【亲测免费】 CLEAN 项目使用教程

1. 项目介绍

CLEAN 是一个用于高质量蛋白质功能预测的对比学习模型。该项目旨在通过对比学习算法，提高酶功能预测的准确性、可靠性和敏感性。CLEAN 不仅提供了一个易于使用的 Web 服务器，还提供了预训练的权重和完整的训练脚本，方便用户进行推理和进一步的研究。

2. 项目快速启动

2.1 环境要求

• Python >= 3.6
• PyTorch >= 1.11.0
• CUDA >= 10.1

2.2 快速启动步骤

1. 克隆项目

   git clone https://github.com/tttianhao/CLEAN.git
   cd CLEAN/app/
   

2. 创建并激活虚拟环境

   conda create -n clean python==3.10.4 -y
   conda activate clean
   

3. 安装依赖

   pip install -r requirements.txt
   

4. 安装 PyTorch

   • CPU 版本

     conda install pytorch==1.11.0 cpuonly -c pytorch
     

   • GPU 版本

     conda install pytorch==1.11.0 cudatoolkit=11.3 -c pytorch
     

5. 下载预训练权重

   curl -o esm1b_t33_650M_UR50S-contact-regression.pt https://dl.fbaipublicfiles.com/fair-esm/regression/esm1b_t33_650M_UR50S-contact-regression.pt
   curl -o esm1b_t33_650M_UR50S.pt https://dl.fbaipublicfiles.com/fair-esm/models/esm1b_t33_650M_UR50S.pt
   

6. 运行推理

   python CLEAN_infer_fasta.py --fasta_data price
   

   结果将生成在 results/inputs/price_maxsep.csv 文件中。

3. 应用案例和最佳实践

3.1 酶功能预测

CLEAN 主要用于酶功能预测，通过对比学习模型，CLEAN 能够更准确地预测酶的 EC 编号。用户可以将自己的氨基酸序列输入到 CLEAN 中，获取相应的酶功能预测结果。

3.2 自定义参数

虽然目前 CLEAN Web 服务器使用默认参数生成结果，但用户可以通过修改代码中的参数来定制化推理过程。未来版本将支持用户在 Web 界面上直接调整参数。

4. 典型生态项目

4.1 MMLI AlphaSynthesis 工具

CLEAN 是 MMLI AlphaSynthesis 工具的一部分，该工具集成了多种机器学习算法，用于蛋白质功能的预测和分析。用户可以通过 MMLI AlphaSynthesis 工具访问 CLEAN，并结合其他工具进行更全面的蛋白质研究。

4.2 ESM (Evolutionary Scale Modeling)

CLEAN 使用了 Facebook Research 的 ESM 模型进行预训练。ESM 是一个用于蛋白质序列建模的深度学习框架，CLEAN 通过结合 ESM 的预训练权重，进一步提高了酶功能预测的准确性。

通过以上步骤，用户可以快速上手 CLEAN 项目，并利用其强大的功能进行酶功能预测和相关研究。