LigandMPNN：基于深度学习的分子对接优化工具详解

LigandMPNN是一个基于消息传递神经网络（MPNN）的先进分子对接和优化工具，通过深度学习技术为药物发现研究提供强大的预测能力。该项目采用MIT开源许可证，为科研工作者提供了完整的推理代码和模型参数。

项目快速启动指南

环境配置要求

LigandMPNN需要以下核心依赖环境：

• Python 3.7及以上版本
• PyTorch深度学习框架
• NumPy科学计算库
• ProDy蛋白质结构处理库

项目获取与安装

获取项目代码：

git clone https://gitcode.com/gh_mirrors/li/LigandMPNN.git
cd LigandMPNN

下载模型参数：

bash get_model_params.sh "./model_params"

创建专用环境：

conda create -n ligandmpnn_env python=3.11
pip3 install -r requirements.txt

快速运行示例

使用默认设置运行ProteinMPNN：

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --out_folder "./outputs/default"

核心功能特性

多模型支持

LigandMPNN提供多种专业模型：

ProteinMPNN系列

• proteinmpnn_v_48_002.pt：0.02Å高斯噪声
• proteinmpnn_v_48_010.pt：0.10Å高斯噪声
• proteinmpnn_v_48_020.pt：0.20Å高斯噪声
• proteinmpnn_v_48_030.pt：0.30Å高斯噪声

LigandMPNN系列

• ligandmpnn_v_32_005_25.pt：0.05Å高斯噪声
• ligandmpnn_v_32_010_25.pt：0.10Å高斯噪声
• ligandmpnn_v_32_020_25.pt：0.20Å高斯噪声
• ligandmpnn_v_32_030_25.pt：0.30Å高斯噪声

SolubleMPNN系列

• solublempnn_v_48_002.pt：0.02Å高斯噪声
• solublempnn_v_48_010.pt：0.10Å高斯噪声
• solublempnn_v_48_020.pt：0.20Å高斯噪声
• solublempnn_v_48_030.pt：0.30Å高斯噪声

主要功能特色

精确的PDB文件解析

• 使用ProDy库解析PDB文件
• 保留蛋白质残基索引、链字母和插入码
• 输出.fasta和.pdb格式文件

灵活的残基控制

• 直接使用残基索引进行偏置添加、固定残基和选择待设计残基
• 支持链字母+残基编号+插入码的完整标识

置信度评估

• 模型输出包含overall_confidence和ligand_confidence
• 反映重新设计残基的平均置信度/概率
• 数值范围：0.0-1.0，数值越高表示模型对该序列越有信心

实际应用场景

基础设计示例

温度控制设计

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --temperature 0.05 \
        --out_folder "./outputs/temperature"

固定残基设计

python run.py \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --out_folder "./outputs/fix_residues" \
        --fixed_residues "C1 C2 C3 C4 C5 C6 C7 C8 C9 C10" \
        --bias_AA "A:10.0"

高级功能应用

多PDB文件批量处理

python run.py \
        --pdb_path_multi "./inputs/pdb_ids.json" \
        --out_folder "./outputs/pdb_path_multi" \
        --seed 111

侧链包装优化

python run.py \
        --model_type "ligand_mpnn" \
        --seed 111 \
        --pdb_path "./inputs/1BC8.pdb" \
        --out_folder "./outputs/sc_default" \
        --pack_side_chains 1 \
        --number_of_packs_per_design 4 \
        --pack_with_ligand_context 1

技术架构特点

与ProteinMPNN的主要区别

1. 输入PDB解析方式：使用ProDy库，保留完整的蛋白质结构信息
2. 残基控制方法：直接使用残基索引进行精确控制
3. 置信度输出：提供详细的序列设计置信度评估

第三方代码集成

侧链包装功能使用了Openfold项目的辅助函数，确保了计算的高效性和准确性。

项目文件结构

项目采用清晰的文件组织方式：

• inputs/：存放输入PDB文件和配置文件
• outputs/：包含各种设计场景的输出结果
• model_params/：存储所有模型参数文件
• openfold/：集成的第三方代码库
• training/：训练数据目录

最佳实践建议

数据预处理

• 确保输入的PDB文件格式正确
• 进行必要的结构检查和验证

参数调优

• 根据具体应用场景调整温度参数
• 合理设置批量大小和批次数量

结果验证

• 结合实验数据进行交叉验证
• 分析置信度指标以评估设计质量

通过LigandMPNN，研究人员能够以前所未有的效率和精度进行分子对接和优化设计，为药物发现研究提供强有力的技术支持。项目的模块化设计和丰富的配置选项使其能够适应各种复杂的研究需求。