基于片段的分子生成网络 (FLAG)使用方法及案例测评

本文来源于中国科技大学计算机科学与技术学院刘淇教授课题组于2023年发表在ICLR2023上的文章《MOLECULE GENERATION FOR TARGET PROTEIN BINDING WITH STRUCTURAL MOTIFS》。

在本文中，作者提出了一个基于片段的分子生成网络，FLAG （Fragment based LigAnd Generation framework）。在FLAG中，从数据集中提取共同的分子片段，构建了motif的词汇库。在每个生成步骤中，首先采用 3D 图神经网络对中间上下文信息（口袋）进行编码。然后，FLAG模型选择中心motif，预测下一个motif类型，并连接motif。其中，键长/键角通过化学信息学工具快速准确地确定。最后，根据预测的旋转角度和结构细化进一步调整分子几何形状。

本文是为数不多基于片段的分子生成技术，且能提供分子的3D结合pose。

一、文章主要结果

分子生成过程示例如下图：

motif的提取过程如下图：

作者评估的结果显示，FLAG模型在生成分子的QED，SA，docking score以及分子的真实性，特别是C-O键等二面角分布上，具有明显的优势。

分子性质结果如下图：

生成分子的docking 情况：生成的分子结构正常，且能合理占据口袋，docking score的打分与原始参考分子相近。

生成分子真实性（二面角）：

作者提供了开源代码：https://github.com/zaixizhang/FLAG

二、环境安装与数据准备

首先，从GitHub中复制项目：

git clone https://github.com/zaixizhang/FLAG.git

项目目录如下：

然后根据yaml环境文件，安装conda 环境然后进行激活，因为torch和NVCC都是常见的版本，所以安装非常简单：

conda env create -f flag_env.yaml
conda activate flag_env

然后进入./data目录，创建FLAG文件夹（该文件夹必须要创建，作者提供的代码使用了该目录，但是开源代码中并未创建），按照README.md说明从谷歌云盘上下载数据，并保存到 ./data/FLAG 中（链接：https://drive.google.com/drive/folders/1CzwxmTpjbrt83z_wBzcQncq84OVDPurM）

然后，进行解压：

tar -xzvf crossdocked_pocket10.tar.gz

数据预处理，motif词汇库的构建：

cd utils
python mol_tree.py

从上图可知，一共提取了517个motif，分子总数为183421个。运行结束以后，会在./data目录中，生成crossdocked_pocket10_processed.lmdb和crossdocked_pocket10_processed.lmdb-lock数据文件，./data目录如下：

同时，./utils目录下会生成语motif的语料库：vocab.txt。

注意，mol_tree.py文件有文件路径修改：

index_path = '/data/FLAG/crossdocked_pocket10/index.pkl' # wufeilwith open(index_path, 'rb') as f:index = pickle.load(f)for i, (pocket_fn, ligand_fn, _, rmsd_str) in enumerate(tqdm(index)):if pocket_fn is None: continuetry:path = '/data/FLAG/crossdocked_pocket10/' + ligand_fn # wufeilmol = Chem.MolFromMolFile(path, sanitize=False)moltree = MolTree(mol)cnt += 1if moltree.num_rotatable_bond > 0:rot += 1except:continue

改为：

index_path = '../data/FLAG/crossdocked_pocket10/index.pkl' # wufeilwith open(index_path, 'rb') as f:index = pickle.load(f)for i, (pocket_fn, ligand_fn, _, rmsd_str) in enumerate(tqdm(index)):if pocket_fn is None: continuetry:path = '../data/FLAG/crossdocked_pocket10/' + ligand_fn # wufeilmol = Chem.MolFromMolFile(path, sanitize=False)moltree = MolTree(mol)cnt += 1if moltree.num_rotatable_bond > 0:rot += 1except:continue

三、训练FLAG模型

python train.py

如果直接运行，上述训练代码，会报：ModuleNotFoundErrons No module naned chemutils错误：

这是因为，代码路径问题，需要做如下修改，增加sys.path.append("./utils")：

import sys
sys.path.append("..")
sys.path.append("./utils") # wufeil

同时，需要修改，训练的参数文件，即 ./configs/train_model.yml，修改内容如下，主要是调整了数据目录：

然后，python train.py可以正常运行，经过漫长时间的数据加载（> 1h），模型开始训练：

非常可惜，由于作者未提供训练好的checkpiont文件，所以需要我们自己先训练出一个模型，才能进行接下来的操作。

四、采样/分子生成

由于作者在GitHub上没有提供训练好的模型ckpt文件，因此只能使用我们自己训练的。在上一部训练结束以后，需要将模型的checkpoint 转移至 ./pretrained/并重命名为model.pt。然后执行如下命令：

python motif_sample.py

脚本会调用./configs/sample_test.yml下的参数配置（如下），FALG模型会加载./test_data/project_1数据集，然后从中抽取第一个体系（代码是这么写的，而结果也是这样子的），进行分子生成。输入的结果保存在：/outputs/sample-0_2023_09_06__07_32_47。其中,sample-0_2023_09_06__07_32_47为采样的时间，生成的分子为sdf格式。从pocket_info.txt中可以查到口袋的信息，为BSD_ASPTE_1_130_0/2z3h_A_rec_1wn6_bst_lig_tt_docked_3_pocket10.pdb。

dataset:name: plpath: ./test_data/project_1model:checkpoint: ./pretrained/model.pthidden_channels: 256random_alpha: Truesample:seed: 2022num_samples: 100 # 每个配体/体系采样数量beam_size: 300logp_thres: -.infnum_retry: 5max_steps: 12batch_size: 10num_workers: 4

在./configs/sample_test.yml配置文件中，设置的每个体系是采样100个，但是生成的sdf文件只有39个，说明不是每一次尝试sampling都是成功的。然后，我们将生成的分子放回到口袋中，几个示例如下：

从上述结果来看，在可以被保存成sdf的分子中，还有很多分子是不合法的。但是比较严重的是，在生成分子中，出现了大量的非常复杂的并环，这些分子的复杂程度根本就不可能合成。

可能是因为，训练不足导致的，这里使用的参数文件是经过了18000次迭代的。所以，模型的真实结果还是需要作者提供原始的ckpt文件才能知道。但是，并环在FLAG模型中，容易生成，可能是真实的，作者给出的几个案例，全部都有并环的存在，如下图：

但，必须指明的是，这不意味着作者的工作存在严重缺陷，作为一种方法的验证，作者开辟了基于分子片段的分子生成技术，是非常有参考意义的。GitHub中的代码，更是具有借鉴意义。

五、为自定义的案例生成分子

在1.2中，作者提供的是批量的是生成分子，利用的是数据预处理完成后的pl数据集中test集，然后对其中的第一个数据进行分子采样，并没有提供一个分子从数据预处理开始。为了使用自己的例子进行分子生成，新编写了一个generate_mols.py脚本。

执行： python generate_mols.py 即可。

脚本会默认使用./utils/vocab.txt片段库，同时将生成的分子保存在./tests。

generate_mols.py 会调用./configs/sample_test.yml配置文件，文件内容如下：

dataset:name: plpath: ./test_data/project_1 model:checkpoint: ./pretrained/model.pthidden_channels: 256random_alpha: Truesample:seed: 2022num_samples: 50 # 每个配体/体系采样数量，至少要大于批次大小beam_size: 300logp_thres: -.infnum_retry: 5max_steps: 12batch_size: 10num_workers: 4

其中，dataset中name必须为pl，因为原文作者设置如果数据集名字不为pl会报错。path为我们需要进行分子生成的体系保存路径，里面包含了两个体系，分别作为一个文件夹，目录如下：

./test_data/project_1
├── 3tym
│   ├── 3tym_ligand.sdf
│   └── 3tym_protein.pdb
├── 5tbo
│   ├── 5tbo_ligand.sdf
│   └── 5tbo_protein.pdb
└── index.pkl

model和sample字段下为模型相关的内容，没有做改变。sample中num_samples可以做调整，但是要大于batch_size。

在示例中，我们进行测试的两个体系是3tym和5tbo，生成的结果目录./test如下：

./tests
└── sample_test-pl_2023_09_13__02_10_37├── 3tym│   ├── 17.sdf│   ├── 27.sdf│   ├── 37.sdf│   ├── 47.sdf│   ├── SMILES.txt│   └── pocket_info.txt├── 5tbo│   ├── 19.sdf│   ├── 39.sdf│   ├── 47.sdf│   ├── 49.sdf│   ├── 9.sdf│   ├── SMILES.txt│   └── pocket_info.txt├── log.txt└── sample_test.yml

虽然设置每个体系采样50个，但是真正生成的有小分子并不多，分别只有

5tbo生成分子的结果示例：