★ FEATURED ARTICLE 【免费下载链接】AiCEPredicting high-fitness mutations based on protein inverse folding models项目地址https://gitcode.com/gh_mirrors/ai/AiCE点击查看免费下载AiCE 是一款基于蛋白质逆折叠inverse folding模型的高适配度high-fitness, HF突变预测工具。它把「结构约束」和「进化约束」融合进 AI 辅助的突变提名流程帮助你从单点突变一路走到多突变组合设计全程只需一条命令。本教程以仓库自带的 SpCas9 示例结构为例手把手带你跑完 4 步流水线。核心理念先用 ProteinMPNN 等逆折叠模型「采样」出结构兼容的候选序列再用LD 连锁不平衡矩阵与SCA 统计耦合分析矩阵双重打分最终提名真正有潜力的 HF 突变。一、认识 AiCE为什么需要“结构 进化”双重约束传统做法往往只看单一信号如某个位点的共现频率容易提名出看似合理、实际却相互拮抗的突变组合。AiCE 的出发点是让结构信息逆折叠采样 DSSP 二级结构与进化信息LD / SCA 耦合分析协同工作从而筛出更稳定、可实验验证的高适配度突变。上图展示了蛋白质结构上的进化扇区IC1–IC4分布SCA 正是用来量化这些区域间残基的进化耦合关系。二、安装环境一次配好四步流水线四步流程依赖若干外部组件建议一次配齐避免中途报错Python ≥ 3.8 PyTorch、NumPy、SciPy、Pandas、Biopython、ProDymkdsspDSSP 二级结构v4.4.7plinkLD 计算v1.9.0注意 v2.0 默认不兼容ProteinMPNN逆折叠仓库已内置于 scripts/ProteinMPNN/pySCASCA 分析已内置于 scripts/pySCA/依赖可直接用 requirements.txt 一键安装conda create -n AiCE python3.11 conda activate AiCE pip3 install -r requirements.txt 若你的结构是.cif格式先用 scripts/cif2pdb.py 转成.pdb再开始。三、第 1 步单点高适配度突变提名进入示例目录把结构文件example/SpCas9_af3.pdb所在文件夹作为输入cd example/ bash ../scripts/01.single_mut_prediction.sh ../scripts ./ 0.8 0.5脚本 scripts/01.single_mut_prediction.sh 会依次完成四件事调用 scripts/inverse_MPNN.sh 用 ProteinMPNN 采样出 1000 条结构兼容序列num_seq_per_target1000、sampling_temp0.5用 awk 规整 FASTA 表头首条为ref跑 DSSP 二级结构、统计各残基出现频率按β非卷曲区阈值与γ卷曲区阈值两档阈值筛选出单点 HF 突变推荐通用值0.8 / 0.5。 不确定阈值可用自动推荐脚本 scripts/01.single_mut_Auto_prediction.sh它会根据输入结构自动推断 β / γ。这一步的关键输出以示例 SpCas9_af3 为例文件含义output/SpCas9_af3.fa逆折叠采样的序列集合MSAoutput/SpCas9_af3.ssDSSP 二级结构结果output/SpCas9_af3.comb全位点合并表位置/参考 AA/最高频 AA/频率/SSoutput/SpCas9_af3.mut按阈值筛选后的单点 HF 突变清单其中.mut文件就是单点提名结果每行形如4 K P 0.8942 C位置 4K→P频率 0.89处于卷曲区。四、第 2 步构建 LD 连锁不平衡矩阵LD 矩阵刻画不同位点变异的共现强度是后续多突变组合打分的依据。脚本 scripts/02.caculated_ld.py 会自动把蛋白 MSA「伪反向翻译」成 DNA再借 plink 计算连锁不平衡python ../scripts/02.caculated_ld.py ../output/ ../output产出两个文件SpCas9_af3.ldLD 连锁不平衡矩阵SpCas9_af3.vcf记录突变信息的 VCF 文件。五、第 3 步构建 SCA 统计耦合分析矩阵SCAStatistical Coupling Analysis用于量化残基间的进化耦合效应。这一步由 scripts/03.caculated_sca.sh 调用内置的 scripts/pySCA/scaProcessMSA.py 与 scripts/pySCA/scaCore.py 完成bash ../scripts/03.caculated_sca.sh ../scripts/pySCA/ ../output ../outputSCA 把结构中的进化耦合「拆解」成若干相互正交的子成分IC直观展示了耦合信号如何在蛋白内部分布上图为 SCA 的扇区分解结果左侧是完整扇区右侧 IC1–IC6 依次是分解出的正交耦合成分。运行结束后会得到SpCas9_af3.sca_matrix.tsv氨基酸进化耦合矩阵SpCas9_af3.db中间二进制文件。耦合矩阵通常以热力图呈现颜色越「热」代表两个残基的进化耦合越强六、第 4 步多突变组合提名最后一步把 LD 与 SCA 两套矩阵结合对突变组合打分。脚本 scripts/04.com_mut_prediction.sh 会自动查找.fa / .sca_matrix.tsv / .ld / .comb / .vcf并调用 scripts/com_mut_prediction.pybash ../scripts/04.com_mut_prediction.sh ../scripts ../output/ 2 ../output参数2表示「遍历所有双突变组合」也可传一个位置列表如1 3 5只对指定组合打分。输出为两类结果文件每行格式为突变类型 平均成对分数 对数平均成对分数 逻辑标志(0/1)第四列是推荐标志1 推荐 / 0 不推荐默认阈值为 LD 0.5、SCA 90 分位可通过-t参数自定义。分别写入SpCas9_af3.sca.result与SpCas9_af3.ld.result。七、输出速查表阶段命令核心关键产物第 1 步 单点提名01.single_mut_prediction.sh.fa.ss.comb.mut第 2 步 LD 矩阵02.caculated_ld.py.ld.vcf第 3 步 SCA 矩阵03.caculated_sca.sh.sca_matrix.tsv.db第 4 步 多突变提名04.com_mut_prediction.sh.sca.result.ld.result八、小贴士与常见问题⚠️务必用bash而非sh执行脚本否则会报出无关错误。 所有脚本都使用相对路径请按你的目录结构调整参数。 想更换逆折叠模型LigandMPNN、ESM-IF1、SaProt 等核心思路一致可替换 scripts/inverse_MPNN.sh 中的调用即可。 需要快速上手可直接打开交互示例 AiCE_demo.ipynb或在 README.md 查看完整说明。 官方对多突变组合效果持「谨慎而积极」的态度正持续迭代升级版以提升组合设计的稳定性结果建议结合湿实验验证。跑完这 4 步你就拥有了一套从单点到多突变、兼顾结构 进化约束的高适配度突变提名方案——这正是 AiCE 的核心价值。赞分享【免费下载链接】AiCEPredicting high-fitness mutations based on protein inverse folding models项目地址https://gitcode.com/gh_mirrors/ai/AiCE点击查看免费下载相关推荐Indy Node安全最佳实践保护分布式账本免受恶意攻击的终极指南Indy Node安全最佳实践保护分布式账本免受恶意攻击的终极指南 Indy Node作为去中心化身份DID领域的核心分布式账本技术其安全防护直接关系到EffectCraft 发布流程全解单一版本源、草稿 Release 与多平台签名流水线EffectCraft 发布流程全解单一版本源、草稿 Release 与多平台签名流水线 EffectCraft 的发布体系围绕一个核心机制运转 mainNode.js v8.14.1LTS发布公告深度解析从变更清单到 nodejs.org 发布流水线Node.js v8.14.1LTS发布公告深度解析从变更清单到 nodejs.org 发布流水线 Node.js v8.14.1 是发布于 2018 年前端文档创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
