PeptideFoldEvaluation / evaluation.py
auralray's picture
Upload 81 files
0da47ab verified
Raw History Blame Contribute Delete
10.3 kB
import os
import sys
import numpy as np
import pandas as pd
from Bio.PDB import PDBParser, PPBuilder, Superimposer
from Bio.PDB.Polypeptide import is_aa
from Bio import BiopythonWarning
import warnings
from tmtools import tm_align # 导入tm_align函数
# 忽略 Biopython 的警告
warnings.simplefilter('ignore', BiopythonWarning)
def extract_sequence(pdb_path):
"""
从 PDB 文件中提取第一个链的氨基酸序列。
参数:
pdb_path (str): PDB 文件的路径。
返回:
str: 氨基酸序列(单字母代码),如果无法提取则返回 None。
"""
parser = PDBParser(QUIET=True)
try:
structure = parser.get_structure('structure', pdb_path)
except Exception as e:
print(f"无法解析 PDB 文件 {pdb_path}: {e}")
return None
ppb = PPBuilder()
seq = ""
for pp in ppb.build_peptides(structure):
seq += str(pp.get_sequence())
# 只取第一个多肽链
break
return seq if seq else None
def get_sequences(directory):
"""
获取指定目录下所有 PDB 文件的序列。
参数:
directory (str): PDB 文件夹路径。
返回:
dict: 键为 PDB 文件名,值为其氨基酸序列。
"""
seq_dict = {}
for filename in os.listdir(directory):
if filename.endswith('.pdb'):
filepath = os.path.join(directory, filename)
seq = extract_sequence(filepath)
if seq:
seq_dict[filename] = seq
else:
print(f"警告: 无法提取序列 {filename}")
return seq_dict
def match_pdbs(wetlab_seqs, pdb_files_seqs):
"""
根据序列内容匹配 PDB 文件。
参数:
wetlab_seqs (dict): wetlab_pdb 文件夹中的 PDB 文件及其序列。
pdb_files_seqs (dict): pdb_files 文件夹中的 PDB 文件及其序列。
返回:
list of tuples: 每个元组包含 (wetlab_pdb, pdb_files_pdb)。
"""
matches = []
pdb_files_seqs_reverse = {}
for pdb, seq in pdb_files_seqs.items():
pdb_files_seqs_reverse.setdefault(seq, []).append(pdb)
for wetlab_pdb, wetlab_seq in wetlab_seqs.items():
matched_pdbs = pdb_files_seqs_reverse.get(wetlab_seq, [])
if matched_pdbs:
for matched_pdb in matched_pdbs:
matches.append((wetlab_pdb, matched_pdb))
else:
print(f"警告: 在 pdb_files 中未找到匹配的序列 for {wetlab_pdb} {wetlab_seq}")
return matches
def get_ca_atoms(pdb_path):
"""
提取 PDB 文件中第一个链的所有 C-alpha 原子。
参数:
pdb_path (str): PDB 文件的路径。
返回:
list of Bio.PDB.Atom.Atom: C-alpha 原子列表,如果失败则返回 None。
"""
parser = PDBParser(QUIET=True)
try:
structure = parser.get_structure('structure', pdb_path)
except Exception as e:
print(f"无法解析 PDB 文件 {pdb_path}: {e}")
return None
ca_atoms = []
models = list(structure.get_models())
if not models:
print(f"警告: PDB 文件 {pdb_path} 没有模型。")
return None
first_model = models[0]
chains = list(first_model.get_chains())
if not chains:
print(f"警告: PDB 文件 {pdb_path} 没有链。")
return None
first_chain = chains[0]
for residue in first_chain:
if is_aa(residue, standard=True):
if 'CA' in residue:
ca = residue['CA']
ca_atoms.append(ca)
return ca_atoms if ca_atoms else None
def calculate_rmsd(pdb_path1, pdb_path2):
"""
计算两个 PDB 文件之间的 RMSD。
参数:
pdb_path1 (str): 第一个 PDB 文件路径。
pdb_path2 (str): 第二个 PDB 文件路径。
返回:
float: RMSD 值,如果计算失败则返回 None。
"""
atoms1 = get_ca_atoms(pdb_path1)
atoms2 = get_ca_atoms(pdb_path2)
if atoms1 is None or atoms2 is None:
print(f"警告: 无法获取 C-alpha 原子 for {pdb_path1} and/or {pdb_path2}")
return None
if len(atoms1) != len(atoms2):
print(f"警告: {os.path.basename(pdb_path1)} 和 {os.path.basename(pdb_path2)} 的 C-alpha 原子数量不同 ({len(atoms1)} vs {len(atoms2)}).")
return None
# 创建 Superimposer 对象
sup = Superimposer()
sup.set_atoms(atoms1, atoms2)
sup.apply(atoms2) # 应用旋转和平移到 atoms2,如果需要
rmsd = sup.rms
return rmsd
def calculate_tm_score_tmtools(coords1, coords2, seq1, seq2):
"""
使用 tmtools 计算两个坐标阵列之间的 TM-score。
参数:
coords1 (np.ndarray): 第一个坐标数组,形状为 N1 x 3。
coords2 (np.ndarray): 第二个坐标数组,形状为 N2 x 3。
seq1 (str): 第一个序列。
seq2 (str): 第二个序列。
返回:
float: TM-score 值,如果计算失败则返回 None。
"""
try:
res = tm_align(coords1, coords2, seq1, seq2)
tm_score = res.tm_norm_chain2 # 使用 tm_norm_chain2 作为 TM-score
return tm_score
except Exception as e:
print(f"Error calculating TM-score with tmtools: {e}")
return None
def process_pair_rmsd_tm(pdb1_path, pdb2_path, seq1, seq2):
"""
处理一对 PDB 文件,计算 TM-score 和 RMSD。
参数:
pdb1_path (str): 第一个 PDB 文件路径。
pdb2_path (str): 第二个 PDB 文件路径。
seq1 (str): 第一个序列。
seq2 (str): 第二个序列。
返回:
tuple: (PDB_ID, TM_score, RMSD)
"""
pdb1 = os.path.basename(pdb1_path)
pdb2 = os.path.basename(pdb2_path)
# 获取 C-alpha 坐标
atoms1 = get_ca_atoms(pdb1_path)
atoms2 = get_ca_atoms(pdb2_path)
if atoms1 is None or atoms2 is None:
print(f"警告: 无法获取 C-alpha 原子 for {pdb1} and/or {pdb2}")
return (f"{pdb1} vs {pdb2}", None, None)
if len(atoms1) != len(atoms2):
print(f"警告: {pdb1} 和 {pdb2} 的 C-alpha 原子数量不同 ({len(atoms1)} vs {len(atoms2)}).")
return (f"{pdb1} vs {pdb2}", None, None)
# 提取坐标为 NumPy 数组
coords1 = np.array([atom.get_coord() for atom in atoms1])
coords2 = np.array([atom.get_coord() for atom in atoms2])
# 计算 RMSD
rmsd = calculate_rmsd(pdb1_path, pdb2_path)
# 计算 TM-score
tm_score = calculate_tm_score_tmtools(coords1, coords2, seq1, seq2)
return (f"{pdb1} vs {pdb2}", tm_score, rmsd)
def main():
# 配置文件夹路径
wetlab_dir = "./wetlab_pdb" # 替换为您的 wetlab_pdb 文件夹路径
pdb_files_dir = "/home/ubuntu/alphafold3/output_pdb/" # 替换为您的 pdb_files 文件夹路径
output_csv = "alphafold3_tm_rmsd_results.csv" # 输出的 CSV 文件名
# 检查文件夹是否存在
if not os.path.isdir(wetlab_dir):
print(f"错误: 文件夹 '{wetlab_dir}' 不存在。")
sys.exit(1)
if not os.path.isdir(pdb_files_dir):
print(f"错误: 文件夹 '{pdb_files_dir}' 不存在。")
sys.exit(1)
print("提取 wetlab_pdb 文件夹中的序列...")
wetlab_seqs = get_sequences(wetlab_dir)
print(f"提取到 {len(wetlab_seqs)} 个序列。\n")
print("提取 pdb_files 文件夹中的序列...")
pdb_files_seqs = get_sequences(pdb_files_dir)
print(f"提取到 {len(pdb_files_seqs)} 个序列。\n")
print("匹配 PDB 文件 based on sequences...")
matches = match_pdbs(wetlab_seqs, pdb_files_seqs)
print(f"找到 {len(matches)} 对匹配的 PDB 文件。\n")
if not matches:
print("没有找到任何匹配的 PDB 文件。")
sys.exit(0)
results = []
print("开始计算 TM-score 和 RMSD...\n")
for wetlab_pdb, ref_pdb in matches:
print(f"处理: {wetlab_pdb} vs {ref_pdb}")
wetlab_path = os.path.join(wetlab_dir, wetlab_pdb)
ref_path = os.path.join(pdb_files_dir, ref_pdb)
try:
# 获取序列
seq1 = wetlab_seqs[wetlab_pdb]
seq2 = pdb_files_seqs[ref_pdb]
pdb_id, tm_score, rmsd = process_pair_rmsd_tm(wetlab_path, ref_path, seq1, seq2)
if tm_score is not None and rmsd is not None:
print(f"TM-score: {tm_score:.4f}, RMSD: {rmsd:.4f} Å\n")
else:
print("计算失败。\n")
except Exception as e:
print(f"错误: 处理 {wetlab_pdb} vs {ref_pdb} 时出错: {e}\n")
pdb_id, tm_score, rmsd = (f"{wetlab_pdb} vs {ref_pdb}", None, None)
results.append((pdb_id, tm_score, rmsd))
# 创建 DataFrame
df = pd.DataFrame(results, columns=['PDB_ID', 'TM_score', 'RMSD'])
# 过滤掉无法计算的结果
valid_df = df.dropna(subset=['TM_score', 'RMSD'])
if not valid_df.empty:
# 计算平均值和标准差
avg_tm = valid_df['TM_score'].mean()
std_tm = valid_df['TM_score'].std()
avg_rmsd = valid_df['RMSD'].mean()
std_rmsd = valid_df['RMSD'].std()
# 创建摘要 DataFrame
summary = pd.DataFrame({
'PDB_ID': ['Average', 'Std Dev'],
'TM_score': [avg_tm, std_tm],
'RMSD': [avg_rmsd, std_rmsd]
})
# 合并摘要和详细结果
final_df = pd.concat([summary, df], ignore_index=True)
else:
final_df = df.copy()
# 保存到 CSV
final_df.to_csv(output_csv, index=False)
print(f"结果已保存到 '{output_csv}'。")
# 打印摘要
if not valid_df.empty:
print("\n### 计算摘要 ###")
print(f"平均 TM-score: {avg_tm:.4f}")
print(f"TM-score 标准差: {std_tm:.4f}")
print(f"平均 RMSD: {avg_rmsd:.4f} Å")
print(f"RMSD 标准差: {std_rmsd:.4f} Å")
else:
print("没有成功计算任何 PDB 对的 TM-score 和 RMSD。")
if __name__ == "__main__":
main()