Skip to content

README.md

Latest commit

 

History

History
129 lines (120 loc) · 4.01 KB

README.md

File metadata and controls

129 lines (120 loc) · 4.01 KB

AttABseq: An Attention-based Deep Learning Prediction Method for Antigen-Antibody Binding Affinity Changes Based on Protein Sequences

Introduction

AttABseq is an end-to-end sequence-based deep learning model for the predictions of the antigen-antibody binding affinity changes connected with antibody mutations.

Files Architecture

AttABseq
├── analysis
├── attention_ablation
│   ├── k-cv_no-attention
│   │   ├── 645analysis
│   │   ├── 1101analysis
│   │   ├── 1131analysis
│   │   ├── data
│   │   │   ├──AB645.csv
│   │   │   ├──AB645order.csv
│   │   │   ├──AB1101.csv
│   │   │   ├──AB1101order.csv
│   │   │   ├──S1131.csv
│   │   │   └──S1131order.csv
│   │   ├── ncbi-blast-2.12.0+
│   │   ├── output645
│   │   │   ├──best_pcc_model
│   │   │   ├──best_pcc_result
│   │   │   ├──best_r2_model
│   │   │   ├──best_r2_result
│   │   │   ├──loss_min_model
│   │   │   ├──loss_min_result
│   │   ├── output1101
│   │   ├── output1131
│   │   ├── script
│   │   │   ├──main_AB645.py
│   │   │   ├──main_AB1101.py
│   │   │   ├──main_S1131.py
│   │   │   ├──model_AB645.py
│   │   │   ├──model_AB1101.py
│   │   │   ├──model_S1131.py
│   │   │   ├──predict.py
│   │   │   ├──lookahead.py
│   │   │   ├──Radam.py
│   │   │   └──pytorchtools.py
│   └── split_no-attention
├── cross_validation
│   ├── 645analysis
│   ├── 1101analysis
│   ├── 1131analysis
│   ├── data
│   ├── ncbi-blast-2.12.0+
│   ├── output645
│   ├── output1101
│   ├── output1131
│   └── script
├── split
│   ├── 645analysis
│   ├── 1101analysis
│   ├── 1131analysis
│   ├── data
│   ├── ncbi-blast-2.12.0+
│   ├── output645
│   ├── output1101
│   ├── output1131
│   └── script
├── interpretability
│   ├── scatter.py
│   ├── 645
│   │   ├── AttABseq_split_645.csv
│   │   ├── scatter.py
│   │   └── split-645.png
│   ├── 1101
│   ├── 1131
│   ├── interpretable
│   │   ├── 645
│   │   │   ├── interpre_csv
│   │   │   ├── interpre_heatmap
│   │   │   ├── 645_interpre.csv
│   │   │   ├── ab16.txt
│   │   │   ├── ab_mut16.txt
│   │   │   ├── ag16.txt
│   │   │   ├── ag_mut16.txt
│   │   │   ├── AB645.csv
│   │   │   ├── interpre.csv
│   │   │   ├── interpretable.csv
│   │   │   ├── interpre.py
│   │   │   └── split.txt
│   │   ├── 1101
│   │   └── 1131

Usage

1. Environment

  • python 3.7.0
  • pytorch 1.7.0
  • torchvision 0.8.0
  • numpy 1.21.5
  • pandas 1.3.5
  • scikit-learn 1.0.2
  • scipy 1.7.3
  • seaborn 0.12.2
  • matplotlib 3.5.3
  • networkx 2.6.3
  • xarray 0.20.2

2. Data

  • k-cv: AB645.csv / AB1101.csv / S1131.csv
  • label-ascending ordered split: AB645order.csv / AB1101order.csv / S1131order.csv

3. Training

conda activate yourenvironment
python main.py

You can find your results in the folder "output".

4. Testing

conda activate yourenvironment
python predict.py

You can find your results in the folder "output".

5. Interpretable

conda activate yourenvironment
python interpre.py

You can find your results in the folder "interpre_csv" & "interpre_heatmap".