用途：ProteinMPNN 是 binder 流程中默认的逆折叠步骤，仅依据主链几何结构生成氨基酸序列。适合蛋白质—蛋白质设计界面；当界面涉及配体、核酸或金属时则不适用，此时可改用 ligandmpnn（CLI 几乎相同）或 solublempnn（使用可溶结构训练的权重）。
主要能力：输入 PDB 主链结构，输出设计序列，写入 out/seqs/<pdb_stem>.fa。首条记录为输入序列，每条设计头部含 score=（平均负对数似然，越低越自信）、global_score= 和 seq_recovery=。模型较小，可在 CPU 上运行，少量序列通常只需数秒；批量任务（数百个主链或较大 --num_seq_per_target）建议用 GPU。
使用方式：仓库需在任务内克隆，无 PyPI 发行版，检查点随仓库提供。
pip install torch numpy git clone --depth 1 https://github.com/dauparas/ProteinMPNN.git proteinmpnn cd proteinmpnn python protein_mpnn_run.py --pdb_path backbone.pdb --pdb_path_chains "A" --out_folder out --num_seq_per_target 16 --sampling_temp "0.1"
注意：--sampling_temp 按空格分隔解析，多值扫描需加引号（"0.1 0.2 0.3"），逗号不能分隔；--pdb_path_chains 同样在单个引号参数内以空格分隔（"A B"）。--fixed_positions_jsonl 需每行一个 JSON 对象，外层以 PDB 文件名为键，再按链给出 1 起始的残基编号列表，如 {"backbone": {"A": [10, 11, 12], "B": []}}；若直接传内层 {"A": [...]} 会被静默视为无匹配并重设计全部位置。--chain_id_jsonl 与 --tied_positions_jsonl 同样适用外层文件名规则。
检查点选择：v_48_002（噪声 0.02 Å，恢复率最高，接近天然的重设计）、v_48_020（默认，0.20 Å，用于 de novo 主链）、v_48_030（0.30 Å，用于非常粗糙的主链，恢复率最低）；--use_soluble_model 切换到可溶训练权重。
限制：ProteinMPNN 只写序列，不会把序列重新映射回主链；如需设计序列的 PDB，可用 ligandmpnn runner（自动写入 backbones/，并接受 --model_type protein_mpnn 使用相同权重）。常见错误包括 KeyError: 'A'（链字母不在 PDB 中）、*_jsonl 标志的 JSONDecodeError（需传文件路径而非内联 JSON）、相对导入的 ModuleNotFoundError（需先 cd 进克隆仓库）。