概览
TANKBind 与 NeurIPS 2022 论文 “TANKBind: Trigonometry-Aware Neural NetworKs for Drug-Protein Binding Structure Prediction” 配套。该代码仓库旨在支持复现论文结果，以及基于该模型开展进一步研究。其文档所述的预测目标是蛋白质–配体结合结构和结合亲和力，因此它在计算药物发现工作流中充当预测组件，而非实验结合测定方法。
项目 README 将实际操作内容组织为多个笔记本。结构预测示例使用 ABL1 与 Imatinib 和 compound6，标识为 PDB: 6HD6。其他笔记本介绍 PDBbind 训练集和测试集的构建、自对接评估，以及针对 LRRK2 的 WDR 结构域进行高通量虚拟筛选。从工作流层面看，该模型以蛋白质和配体信息为输入，生成结合预测；来源摘录未说明完整的输入模式、预处理要求或输出文件格式。改编示例前需要查看笔记本以确认这些细节。
安装说明提到了基于 Python 的环境、PyTorch 和若干科学计算依赖，以及从外部下载 p2rank。说明还指出，可能需要根据 GPU 调整 CUDA 工具包的选择。README 引导用户使用一个独立的、需要账户的服务来体验较新模型，因此不应将该服务视为与代码仓库中的实现相同。报告的筛选吞吐量是来源中的说法，并非针对其他数据集或硬件配置独立验证的基准结果。
主要功能
- 预测蛋白质–配体结合结构和结合亲和力。
- 提供结构预测笔记本示例，使用 ABL1、Imatinib 和 compound6，标识为 PDB: 6HD6。
- 包含一个用于复现论文自对接测试集评估的笔记本。
- 提供用于构建 PDBbind 训练集和测试集的笔记本，以及有文档说明的模型训练调用命令。
- 包含一个针对 LRRK2 的 WDR 结构域进行高通量虚拟筛选的笔记本。
使用场景
- 拟议评估：使用 ABL1 示例，评估所述结构预测工作流能否适配研究中的蛋白质–配体对。
- 拟议评估：重建文档所述的数据集并运行自对接笔记本，以考察论文评估的可复现性。
- 拟议评估：将 LRRK2 WDR 筛选笔记本作为计算候选物优先排序的起点，并在目标工作负载上测量吞吐量和预测效用。
使用方式
- 阅读官方 README，选择结构预测、自对接评估、数据集构建或虚拟筛选工作流。将代码仓库工作流与链接所指向的、需要账户的服务分开看待。
- 按照 README 中的环境设置说明操作。文档指定 Python 3.8 和科学计算依赖，并建议根据 GPU 调整 CUDA 工具包的选择；这些说明并不能证明其与其他配置兼容。
- 查看文档所述的 p2rank 下载项，并在准备研究数据前检查所选笔记本的实际输入和预处理要求。
- ABL1 示例可从
examples/prediction_example_using_PDB_6hd6.ipynb开始；筛选工作流可从examples/high_throughput_virtual_screening_LRRK2_WDR.ipynb开始。改编任一示例前，先检查生成的输出。 - 如需复现，先检查
examples/construction_PDBbind_training_and_test_dataset.ipynb.ipynb，然后检查examples/testset_evaluation_cleaned.ipynb。记录本地设置和实测结果，不要假设 README 报告的吞吐量适用于你的配置。