной в статье "High-resolution de novo structure prediction from primary sequence". Проект нацелен на постоянную оптимизацию, фокусируясь на снижении требований к GRAM для инференса длинных белков и выпуске более мощных моделей.
Читать далее
Ключевые достижения OmegaFold включают значительное снижение требований к GRAM, что позволяет выполнять инференс белковых последовательностей длиной до 4096 остатков на GPU NVIDIA A100 с 80 ГБ памяти при использовании определенных настроек `--subbatch_size`. Подчеркивается чувствительность модели к `--subbatch_size`, предлагая компромисс между временем вычислений и использованием памяти. Пользователи могут регулировать этот параметр для управления ограничениями памяти GPU, с рекомендацией уменьшить значение вдвое при возникновении проблем с памятью.
Для пользователей macOS OmegaFold поддерживает ускорение MPS (Apple Silicon) при условии установки последней ночной версии PyTorch. Текущий код требует от пользователей macOS клонировать репозиторий и запускать модель с помощью `python main.py`. Процесс установки включает установку инструмента через pip или клонирование репозитория и запуск `python setup.py install`. Формат ввода — стандартный файл FASTA, а вывод включает один файл PDB на последовательность, с значениями уверенности, встроенными в столбец b-фактора файлов PDB.
OmegaFold предлагает гибкость в балансировке качества предсказания и использования ресурсов. Пользователи могут изменять `--subbatch_size` для компромисса между временем вычислений и GRAM, или настраивать `--num_cycle` для компромисса между временем вычислений и средним качеством предсказания. Дополнительные сведения и опции доступны через команду `omegifold --help`. Проект призывает цитировать соответствующую исследовательскую статью при использовании его возможностей.
Разработчики стремятся улучшить простоту использования и расширить возможности модели. Ожидается, что будущие обновления еще больше повысят производительность и доступность для более широкого круга пользователей и вычислительных сред. Этот релиз с открытым исходным кодом способствует исследованиям и разработкам в области структурной биологии и открытия лекарств.
- КатегорияНаучные открытия и лабораторные инструменты
- Модель ценообразованияОткрытый код
- РазвёртываниеОблако, На своём сервере
- ПлатформыmacOS
Основные функции OmegaFold
Предсказание структуры белков de novo с высоким разрешением по первичной последовательности
Значительное снижение требований к GRAM для инференса длинных белков
Поддержка белковых последовательностей до 4096 остатков на NVIDIA A100 (80 ГБ)
Настраиваемый `--subbatch_size` для компромисса между памятью и временем
Поддержка ускорения MPS (Apple Silicon) для пользователей macOS
Значения уверенности предоставляются в столбце b-фактора PDB
Опция для компромисса между временем вычислений и качеством предсказания через `--num_cycle`
Интерфейс командной строки для запуска предсказаний
Код релиза с открытым исходным кодом доступен на GitHub
Модель 2 доступна через аргумент командной строки `--model 2`
Требует PyTorch и biopython для базовой функциональности
Начало работы с OmegaFold
Настройка среды: Установите OmegaFold через pip или клонируйте репозиторий и запустите setup.py
Подготовка ввода: Создайте файл FASTA с белковыми последовательностями
Запуск предсказания: Выполните `omegifold INPUT_FILE.fasta OUTPUT_DIRECTORY` или `python main.py INPUT_FILE.fasta OUTPUT_DIRECTORY`
Настройка параметров: Отрегулируйте `--subbatch_size` для оптимизации памяти или `--num_cycle` для компромисса качества
Доступ к результатам: Получите сгенерированные файлы PDB из выходного каталога
Использование ускорения macOS: Установите последнюю ночную версию PyTorch и используйте `python main.py`
Изучение опций: Запустите `omegifold --help` для получения подробных аргументов командной строки
Варианты использования OmegaFold
- Предсказание структуры белка
- Исследования в области структурной биологии
- Разработка лекарств
- Биоинформатический анализ
- Вычислительная химия
- Геномные исследования
