【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 是一个高适配度突变High-fitness, HF预测工具为 Cell 2025 论文《Advancing protein evolution with inverse folding models integrating structural and evolutionary constraints》的官方实现。它把结构约束二级结构与进化约束LD、SCA 矩阵引入 AI 辅助蛋白进化流程基于 ProteinMPNN 等蛋白逆折叠模型采样序列自动提名潜在的高适配度单点突变与多位点突变组合 一句话理解 AiCE 的核心思路传统做法是用逆折叠模型生成大量序列后全量遍历突变噪声很大。AiCE 的改进在于先采样、再加约束过滤——用 ProteinMPNN 对目标结构做逆折叠采样出多条结构兼容序列统计每个位点的残基频率结合DSSP 二级结构设定不同阈值β/γ筛出可信的单点突变用 Plink 构建LD连锁不平衡矩阵用 pySCA 构建SCA统计耦合分析矩阵对多位点组合同时用 LD 分数 SCA 分数打分提名高适配度组合突变。方法全景四步流水线步骤脚本作用核心输出① 单突变提名scripts/01.single_mut_prediction.sh逆折叠 频率 二级结构 阈值过滤.fa.comb.mut② LD 矩阵scripts/02.caculated_ld.py蛋白 MSA→DNA→VCF→Plink r² 矩阵.ld.vcf③ SCA 矩阵scripts/03.caculated_sca.sh调用改进版 pySCA 计算进化耦合.sca_matrix.tsv④ 多突变提名scripts/04.com_mut_prediction.shLD SCA 双分数打分组合突变.ld.result.sca.result第 1 步单突变提名AiCE 过滤运行入口很简单cd example/ bash ../scripts/01.single_mut_prediction.sh ../scripts ./ 0.8 0.5参数beta和gamma是两类二级结构区域的频率筛选阈值论文推荐通用值 0.8 / 0.5。核心逻辑在 scripts/predicted_single_HF_mutations.py 中某位点最高频残基必须不同于参考序列ref_aa ! highest_freq_aa若该位点二级结构为卷曲 CoilC采用更宽松的gamma阈值否则α 螺旋、β 折叠等有序区域采用更严格的beta阈值。也就是说柔性区域给进化更多自由度刚性区域要求更强的频率共识——这就是结构约束的具体体现。以示例输出 output/SpCas9_af3.mut 为例每行记录位置 参考残基 建议残基 频率 二级结构位置参考建议频率SS4KP0.8942C50AV0.9093E111KR0.9929C自动阈值模式不用手动调参如果不想手调 β/γ可用 scripts/01.single_mut_Auto_prediction.sh。它加载仓库内置的预训练模型 scripts/best_model_a.pkl、scripts/best_model_b.pkl 和 scripts/scaler.pkl根据蛋白长度和柔性区域占比两个特征自动预测阈值实现见 scripts/predicted_single_HF_mutations.py#L158-L201bash scripts/01.single_mut_Auto_prediction.sh input_folder [output_folder]第 2 步构建 LD 矩阵scripts/02.caculated_ld.py 做了一件巧妙的转换把蛋白 MSA 通过最优密码子表反向翻译为 DNA 序列再转换为 VCF 变异文件最后交给 Plink 计算 r² 连锁不平衡矩阵python ../scripts/02.caculated_ld.py ../output/ ../outputLD 分数刻画的是采样序列集合内部位点间的共变程度——如果两个位点在采样中总是同进退说明它们功能上可能耦合。第 3 步构建 SCA 矩阵scripts/03.caculated_sca.sh 调用改进版 pySCA 模块位于 scripts/pySCA/计算残基间的进化耦合输出.sca_matrix.tsvbash ../scripts/03.caculated_sca.sh ../scripts/pySCA/ ../output ../outputSCA 通过主成分分解IC1、IC2…把耦合信号拆解到蛋白结构上能定位出协同进化的扇区Sector。下图中红色球簇即为不同 IC 主成分分解出的耦合区域直观展示了 SCA 如何刻画蛋白的进化耦合扇区第 4 步多突变提名AiCE-multi最后一步把 LD 矩阵和 SCA 矩阵联合打分bash ../scripts/04.com_mut_prediction.sh ../scripts ../output/ 2 ../output传入数字如2→ 遍历所有双突变组合传入列表文件 → 只评估指定组合SCA 默认用前 10% 百分位0.9 分位作阈值LD 默认阈值 0.5输出.ld.result/.sca.result第四列是逻辑标志1推荐0不推荐。SCA 的主成分之间还存在层级结构IC 树越靠近根节点的主成分承载越核心的耦合信号⚠️ 官方态度作者对 AiCE-multi 保持谨慎但积极的立场——组合效应的评测数据仍然有限多位点设计可能存在不稳定性详见 README.md 中的说明。完整 DemoSpCas9 一步跑通仓库自带一个可直接运行的演示以 AlphaFold2 预测的SpCas9 核酸酶结构example/SpCas9_af3.pdb 为输入演示 AiCE_demo.ipynb 按顺序执行上述四步。跑完后 output/ 目录会生成一整套结果文件文件含义SpCas9_af3.fa逆折叠采样序列首行为 ref 参考序列SpCas9_af3.ssDSSP 二级结构注释SpCas9_af3.freq/SpCas9_af3.re.freq残基计数 / 频率统计SpCas9_af3.comb频率二级结构合并表SpCas9_af3.mut筛选后的高适配度单点突变清单示例中约 188 条SpCas9_af3.ld/SpCas9_af3.sca_matrix.tsvLD 与 SCA 矩阵环境安装与快速开始依赖见 requirements.txtPyTorch、NumPy、Biopython、ProDy 等另需mkdssp与plinkconda create -n AiCE python3.11 conda activate AiCE pip3 install -r requirements.txt conda install conda-forge::dssp # 再软链到 scripts/mkdssp注意事项若结构是.cif格式先用 scripts/cif2pdb.py 转换为 PDB仓库已预置 ProteinMPNN 及模型权重scripts/ProteinMPNN/无需额外下载脚本用相对路径建议按 README.md 的目录约定组织输入务必用bash而非 sh 执行脚本。小结为什么约束是关键AiCE 的价值不在于换了更强的模型而在于给逆折叠采样结果加上了三重约束结构约束DSSP 二级结构区分刚性/柔性区域分阈值过滤共变约束LD 矩阵刻画采样集合内部的位点关联进化约束SCA 矩阵刻画位点间的协同进化耦合。三者叠加让高适配度突变提名从黑盒采样变成可解释、可调阈值的工程化流程。对于想开展 AI 辅助蛋白进化、酶定向进化、基因编辑工具优化的读者这个仓库提供了从单点到多位点突变的完整可复现路径 ✅论文引用信息见 README.md 的 Citing this work 部分Cell, 2025。注意项目含专利条款商业使用需另行获得许可。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AiCE使用教程4步流水线提名高适配度突变从单点到多突变全流程图解AiCE使用教程4步流水线提名高适配度突变从单点到多突变全流程图解 AiCE 是一款基于 蛋白质逆折叠inverse folding模型 的高适配度hVue-3D-Model API 完全手册从基础属性到高级配置Vue 3D Model API 完全手册从基础属性到高级配置 Vue 3D Model 是一个功能强大的 Vue.js 3D 模型查看器组件它能帮助开发者前端3D渲染AiCE单点突变提名实战ProteinMPNN逆折叠DSSP筛选HF突变详解AiCE单点突变提名实战ProteinMPNN逆折叠DSSP筛选HF突变详解 AiCE 是一款基于蛋白质逆折叠模型预测高适应度High Fitness,创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考