DiffAbXL

ديفأبزل:

المؤلف: طالب أوكار ([email protected])

تم قياس تنفيذ DiffAbXL في الورقة: استكشاف درجات احتمالية السجل لتصنيف تصاميم تسلسل الأجسام المضادة.

• يرجى ملاحظة أن الورقة كانت في الأصل بعنوان "قياس النماذج التوليدية لتصميم الأجسام المضادة" ولكننا قررنا تغييرها لتسليط الضوء بشكل أفضل على مساهماتها الأساسية.
• هذا إعادة تنفيذ للعمل الأصلي، DiffAb: [الورقة والكود]

جدول المحتويات:

1. المتصدرين الحالية
2. نتائج المقارنة من الورقة
3. كيفية بناء واجهة لنماذج المقارنة المعيارية
4. تمرين
5. هيكل الريبو
6. تتبع التجربة
7. نقلا عن الورقة
8. نقلا عن هذا الريبو

المتصدرين الحالية

رتبة	نماذج	أبسي HER2		طبيعة		الهدف من الألف إلى الياء-2	افي.؟
		طلقة الصفر	التحكم في SPR	هيل	HER2
1	ديفأبكسل-A-DN	0.43	0.22	0.62	0.37	0.41	0.41
2	ديفأبكسل-A-SG	0.46	0.22	0.64	-0.38	0.43	0.274
3	ديفأبكسل-H3-DN	0.49	0	0.52	-0.08	0.37	0.26
4	IgBlend (الهيكل فقط)	0.40	0.21	0.54	-0.30	0.31	0.232
5	مضاد الطي	0.43	0.22	0.4	-0.47	0.38	0.192
6	ديفأبكسل-H3-SG	0.48	0	0.4	-0.41	0.29	0.152
7	الإدارة السليمة بيئياً	0.29	0	0	0.18	0.27	0.148
8	ديفأب	0.34	0.21	0	-0.14	0.22	0.126
9	أبلانج2	0.3	0	0	-0.07	0.36	0.118
10	IgBlend (التسلسل فقط)	0.27	0	0	-0.1	0.36	0.106
11	ابلانج	0.3	0	0	-0.13	0.35	0.104
12	dyMEAN	0.37	0.15	0	0	0	0.104
13	أبكس	0.28	0.19	0	0	0	0.094
14	أنتيبيرتي	0.26	0	0	-0.17	0.35	0.088
15	يقصد	0.36	0	0	0.02	0	0.076
16	الإدارة السليمة بيئياً-IF	0	-0.27	0	-0.53	0.42	-0.076

• ملاحظة-1: الجادة. يشير إلى متوسط ​​ارتباط سبيرمان عبر خمس مجموعات بيانات. تعتمد لوحة المتصدرين أعلاه على خمس مجموعات بيانات مستهدفة، مع تعيين درجة صفر للنماذج التي لم تظهر ارتباطًا ذا دلالة إحصائية أو لم تكن مناسبة لحساب النتيجة (على سبيل المثال، تتطلب مستضدًا).
• ملاحظة-2: يتم حساب درجات احتمالية السجل في هذا العمل باستخدام نهج ساذج، كما هو موضح في المعادلة-11 في الورقة، للحفاظ على الاتساق عبر النماذج. ومع ذلك، تجدر الإشارة إلى وجود طرق أكثر مبدئية لحساب هذه الدرجات، والتي قد تختلف اعتمادًا على نوع النموذج (على سبيل المثال، نماذج الانحدار الذاتي مقابل نماذج اللغة المقنعة). ونحن نخطط للتحقيق في هذه الأساليب البديلة في العمل المستقبلي.

نتائج المقارنة

1- العلاقة بين احتمالية تسجيل DiffAbXL وتقارب الارتباط عبر الأهداف المختلفة

الشكل 1: نتائج DiffAbXL: أ) DiffAbXL-H3-DN لبيانات Absci ذات الطلقة الصفرية HER2 ب) DiffAbXL-A-SG لـ AZ Target-2، ج) DiffAbXL-A-SG لـ Nature HEL، د) DiffAbXL- A-DN للطبيعة HER2.

2- مقارنة النماذج القائمة على الانتشار، والمبنية على ماجستير إدارة الأعمال، والنماذج القائمة على الرسم البياني

الجدول 1: ملخص نتائج ارتباط سبيرمان. الاختصارات: DN: وضع De Novo، SG: وضع توجيه الهيكل، NA: مطلوب Epitope أو بنية معقدة، ولكنها غير متوفرة. *، **، *** تشير إلى قيم p أقل من 0.05 و0.01 و1e-4 على التوالي.

كيفية بناء واجهة لنماذج المقارنة المعيارية

لتسهيل علينا تقييم النموذج الخاص بك، نوصي بتنفيذ واجهة كطريقة Python في فصل يمكننا دمجه بسهولة مع مسار التقييم الخاص بنا. يجب أن تقبل الطريقة المدخلات التالية:

1. تسلسل الأجسام المضادة : قائمة تسلسلات الأجسام المضادة.
2. معلومات البنية الاختيارية : بيانات البنية (أي ملف PDB) المتعلقة بالتسلسلات، إن أمكن.
3. معلمات إضافية خاصة بالنموذج : أي مدخلات أخرى يتطلبها النموذج الخاص بك.

يجب أن تقوم الطريقة بإرجاع قاموس يحتوي على:

1. درجات احتمالية السجل : لترتيب تسلسلات الأجسام المضادة بناءً على تقارب الارتباط المتوقع.
2. مقاييس أخرى ذات صلة : مثل RMSD، أو pAE، أو أي مخرجات خاصة بالنموذج تعتقد أنها ذات صلة.

فيما يلي قالب أساسي في Python لتنفيذ هذه الواجهة:

    def benchmark ( self , sequences , structure = None , mask = None , ** kwargs ):
        """
        Benchmark the model on provided antibody sequences and structures.

        Parameters:
        sequences (list of str): List of antibody sequences.
        structure (optional): Path to a PDB file. Currently, only one PDB file is provided per target dataset.
                              The PDB file may contain either just the antibody or an antibody-antigen complex,
                              depending on the dataset.
        mask (optional): Binary list or array indicating the regions of interest in the sequences for metric calculations.
        kwargs (optional): Additional parameters required by the model.

        Returns:
        dict: A dictionary containing log-likelihood scores and other relevant metrics.
        """
        pass

يرجى التأكد من أن النموذج الخاص بك يُخرج درجات احتمالية السجل بتنسيق يمكننا استخدامه مباشرة لقياس تصميمات تسلسل الأجسام المضادة. سيساعدنا هذا في مقارنة أداء النموذج الخاص بك عبر مجموعات البيانات لدينا بكفاءة.

تمرين

يوجد ملف تكوين واحد: sabdab.yaml، والذي يمكن استخدامه لتغيير أي من المعلمات. يمكنك تدريب النموذج باستخدام:

 python train.py # For training. 

هيكل الريبو

 - Train.py

- سرك
    |-model.py
    
- التكوين
    |-sabdab.yaml
    
- المرافق
    |-load_data.py
    |-arguments.py
    |-model_utils.py
    |-loss_functions.py
    ...
    
- بيانات
    |-her2
    ...

تتبع التجربة

يمكن استخدام الوزن والتحيزات لتتبع التجارب. يتم إيقاف تشغيله بشكل افتراضي، ولكن يمكن تشغيله عن طريق تغيير الخيار في ملف التكوين في ./config/sabdab.yaml

نقلا عن الورقة

 @article {Ucar2024.10.07.617023,
	author = {Ucar, Talip and Malherbe, Cedric and Gonzalez Hernandez, Ferran},
	title = {Exploring Log-Likelihood Scores for Ranking Antibody Sequence Designs},
	elocation-id = {2024.10.07.617023},
	year = {2024},
	doi = {10.1101/2024.10.07.617023},
	publisher = {Cold Spring Harbor Laboratory},
	URL = {https://www.biorxiv.org/content/early/2024/10/24/2024.10.07.617023},
	eprint = {https://www.biorxiv.org/content/early/2024/10/24/2024.10.07.617023.full.pdf},
	journal = {bioRxiv}
}

نقلا عن هذا الريبو

إذا كنت تستخدم DiffAbXL في دراستك وعملك، فيرجى الاستشهاد به باستخدام ما يلي:

 @Misc{talip_ucar_2024_DiffAbXL,
	author =   {Talip Ucar},
	title = {Exploring Log-Likelihood Scores for Ranking Antibody Sequence Designs},
	URL = {https://github.com/AstraZeneca/DiffAbXL},
	month = {October},
	year = {since 2024}
}