proteinmpnn

ProteinMPNN 是一个基于逆折叠（inverse folding）的蛋白质序列设计工具，用于为给定的蛋白质骨架结构设计氨基酸序列。

【用途】该技能适用于以下场景：为 RFdiffusion 生成的骨架设计序列；对已有蛋白质进行序列重设计。根据决策指引，当已有骨架结构且结合位点仅涉及蛋白质（无小分子、配体、金属或辅因子）时，可使用 ProteinMPNN；若涉及小分子或配体，建议使用 LigandMPNN；若优先考虑溶解度或表达，可考虑 SolubleMPNN；若优先考虑速度，则 ProteinMPNN 适用。

【主要能力】

为单个 PDB 骨架设计序列，可指定要设计的链（--pdb_path_chains）。
控制每个结构生成的序列数量（--num_seq_per_target，范围 1-1000）。
通过采样温度（--sampling_temp）调节序列多样性，温度需以字符串形式传入。
支持固定位置设计（--fixed_positions_jsonl），可用于界面重设计等场景。
支持多链设计、链绑定（--tied_positions_jsonl）以及多状态设计（--pdb_path_multi）。
支持氨基酸偏好设置（--bias_AA_jsonl）、全局或逐位置排除特定氨基酸（--omit_AAs、--omit_AA_jsonl）。
输出 FASTA 序列文件及包含设计序列的 PDB 文件。

【使用方式】前置要求：Python 3.8+（推荐 3.10）、CUDA 11.0+（推荐 11.7）、GPU 显存最低 8GB（推荐 16GB T4）、内存最低 8GB（推荐 16GB）。

方式一：本地安装（推荐）

git clone https://github.com/dauparas/ProteinMPNN.git
cd ProteinMPNN

python protein_mpnn_run.py \
  --pdb_path backbone.pdb \
  --out_folder output/ \
  --num_seq_per_target 16 \
  --sampling_temp "0.1"

GPU 使用 T4（16GB）即可，速度约 50-100 条序列/分钟。

方式二：Modal（通过 LigandMPNN 封装）

cd biomodals
modal run modal_ligandmpnn.py \
  --input-pdb backbone.pdb \
  --params-str "--model_type protein_mpnn --number_of_batches 16 --temperature 0.1"

Modal 默认使用 A10G，默认超时 900 秒。注意 LigandMPNN 包含 ProteinMPNN 功能，通过 --model_type protein_mpnn 选择。

【核心参数】 --pdb_path（必填，单个 PDB 输入路径）、--pdb_path_chains（默认 all，要设计的链，逗号分隔）、--out_folder（必填，输出目录）、--num_seq_per_target（默认 1，范围 1-1000）、--sampling_temp（默认 "0.1"，范围 "0.0001-1.0"，必须为字符串）、--seed（默认 0）、--batch_size（默认 1，范围 1-32）。

温度参考：0.1 低多样性高恢复率（生产用）；0.2 中等多样性（默认）；0.3 较高多样性（探索用）；0.5+ 多样性很高但质量较低。

【常见错误】

温度参数必须为带引号的字符串，如 --sampling_temp "0.1"，不能写成浮点数 0.1。
固定位置 JSONL 格式应为 {"A": [1, 2, 3, 10, 11], "B": [5, 6]}，键需加引号，值需为列表，不能有尾随逗号。
链选择 --pdb_path_chains A,B 逗号后不能有空格，也不建议加引号。

【输出格式】输出目录包含 seqs/ 下的 FASTA 序列文件，以及 backbone_pdb/ 下带设计序列的 PDB 文件。FASTA 头部格式示例：>backbone_0001, score=1.234, global_score=1.234, seq_recovery=0.85。

【常见工作流】

Binder 序列设计：指定 --pdb_path_chains B 仅设计 binder 链。
界面重设计：使用 --fixed_positions_jsonl 固定核心，设计界面。
多状态设计：使用 --pdb_path_multi 指定多个构象。

【输出质量参考】 Score 1.0-2.0（越低越自信）；seq recovery 对 de novo 为 0.3-0.6，对重设计为 0.7-0.9；温度大于 0.1 时序列应具有多样性。

【性能参考】 100 个骨架 × 8 条序列约 15-20 分钟（T4），Modal 成本约 $2；500 个骨架 × 8 条序列约 1-1.5 小时，约 $8；1000 个骨架 × 16 条序列约 3-4 小时，约 $18。T4 GPU 吞吐约 50-100 条序列/分钟。

【验证与排错】可用 grep -c "^>" output/seqs/*.fa 验证序列数量是否等于骨架数 × 每结构序列数。序列多样性低时提高采样温度至 0.2-0.3；恢复率差时降低温度至 0.1；显存不足时减小 batch_size；出现不需要的半胱氨酸时使用 --omit_AAs "C"。常见错误包括 CUDA 显存不足、链 ID 不存在、JSONL 格式无效、空链或残基列表等。

【变体对比】 ProteinMPNN 为通用原始模型；SolubleMPNN 针对表达，在可溶性蛋白上训练；LigandMPNN 针对小分子，具备配体感知上下文。

【限制】该工具需要已有骨架结构，无骨架时应先使用 RFdiffusion。涉及小分子、配体、金属或辅因子时建议使用 LigandMPNN。具体收费、价格等商业信息暂未提供。

技能介绍