以下是关于 LigandMPNN 的详细使用指南，涵盖安装方法、输入准备、运行流程、参数调整以及结果解析，帮助用户快速上手这一强大的蛋白质-配体设计工具。LigandMPNN秉承了ProteinMPNN的代码优势，使用起来巨简单。

一、准备工作


1. 安装与依赖
git clone https://github.com/dauparas/LigandMPNN.gitcd LigandMPNNbash get_model_params.sh "./model_params"#setup your conda/or other environmentconda create -n ligandmpnn_env python=3.11pip3 install -r requirements.txtpython run.py \        --seed 111 \        --pdb_path "./inputs/1BC8.pdb" \        --out_folder "./outputs/default"



2. 输入文件准备


LigandMPNN 需要以下输入文件：

(1) 蛋白质结构文件

  • 格式：.pdb 或 .cif

  • 要求：包含蛋白质的主链和侧链原子（建议使用实验结构或AlphaFold3预测的高置信度结构）。若设计对称复合物，需保留对称链（如A、B、C链）。



二、基础篇：快速上手设计


1. 默认模式（跑ProteinMPNN）

python run.py --pdb_path "./inputs/1BC8.pdb" --out_folder "./outputs/default"

📌 适用场景：快速测试工具基础功能
💡 技术细节：默认使用ProteinMPNN模型


2. 温度参数调控

python run.py --temperature 0.05 --pdb_path "./inputs/1BC8.pdb"

🌡️ 温度参数解析：

  • 低温(0.01-0.1)：生成保守序列

  • 高温(0.5-1.0)：增加多样性
    🔬 实验建议：药物设计推荐0.1-0.3，酶改造推荐0.05-0.2



三、进阶技巧：精准控制设计


3. 固定关键残基

python run.py --fixed_residues "C1-C10" --bias_AA "A:10.0"

🛠️ 应用场景：

  • 保留催化三联体（His/Asp/Ser）

  • 维持蛋白核心疏水区



4. 对称设计（病毒衣壳/纳米笼）

python run.py --symmetry_residues "C1,C2,C3|C4,C5" --symmetry_weights "0.33,0.33,0.33|0.5,0.5"
🎯 设计效果：
保证对称位点氨基酸一致性（如C1=C2=C3）

四、高阶应用：配体特异性设计


5. 激活LigandMPNN模式

python run.py --model_type "ligand_mpnn" --pdb_path "./inputs/1BC8.pdb"

⚗️ 核心改进：

  • 自动识别配体原子（H键供体/受体）

  • 优化8Å范围内的结合残基



6. 配体环境屏蔽测试

python run.py --ligand_mpnn_use_atom_context 0

🔍 分析用途：
评估配体对设计结果的实际影响




五、特殊场景解决方案


7. 膜蛋白设计

python run.py --model_type "global_label_membrane_mpnn" --global_transmembrane_label 1

🧬 分类标签说明：

  • 0：可溶性蛋白

  • 1：膜蛋白



8. 多PDB批量处理

python run.py --pdb_path_multi "./inputs/pdb_ids.json"

📂 JSON格式示例：

{  "1BC8.pdb": "",  "4GYT.pdb": "A7-A13,B38" }



六、输出结果解析


运行完成后，输出目录包含：

(1) 序列文件 (designs.fasta)

>design_1 MKFES...  # 设计的氨基酸序列 >design_2 AGYRD...


(2) 结构文件 (designs.pdb)

  • 包含设计的序列和原始骨架结构（可用PyMOL可视化）。



七、 总结


LigandMPNN 的使用流程可概括为：

输入准备 → 参数设置 → 运行设计 → 结果验证


通过灵活调整参数（如温度、固定残基、对称性），用户可针对不同应用场景（药物设计、酶工程）获得高质量设计结果。建议结合实验验证（如SPR测定结合亲和力）进一步优化设计。


参考：https://github.com/dauparas/LigandMPNN