外贸网站商城建设WordPress怎么封装APP

当前位置： 首页 > news >正文

外贸网站商城建设,WordPress怎么封装APP,wordpress页面中去掉分页,个人个案网站 类型在完成docking之后#xff0c;看着interaction的结果总感觉咱们的配体不可能有这么好的对接结果#xff0c;所以分子动力学的验证就应允而生了。不仅能让自己拿这个物质准备做实验的心安下来#xff0c;也能让自己在验证完这个药物有效之后#xff0c;进一步思考它的机理。…在完成docking之后看着interaction的结果总感觉咱们的配体不可能有这么好的对接结果所以分子动力学的验证就应允而生了。不仅能让自己拿这个物质准备做实验的心安下来也能让自己在验证完这个药物有效之后进一步思考它的机理。今天就给大家分享一种open source的分子动力学方法示例代码加自己的蛋白分子的实战。 今天的教程来自teachopencadd是一群大佬手把手教你怎么做docking如果大家感兴趣可以去https://projects.volkamerlab.org/teachopencadd/talktorials/T019_md_simulation.html阅读原文这篇内容在教程的基础上添加了如何准备自己的配体和蛋白。 分子动力学模拟由三个分子组成的超分子在受限纳米孔中的旋转 分子动力学原理 如果要总结分子动力学在docking中的应用说人话就是通过模拟微观水平的分子之间的作用力推断出我们的配体在其中所有可能的存在情况。进一步判断结合的稳定性。 经典分子动力学 (MD) 模拟可用于研究涉及蛋白质、脂质、核酸、碳水化合物和小有机分子的过程。 汽车碰撞实验是不是有点像分子动力学的物理版 那需要如何精确地描述分子的作用力呢就涉及到其中几个重要概念了 力场 描述分子内部和分子之间的原子间作用力。它们是参数方程包含不同力键伸缩力、范德华力等的分量。参数值通常通过实验推导并根据所涉及的分子和模拟设置在每个MD场景下发生变化。其结果是系统能量图的数学描述其中作用于每个粒子的力源于势能相对于原子坐标的梯度。 四大类 (生物) 分子力场 AMBER、CHARMM、GROMOS 和 OPLS 可以参考这篇文献https://pubs.acs.org/doi/10.1021/acs.jcim.8b00042详细地描述了用于蛋白质、核酸、脂质、碳水化合物和小有机分子的 MD 模拟的固定电荷原子力场列表 在这里我们将使用 AMBER 力场家族中的一个成员该家族广泛用于蛋白质的 MD 模拟。它们的函数形式为 是的和大家一样这里我的大脑已经停止运转了。但幸好我们有可视化的图片从这里我们可以理解通过在适应的范围内改变分子的化学键的长度、角度和分子键的力度同时考虑到分子间的力就有机会模拟整个分子在环境中出现的状态。 边界条件 通常分子系统是在充满溶剂例如水的盒子中模拟的。这些盒子的尺寸有限这会导致盒子边界处或附近的分子出现问题。这些分子应该与哪些分子相互作用周期性边界条件可以通过模拟理论上无限的系统来避免这种边界伪影。因此盒子一侧边界处的分子会与盒子另一侧边界处的分子相互作用。这模拟了模拟盒子被其自身复制品包围的情况。在可视化此类MD模拟时通常可以观察到粒子从一侧离开盒子图3。然而它们会同时以相同的速度重新出现在盒子的另一侧。对于周期性边界条件下的模拟建议使用足够大的模拟盒子以便模拟的大分子不会与自身相邻的图像发生接触。 具有周期性边界条件的水分子的分子动力学模拟 MD模拟和药物设计 MD 模拟为了解配体与其靶标结合的高度动态过程提供了宝贵的见解。当配体或药物接近溶液中的大分子蛋白质时它会遇到一个不断运动的结构。此外配体可能会诱导大分子发生构象变化以便最好地适应小分子。静态方法可能无法发现此类构象。因此在静态无配体结构中观察到的结合位点但可以通过MD模拟发现有时被称为隐蔽结合位点。使用 MD 模拟识别此类结合位点可以启动新药发现活动。在药物发现过程的后期MD模拟还可用于在进行更昂贵且更耗时的体外测试之前评估通过计算识别的小分子的质量。总之MD 模拟在计算药物设计中是一项宝贵工作。 在EFGR激酶上做分子动力学 表皮生长因子受体( EGFR ) 是与癌症和炎症相关的重要药物靶点制这种激酶是几种已获批准的抗癌药物的潜在作用机制在本期中我们使用这种激酶的 PDB 结构3POZ它与小分子抑制剂03P形成复合物进行MD模拟。使用分子动力学引擎OpenMM进行分子动力学模拟。 首先准备安装包后导入依赖 conda install -q -y -c conda-forge mdtraj openmm openmmforcefields openff-toolkit pdbfixer pypdb rdkit mamba install -q -y -c conda-forge openmmforcefieldsimport copy from pathlib import Pathimport requests from IPython.display import display import numpy as np from rdkit import Chem from rdkit.Chem import Draw from rdkit.Chem import AllChem import mdtraj as md import pdbfixer import openmm as mm import openmm.app as app from openmm import unit from openff.toolkit.topology import Molecule, Topology from openmmforcefields.generators import GAFFTemplateGenerator准备文件地址下载PDB文件 # create data directory if not exists HERE  Path(_dh[-1]) DATA  HERE / data DATA.mkdir(exist_okTrue)pdbid  3POZ ligand_name  03P pdb_path  DATA / f{pdbid}.pdb pdb_url  fhttps://files.rcsb.org/download/{pdbid}.pdbr  requests.get(pdb_url) r.raise_for_status() with open(pdb_path, wb) as f:f.write(r.content)制备蛋白质配体复合物 蛋白质的制备成功模拟的关键在于正确且完整的体系。从蛋白质数据库检索到的晶体结构通常会遗漏原子主要是氢原子并且可能包含非标准残基。我们将使用 Python 中的PDBFixer来准备蛋白质结构。然而 PDBFixer无法很好地处理共结晶配体因此需要单独准备。
def prepare_protein(pdb_file, ignore_missing_residuesTrue, ignore_terminal_missing_residuesTrue, ph7.0 ):Use pdbfixer to prepare the protein from a PDB file. Hetero atoms such as ligands areremoved and non-standard residues replaced. Missing atoms to existing residues are added.Missing residues are ignored by default, but can be included.Parameters———-pdb_file: pathlib.Path or strPDB file containing the system to simulate.ignore_missing_residues: bool, optionalIf missing residues should be ignored or built.ignore_terminal_missing_residues: bool, optionalIf missing residues at the beginning and the end of a chain should be ignored or built.ph: float, optionalpH value used to determine protonation state of residuesReturns——-fixer: pdbfixer.pdbfixer.PDBFixerPrepared protein system.fixer  pdbfixer.PDBFixer(str(pdb_file))fixer.removeHeterogens()  # co-crystallized ligands are unknown to PDBFixerfixer.findMissingResidues()  # identify missing residues, needed for identification of missing atoms# if missing terminal residues shall be ignored, remove them from the dictionaryif ignore_terminal_missing_residues:chains  list(fixer.topology.chains())keys  fixer.missingResidues.keys()for key in list(keys):chain  chains[key[0]]if key[1]  0 or key[1]  len(list(chain.residues())):del fixer.missingResidues[key]# if all missing residues shall be ignored ignored, clear the dictionaryif ignore_missing_residues:fixer.missingResidues  {}fixer.findNonstandardResidues()  # find non-standard residuefixer.replaceNonstandardResidues()  # replace non-standard residues with standard onefixer.findMissingAtoms()  # find missing heavy atomsfixer.addMissingAtoms()  # add missing atoms and residuesfixer.addMissingHydrogens(ph)  # add missing hydrogensreturn fixer# prepare protein and build only missing non-terminal residues prepared_protein  prepare_protein(pdb_path, ignore_missing_residuesFalse)在这一步中我们修复蛋白质结构中存在的问题如缺失残基、原子、非标准氨基酸、共结晶配体等生成一个完整、标准化的拓扑模型用于分子动力学模拟。 准备配体蛋白质制备完成后我们将注意力转向配体。同样我们需要添加氢原子但也需要确保键序正确分配因为某些 PDB 条目可能包含错误。我们使用 Python 包RDKit这是一个开源化学信息学库。我们将通过 SMILES 字符串向RDKit提供正确的质子化状态和键序。每个共结晶配体的不带电异构体 SMILES 字符串可以在其各自的PDB条目中找到。PDB 条目3POZ的配体名称为03P。如果配体可能以其带电形式或特定的互变异构体形式结合则需要将这些特性纳入 SMILES 字符串中。
def prepare_ligand(pdb_file, resname, smiles, depictTrue):Prepare a ligand from a PDB file via adding hydrogens and assigning bond orders. A depictionof the ligand before and after preparation is rendered in 2D to allow an inspection of theresults. Huge thanks to j-wags for the suggestion.Parameters———-pdb_file: pathlib.PosixPathPDB file containing the ligand of interest.resname: strThree character residue name of the ligand.smiles : strSMILES string of the ligand informing about correct protonation and bond orders.depict: bool, optionalshow a 2D representation of the ligandReturns——-prepared_ligand: rdkit.Chem.rdchem.MolPrepared ligand.# split moleculerdkit_mol  Chem.MolFromPDBFile(str(pdb_file))rdkit_mol_split  Chem.rdmolops.SplitMolByPDBResidues(rdkit_mol)# extract the ligand and remove any already present hydrogensligand  rdkit_mol_split[resname]ligand  Chem.RemoveHs(ligand)# assign bond orders from templatereference_mol  Chem.MolFromSmiles(smiles)prepared_ligand  AllChem.AssignBondOrdersFromTemplate(reference_mol, ligand)prepared_ligand.AddConformer(ligand.GetConformer(0))# protonate ligandprepared_ligand  Chem.rdmolops.AddHs(prepared_ligand, addCoordsTrue)prepared_ligand  Chem.MolFromMolBlock(Chem.MolToMolBlock(prepared_ligand))# 2D depictionif depict:ligand_2d  copy.deepcopy(ligand)prepared_ligand_2d  copy.deepcopy(prepared_ligand)AllChem.Compute2DCoords(ligand_2d)AllChem.Compute2DCoords(prepared_ligand_2d)display(Draw.MolsToGridImage([ligand_2d, prepared_ligand_2d], molsPerRow2, legends[original, prepared]))# return ligandreturn prepared_ligandsmiles  CC©(O)CC(O)NCCn1ccc2ncnc(Nc3ccc(Oc4cccc(c4)C(F)(F)F)c(Cl)c3)c12 rdkit_ligand  prepare_ligand(pdb_path, ligand_name, smiles)这一步是对我们即将加入其中的配体小分子对照着原本蛋白中的配体的状态进行清洗、结构标准化和添加氢原子等处理最终输出一个可用于模拟的准备好的 RDKit 分子对象。 合并蛋白质和配体下一步我们要使用 Python 包MDTraj合并准备好的蛋白质和配体结构。MDTraj可以处理准备好的蛋白质它目前是一个PDBFixer分子这种格式的拓扑结构和原子位置与OpenMM Modeller 的拓扑结构和位置相似通常可以互换。然而对于配体我们需要进行一些转换因为它目前是一个RDKit分子。
def rdkit_to_openmm(rdkit_mol, nameLIG):Convert an RDKit molecule to an OpenMM molecule.Inspired by hannahbrucemcdonald and glass-w.Parameters———-rdkit_mol: rdkit.Chem.rdchem.MolRDKit molecule to convert.name: strMolecule name.Returns——-omm_molecule: openmm.app.ModellerOpenMM modeller object holding the molecule of interest.# convert RDKit to OpenFFoff_mol  Molecule.from_rdkit(rdkit_mol)# add name for moleculeoff_mol.name  name# add names for atomselement_counter_dict  {}for off_atom, rdkit_atom in zip(off_mol.atoms, rdkit_mol.GetAtoms()):element  rdkit_atom.GetSymbol()if element in element_counter_dict.keys():element_counter_dict[element]  1else:element_counter_dict[element]  1off_atom.name  element  str(element_counter_dict[element])# convert from OpenFF to OpenMMoff_mol_topology  off_mol.to_topology()mol_topology  off_mol_topology.to_openmm()mol_positions  off_mol.conformers[0]# convert units from Ångström to nanometers# since OpenMM works in nmmol_positions  mol_positions.to(nanometers)# combine topology and positions in modeller objectomm_mol  app.Modeller(mol_topology, mol_positions)return omm_molomm_ligand  rdkit_to_openmm(rdkit_ligand, ligand_name)现在蛋白质和配体都采用类似OpenMM 的格式并且可以与MDTraj合并 def merge_protein_and_ligand(protein, ligand):Merge two OpenMM objects.Parameters———-protein: pdbfixer.pdbfixer.PDBFixerProtein to merge.ligand: openmm.app.ModellerLigand to merge.Returns——-complex_topology: openmm.app.topology.TopologyThe merged topology.complex_positions: openmm.unit.quantity.QuantityThe merged positions.# combine topologiesmd_protein_topology  md.Topology.from_openmm(protein.topology)  # using mdtraj for protein topmd_ligand_topology  md.Topology.from_openmm(ligand.topology)  # using mdtraj for ligand topmd_complex_topology  md_protein_topology.join(md_ligand_topology)  # add them togethercomplex_topology  md_complex_topology.to_openmm()# combine positionstotal_atoms  len(protein.positions)  len(ligand.positions)# create an array for storing all atom positions as tupels containing a value and a unit# called OpenMM Quantitiescomplex_positions  unit.Quantity(np.zeros([total_atoms, 3]), unitunit.nanometers)complex_positions[: len(protein.positions)]  protein.positions  # add protein positionscomplex_positions[len(protein.positions) :]  ligand.positions  # add ligand positionsreturn complex_topology, complex_positionscomplex_topology, complex_positions  merge_protein_and_ligand(prepared_protein, omm_ligand)print(Complex topology has, complex_topology.getNumAtoms(), atoms.) # NBVAL_CHECK_OUTPUT Complex topology has 5561 atoms.MD模拟设置 力场常见的力场例如 AMBER包含氨基酸、核酸、水和离子的参数通常提供多种选项以满足您的目标。我们使用amber14-all.xmlOpenMM 自带的力场文件其中包含蛋白质、DNA、RNA 和脂质的参数。对于溶剂化我们使用标准的三位点水模型 TIP3P。然而配体的参数并未包含在内。为了生成这些参数我们可以使用通用AMBER力场( GAFF )它由 Python 包OpenMM Forcefields实现。以下函数生成一个包含标准AMBER参数的力场对象并根据需要额外包含小分子的参数。
def generate_forcefield(rdkit_molNone, protein_ffamber14-all.xml, solvent_ffamber14/tip3pfb.xml ):Generate an OpenMM Forcefield object and register a small molecule.Parameters———-rdkit_mol: rdkit.Chem.rdchem.MolSmall molecule to register in the force field.protein_ff: stringName of the force field.solvent_ff: stringName of the solvent force field.Returns——-forcefield: openmm.app.ForcefieldForcefield with registered small molecule.forcefield  app.ForceField(protein_ff, solvent_ff)if rdkit_mol is not None:gaff  GAFFTemplateGenerator(moleculesMolecule.from_rdkit(rdkit_mol, allow_undefined_stereoTrue))forcefield.registerTemplateGenerator(gaff.generator)return forcefieldforcefield  generate_forcefield(rdkit_ligand)系统有了配置好的力场我们现在可以使用OpenMM Modeller类来创建 MD 环境这是一个包含复合物并充满溶剂的模拟盒。标准溶剂是含有指定量离子的水。盒子的大小可以通过多种方式确定。我们用填充来定义它这样就会得到一个立方体盒子其尺寸取决于复合物的最大尺寸。此步骤可能需要很长时间大约几分钟具体取决于您的硬件。
modeller  app.Modeller(complex_topology, complex_positions) modeller.addSolvent(forcefield, padding1.0 * unit.nanometers, ionicStrength0.15 * unit.molar)有了溶剂化系统和力场我们最终可以创建一个OpenMM 系统并设置模拟。除了系统之外模拟还需要一个积分器。OpenMM积分器定义了一种通过积分运动方程来模拟系统的方法。所选的朗之万积分器使用朗之万方程。您可以在OpenMM 文档中找到各种积分器的列表。 system  forcefield.createSystem(modeller.topology, nonbondedMethodapp.PME) integrator  mm.LangevinIntegrator(300 * unit.kelvin, 1.0 / unit.picoseconds, 2.0 * unit.femtoseconds ) simulation  app.Simulation(modeller.topology, system, integrator) simulation.context.setPositions(modeller.positions)执行 MD 模拟现在一切设置完毕我们可以进行模拟了。我们需要设置起始位置并最小化系统能量以获得低能量的起始配置这对于降低由于严重的原子碰撞导致模拟失败的可能性至关重要。能量最小化的系统已保存。
simulation.minimizeEnergy() with open(DATA / topology.pdb, w) as pdb_file:app.PDBFile.writeFile(simulation.topology,simulation.context.getState(getPositionsTrue, enforcePeriodicBoxTrue).getPositions(),filepdb_file,keepIdsTrue,)最小化完成后我们就可以进行分子动力学模拟了。在本讲座中我们将进行一个简短的模拟来进行说明。用于研究的模拟通常跨越几纳秒甚至几微秒。我们将仅模拟100皮秒的分子动力学对应5万步每步2飞秒。我们每10皮秒5000步保存一次分子“快照”总共10帧。结果保存在一个.xtc文件中该文件包含给定时间点所有原子的坐标。结合之前编写的能量最小化体系的PDB文件它为我们提供了后续分析所需的所有信息。如果您有性能良好的 GPU也可以增加模拟时间。 # output settings if on_colab:steps  50000  # corresponds to 100 pswrite_interval  5000  # write every 10 pslog_interval  2500  # log progress to stdout every 5 ps else:steps  10  # corresponds to 20 fswrite_interval  1  # write every 2 fslog_interval  1  # log progress to stdout every 2 fs simulation.reporters.append(md.reporters.XTCReporter(filestr(DATA / trajectory.xtc), reportIntervalwrite_interval) ) simulation.reporters.append(app.StateDataReporter(sys.stdout,log_interval,stepTrue,potentialEnergyTrue,temperatureTrue,progressTrue,remainingTimeTrue,speedTrue,totalStepssteps,separator\t,) )系统中所有粒子的速度都是根据给定温度下的分布随机选择的。我们选择了 300 开尔文比室温高出几度。随机种子会生成但也可以明确指定以重现结果。 然后按照之前定义的步骤进行模拟。 simulation.context.setVelocitiesToTemperature(300 * unit.kelvin) simulation.step(steps)  # perform the simulation #Progress (%) Step  Potential Energy (kJ/mole)    Temperature (K)       Speed (ns/day)        Time Remaining 10.0%   1       -992629.2532507611      280.59188983053207      0       – 20.0%   2       -978514.3140385933      250.1140053691449       1.88    0:00 30.0%   3       -961427.9816461714      214.09328454071326      1.92    0:00 40.0%   4       -944609.5657245225      180.29949178380076      1.9     0:00 50.0%   5       -938426.3768274506      165.17778679274846      1.89    0:00 60.0%   6       -930096.1319021038      149.4126629808844       1.89    0:00 70.0%   7       -926924.8985479049      143.336941762251        1.9     0:00 80.0%   8       -930284.4123182578      149.77757492192208      1.91    0:00 90.0%   9       -932318.9156875424      155.78884925604478      1.9     0:00 100.0%  10      -937770.7580560565      167.02287919129623      1.9     0:00让我们来看看可视化结果 第一步我们加载拓扑 ( .pdb) 和轨迹 ( .xtc) 文件以创建表示模拟系统的 MDAnalysis universe。NGL Viewer提供预构建功能来可视化加载在常用库如 MD Analysis中的模拟。 from pathlib import Pathimport pandas as pd import numpy as np import matplotlib.pyplot as plt import nglview as nv import MDAnalysis as mda from MDAnalysis.analysis import rms, diffusionmap, align from MDAnalysis.analysis.distances import dist from MDAnalysis.analysis.hydrogenbonds.hbond_analysis import HydrogenBondAnalysis as HBAmd_universe  mda.Universe(str(DATA / topology.pdb), str(DATA / trajectory.xtc)) view  nv.show_mdanalysis(md_universe) view view.render_image(trimTrue, factor2, transparentTrue); view._display_image()这一步可以看见动态的结果哦 随时间变化的 RMSD 蛋白质和配体的 RMSD¶ 动画中蛋白质和配体清晰可辨。然而很难评估配体或蛋白质是否真的显著改变了它们的位置/构象。因此我们将使用更完善的方法——计算均方根差 (RMSD)——来评估相对运动。因此我们将重点关注系统的不同部分骨架、蛋白质和配体。配体最好通过其独特的残基名称来选择。在本例中我们知道它是抑制剂03P但我们也可以通过检查拓扑文件或将光标悬停在上面动画中的配体原子上来找到它的名称。为了绘制 RMSD我们编写了一个函数对从宇宙中选定的原子组进行 RMSD 计算并返回一个pandas Dataframe。
ligand_name  03Pdef rmsd_for_atomgroups(universe, selection1, selection2None):Calulate the RMSD for selected atom groups.Parameters———-universe: MDAnalysis.core.universe.UniverseMDAnalysis universe.selection1: strSelection string for main atom group, also used during alignment.selection2: list of str, optionalSelection strings for additional atom groups.Returns——-rmsd_df: pandas.core.frame.DataFrameDataFrame containing RMSD of the selected atom groups over time.universe.trajectory[0]ref  universermsd_analysis  rms.RMSD(universe, ref, selectselection1, groupselectionsselection2)rmsd_analysis.run()columns  [selection1, *selection2] if selection2 else [selection1]rmsd_df  pd.DataFrame(np.round(rmsd_analysis.results.rmsd[:, 2:], 2), columnscolumns)rmsd_df.index.name  framereturn rmsd_df运行该函数来计算模拟过程中选定分子的 RMSD全蛋白质、蛋白质骨架原子、配体 在计算过程中分子将沿着蛋白质的主链叠加到第一帧 rmsd  rmsd_for_atomgroups(md_universe, backbone, [protein, fresname {ligand_name}]) rmsd.head()然后我们绘制结果。 rmsd.plot(titleRMSD of protein and ligand) plt.ylabel(RMSD (Å));从中我们能得到什么结果 在模拟过程中主链仅发生了轻微的构象变化这并不奇怪因为蛋白质是相对于主链叠加的。 与仅计算蛋白质主链相比将蛋白质侧链纳入 RMSD 计算中会导致更多的运动。 在我们的模拟中配体的运动范围与蛋白质侧链相同。然而情况并非总是如此因为配体可以更自由地移动而且除了构象变化之外还可能涉及定向运动。如果配体的 RMSD 值非常高则很可能出现这种情况。
计算所有帧成对之间的差异并在热图中将其可视化。 def RMSD_dist_frames(universe, selection):Calculate the RMSD between all frames in a matrix.Parameters———-universe: MDAnalysis.core.universe.UniverseMDAnalysis universe.selection: strSelection string for the atomgroup to be investigated, also used during alignment.Returns——-array: np.ndarrayNumpy array of RMSD values.pairwise_rmsd  diffusionmap.DistanceMatrix(universe, selectselection)pairwise_rmsd.run()return pairwise_rmsd.results.dist_matrixdist_matrix_protein  RMSD_dist_frames(md_universe, protein) dist_matrix_ligand  RMSD_dist_frames(md_universe, fresname {ligand_name})# get maximal distance between all frames max_dist  max(np.amax(dist_matrix_ligand), np.amax(dist_matrix_protein))fig, ax  plt.subplots(1, 2) fig.suptitle(RMSD between the frames)# protein image img1  ax[0].imshow(dist_matrix_protein, cmapviridis, vmin0, vmaxmax_dist) ax[0].title.set_text(protein) ax[0].set_xlabel(frames) ax[0].set_ylabel(frames)# ligand image img2  ax[1].imshow(dist_matrix_ligand, cmapviridis, vmin0, vmaxmax_dist) ax[1].title.set_text(Ligand) ax[1].set_xlabel(frames)fig.colorbar(img1, axax, orientationhorizontal, fraction0.1, labelRMSD (Å));从热图可以看出蛋白质在不同状态之间持续均匀地移动。配体在不同状态之间跳跃。有时它可以反复达到相似的构象。