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 近似）或 solublempnn（可溶结构权重）。代码与权重为 MIT 许可（github.com/dauparas/ProteinMPNN）。模型较小，可在 CPU 上运行，少量序列只需数秒；批量任务（数百个主链或较大 --num_seq_per_target）建议用 GPU。仓库在任务内克隆，无 PyPI 发行版，检查点随仓库提供。
用法：先安装依赖并克隆仓库： 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"），逗号不会分割；--pdb_path_chains 同样在单个引号参数内以空格分隔（"A B"），逗号会被当作链 ID 的一部分。
输出：设计结果写入 out/seqs/<pdb_stem>.fa，首条记录为输入序列，各设计头部含 score=（平均负对数似然，越低越自信）、global_score= 和 seq_recovery=。ProteinMPNN 只输出序列，不会把序列回贴到主链；若需要设计序列的 PDB，可用 ligandmpnn runner 自动写入 backbones/，并以 --model_type protein_mpnn 使用相同权重。
固定位置：--fixed_positions_jsonl 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，例如 {"backbone": {"A": [10, 11, 12], "B": []}}。若直接传入内层 {"A": [...]}，会被静默视为无匹配并重新设计所有位置。可用 helper_scripts/make_fixed_positions_dict.py 生成正确格式；--chain_id_jsonl 与 --tied_positions_jsonl 同样遵循外层文件名规则。
检查点选择：v_48_002（噪声 0.02 Å）恢复率最高，适合接近天然的重设计；v_48_020（默认，0.20 Å）适合 de novo 主链，可容忍 RFdiffusion 的不完美；v_48_030（0.30 Å）适合非常粗糙的主链，恢复率最低；--use_soluble_model 切换到可溶训练权重。
常见错误：KeyError: 'A' 表示链字母不在 PDB 中，可用 grep '^ATOM' file.pdb | cut -c22 | sort -u 查看；*_jsonl 标志出现 JSONDecodeError 表示需要文件路径而非内联 JSON；尽管指定了 --fixed_positions_jsonl 仍重设计所有位置，通常是缺少外层 PDB 文件名键；相对导入报 ModuleNotFoundError 表示工作目录不对，需先 cd 进克隆的仓库。后续可用 boltz、chai1 或 esmfold2 将设计与靶标复合物折叠，并按 ipTM 过滤。