分子对接PyRosetta--Introduction to Folding

原创

追风少年i

发布于 2025-09-24 10:12:07

11800

代码可运行

运行总次数：0

代码可运行

作者，Evil Genius

今天我们继续分子对接，这一部分是折叠，折叠部分的内容也是相当的深，我们后续慢慢扩展。

蛋白质折叠入门

其一为搜索策略，即一种能够生成大量候选结构（或称“诱饵”结构）的算法；

其二为评分函数，用以从所有结构中筛选出接近天然结构的构象。

Basic Folding Algorithm

Keywords: pose_from_sequence(), random move, scoring move, Metropolis, assign(), Pose()

!pip install pyrosettacolabsetup
import pyrosettacolabsetup; pyrosettacolabsetup.install_pyrosetta()
import pyrosetta; pyrosetta.init()
from pyrosetta import *
from pyrosetta.teaching import *
init()

构象构建

通过构建一个简单的从头折叠算法来折叠一个含10个残基的蛋白质。按常规方式初始化PyRosetta。

创建一个包含10个残基的简单聚丙氨酸构象，用于测试折叠算法。将该构象存储在名为"polyA"的变量中。

### BEGIN SOLUTION
polyA = pyrosetta.pose_from_sequence('A' * 10)
### END SOLUTION

polyA.pdb_info().name("polyA")

### BEGIN SOLUTION
print("phi: %i" %polyA.phi(9))
print("psi: %i" %polyA.psi(9))
### END SOLUTION

phi: 180
psi: 180

可选任务：可能希望实时可视化折叠过程。在开始折叠流程之前，实例化一个PyMOL移动器，并使用10,000到65,536之间的唯一端口号。通过调用.keep_history()方法保留历史记录，以便查看完整的折叠过程。请确保PyMOL命令行显示"PyMOL <---> PyRosetta链接已启动！"。

pmm = PyMOLMover()
pmm.keep_history(True)

使用PyMOL移动器查看polyA构象。将在PyMOL中看到一个线状的延伸结构。

pmm.apply(polyA)

构建基础从头折叠算法

写一个程序来实现蒙特卡洛算法，以优化蛋白质构象。

主程序将包含 100 次迭代，每次迭代包括：进行一次随机尝试性移动、对蛋白质进行评分、以及决定接受或拒绝该移动。因此，可以将此算法分解为三个较小的子程序：随机移动、评分和决策。

步骤 1：随机移动

对于随机尝试性移动，请编写一个子程序，使用 random.randint() 随机选择一个残基，然后使用来自 random 库的 Python 内置函数 random.gauss()（以当前角度为均值，25° 为标准差）生成一个随机数，来随机扰动该残基的 φ 角或 ψ 角。更改扭转角后，使用 pmm.apply(polyA) 更新 PyMOL 中的结构。

import math
import random

def randTrial(your_pose):
### BEGIN SOLUTION
    randNum = random.randint(2, your_pose.total_residue())
    currPhi = your_pose.phi(randNum)
    currPsi = your_pose.psi(randNum)
    newPhi = random.gauss(currPhi, 25)
    newPsi = random.gauss(currPsi, 25)
    your_pose.set_phi(randNum,newPhi) 
    your_pose.set_psi(randNum,newPsi)
    pmm.apply(your_pose)
### END SOLUTION
    return your_pose

步骤 2：对移动进行评分

创建一个评分函数，并编写一个子程序，该子程序只需返回构象的数值化能量得分。

sfxn = get_fa_scorefxn()

def score(your_pose):
    ### BEGIN SOLUTION
    return sfxn(your_pose)
    ### END SOLUTION

步骤 3：接受/拒绝移动

在决策步骤中，编写一个子程序，根据 Metropolis 准则来决定是接受还是拒绝新构象。Metropolis 准则接受移动的概率为 P = exp(-ΔE / kT)：

当 ΔE ≥ 0（新构象能量更高或相等）时，接受该移动的概率为 P = exp(-ΔE / kT)。
当 ΔE < 0（新构象能量更低）时，接受该移动的概率为 P = 1（即总是接受）。

请使用 kT = 1 Rosetta Energy Unit (REU).。

def decision(before_pose, after_pose):
    ### BEGIN SOLUTION
    E = score(after_pose) - score(before_pose)
    if E < 0:
        return after_pose
    elif random.uniform(0, 1) >= math.exp(-E/1):
        return before_pose
    else:
        return after_pose
    ### END SOLUTION

步骤 4：执行

将这三个子程序整合到主程序中！在主程序中编写一个循环，使其执行 100 次迭代，每次迭代包括：进行一次随机尝试性移动、对蛋白质进行评分、以及接受或拒绝该移动。

在每次搜索迭代之后，输出当前构象的能量和迄今为止观察到的最低能量。此程序的最终输出应是在模拟过程中任意时刻达到的最低能量构象。请务必使用 low_pose.assign(pose) 来保存该最低能量构象，而不是使用 low_pose = pose，因为后者只会复制指向原始构象的指针。

def basic_folding(your_pose):
    """Your basic folding algorithm that completes 100 Monte-Carlo iterations on a given pose"""
    
    lowest_pose = Pose() # Create an empty pose for tracking the lowest energy pose.
    
    ### BEGIN SOLUTION
    for i in range(100):
        if i == 0:
            lowest_pose.assign(your_pose)
            
        before_pose = Pose()
        before_pose.assign(your_pose) # keep track of pose before random move

        after_pose = Pose()
        after_pose.assign(randTrial(your_pose)) # do random move and store the pose
        
        your_pose.assign(decision(before_pose, after_pose)) # keep the new pose or old pose
        
        if score(your_pose) < score(lowest_pose): # updating lowest pose
            lowest_pose.assign(your_pose)
        
        print("Iteration # %i" %i) # output   
        print("Current pose score: %1.3f" %score(your_pose)) # output
        print("Lowest pose score: %1.3f" %score(lowest_pose)) # output
        
    ### END SOLUTION
    return lowest_pose

最后，输出最终构象和观测到的最低评分构象，并在PyMOL中查看它们。绘制能量和观测到的最低能量随循环次数的变化图。

from IPython.display import Image
Image('./Media/folding.gif',width='300')

练习1：与α螺旋结构对比

编写程序，将A10序列强制折叠成一个理想的α螺旋结构。

import pyrosetta
from pyrosetta import pose_from_sequence

# 初始化
pyrosetta.init()

# 创建10个丙氨酸的序列
sequence = "AAAAAAAAAA"

# 创建pose
pose = pose_from_sequence(sequence, 'fa_standard')

# 设置α螺旋的理想二面角
for i in range(1, 11):  # 10个残基
    if i > 1:  # 第一个残基没有φ角
        pose.set_phi(i, -57.0)  # α螺旋的典型φ角
    if i < 10:  # 最后一个残基没有ψ角  
        pose.set_psi(i, -47.0)  # α螺旋的典型ψ角

# 评分
scorefxn = pyrosetta.create_score_function('ref2015')
score = scorefxn(pose)

print(f"理想α螺旋的得分: {score:.2f}")

# 发送到PyMOL查看
pmm = pyrosetta.PyMOLMover()
pmm.apply(pose)

好了，欲速则不达，今天我们就到这里，生活很好，有你更好。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

登录后参与评论

0 条评论

热度

分子对接PyRosetta--Introduction to Folding

分子对接PyRosetta--Introduction to Folding

作者，Evil Genius

今天我们继续分子对接，这一部分是折叠，折叠部分的内容也是相当的深，我们后续慢慢扩展。

蛋白质折叠入门

其一为搜索策略，即一种能够生成大量候选结构（或称“诱饵”结构）的算法；

其二为评分函数，用以从所有结构中筛选出接近天然结构的构象。

Basic Folding Algorithm

Keywords: pose_from_sequence(), random move, scoring move, Metropolis, assign(), Pose()

构象构建

通过构建一个简单的从头折叠算法来折叠一个含10个残基的蛋白质。按常规方式初始化PyRosetta。

创建一个包含10个残基的简单聚丙氨酸构象，用于测试折叠算法。将该构象存储在名为"polyA"的变量中。

使用PyMOL移动器查看polyA构象。将在PyMOL中看到一个线状的延伸结构。

构建基础从头折叠算法

写一个程序来实现蒙特卡洛算法，以优化蛋白质构象。

主程序将包含 100 次迭代，每次迭代包括：进行一次随机尝试性移动、对蛋白质进行评分、以及决定接受或拒绝该移动。因此，可以将此算法分解为三个较小的子程序：随机移动、评分和决策。

步骤 1：随机移动

步骤 2：对移动进行评分

创建一个评分函数，并编写一个子程序，该子程序只需返回构象的数值化能量得分。

步骤 3：接受/拒绝移动

在决策步骤中，编写一个子程序，根据 Metropolis 准则来决定是接受还是拒绝新构象。Metropolis 准则接受移动的概率为 P = exp(-ΔE / kT)：

请使用 kT = 1 Rosetta Energy Unit (REU).。

步骤 4：执行

将这三个子程序整合到主程序中！在主程序中编写一个循环，使其执行 100 次迭代，每次迭代包括：进行一次随机尝试性移动、对蛋白质进行评分、以及接受或拒绝该移动。

最后，输出最终构象和观测到的最低评分构象，并在PyMOL中查看它们。绘制能量和观测到的最低能量随循环次数的变化图。

练习1：与α螺旋结构对比

编写程序，将A10序列强制折叠成一个理想的α螺旋结构。

好了，欲速则不达，今天我们就到这里，生活很好，有你更好。

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐