描述
EquiBind 是一个前沿的 SE(3) 等变几何深度学习模型，专为快速预测蛋白质与配体结合的三维结构而设计。它擅长执行一次性直接预测，也就是说，可以同时确定蛋白质上的结合位置（盲对接），以及小分子配体在该结合位点内的精确构象和朝向。
阅读更多
这种方法借助几何深度学习原理，与传统对接方法乃至较新的基线方法相比实现了显著提速。模型的架构专为处理三维空间中分子相互作用的复杂性而构建，使其成为计算化学和结构生物学研究人员的有力工具。
EquiBind 对加速药物发现流程尤其有价值。通过提供快速而准确的结合构象预测，研究人员可以更高效地筛选潜在的候选药物，并更深入地了解分子间的相互作用。该模型可预测用户提供的蛋白质-配体对的结合结构，需要为配体和受体提供特定的输入文件格式。
项目提供了清晰的环境设置说明，包括支持 CUDA 的 GPU 和仅使用 CPU 的两种方式。用户随后可以使用提供的模型权重运行推理，或自行训练模型。输出包括 SDF 格式的预测结合结构，以及可供进一步分析的张量预测结果。项目还提到了 DiffDock，这是进一步改进 EquiBind 能力的后继模型。
EquiBind 是开源的，发布在 GitHub 上，促进了科学界的协作和后续开发。它对速度和准确性的专注，使其成为旨在理解和设计分子相互作用的研究人员不可或缺的工具。
- 类别科学发现与实验室工具
- 定价模式开源
- 部署云端, 自托管
- 平台Linux, Windows
EquiBind的核心功能
SE(3)-等变几何深度学习模型
蛋白质-配体结合结构的直接预测
预测受体结合位置（盲对接）
预测配体的结合姿态和方向
与传统基线相比，速度显著提升
支持 .mol2, .sdf, .pdbqt, 和 .pdb 配体文件格式
支持 .pdb 受体文件格式
提供用于预测结合结构的推理脚本
包含用于训练自定义模型的脚本
提供适用于 CUDA GPU 和仅 CPU 配置的环境设置
以 .sdf 格式和张量文件输出结果
EquiBind入门
设置环境：克隆仓库并使用提供的 `environment.yml` 或 `environment_cpuonly.yml` 创建新的 Conda 环境。
准备输入数据：将配体（.mol2, .sdf, .pdbqt, .pdb）和受体（.pdb）文件组织到结构化目录中。
配置推理：在 `inference.yml` 配置文件中设置输入数据文件夹的路径。
运行预测：使用指定的配置文件执行 `inference.py` 脚本来预测结合结构。
分析结果：检查包含预测结合姿态的生成的 .sdf 文件以及用于进一步分析的张量输出。
EquiBind的使用案例
- 药物发现
- 结构生物学
- 蛋白质-配体对接
- 计算化学
- 生物信息学研究
