OneScience-Group/Antibody_deep_learning

Antibody Deep Learning

模型介绍

Antibody Deep Learning 是一个面向抗体 CDR3 序列分析的深度学习复现项目，主要包含两个任务：

1. 使用卷积神经网络 CNN 预测 CTLA-4 和 PD-1 抗体序列是否为 binder。
2. 使用生成对抗网络 GAN 生成面向 CTLA-4 和 PD-1 的合成 CDR3K/CDR3H 序列。

原始项目以 RMarkdown 为主入口，通过 R keras / reticulate 调用 Python TensorFlow 后端。本仓库保留官方数据、官方已训练权重和原始说明，同时在 scripts/ 目录中提供适配当前 TensorFlow/DCU 环境的等价运行脚本。

论文：

Predicting antibody binders and generating synthetic antibodies using deep learning

https://doi.org/10.1080/19420862.2022.2069075

模型描述

本项目包含两类模型。

模型	任务	输入	输出
CNN	判断 CTLA-4 / PD-1 抗体序列是否为 binder	CDR3K + CDR3H，经 padding 和 BLOSUM62 编码后为 36 x 22 x 1	二分类概率，non-binder / binder
GAN	生成 CDR3 序列	100 维随机噪声	32 x 22 x 1 的氨基酸图像，再解码为 CDR3 序列

CNN 分别训练两个模型：

模型路径	靶点	说明
weight/CNN/model_c1	CTLA-4	官方已训练 CNN SavedModel
weight/CNN/model_p1	PD-1	官方已训练 CNN SavedModel

GAN 共 15 个生成器，对应不同 target / chain / V gene 组合：

编号	官方权重路径	分组
1	weight/GAN/GAN_model_1	CTLA4 heavy IGHV3-33*01
2	weight/GAN/GAN_model_2	CTLA4 heavy IGHV1-18*04
3	weight/GAN/GAN_model_3	CTLA4 heavy IGHV3-20*01
4	weight/GAN/GAN_model_4	CTLA4 heavy IGHV4-39*01
5	weight/GAN/GAN_model_5	CTLA4 light IGKV3-20*01
6	weight/GAN/GAN_model_6	CTLA4 light IGKV1D-39*01
7	weight/GAN/GAN_model_7	CTLA4 light IGKV1-17*01
8	weight/GAN/GAN_model_8	CTLA4 light IGKV1-16*01
9	weight/GAN/GAN_model_9	PD1 heavy IGHV4-4*07
10	weight/GAN/GAN_model_10	PD1 heavy IGHV3-33*03
11	weight/GAN/GAN_model_11	PD1 heavy IGHV1-18*04
12	weight/GAN/GAN_model_12	PD1 light IGKV1-17*01
13	weight/GAN/GAN_model_13	PD1 light IGKV1-6*02
14	weight/GAN/GAN_model_14	PD1 light IGKV3-15*01
15	weight/GAN/GAN_model_15	PD1 light IGKV1-9*01

适用场景

场景	说明
CTLA-4 / PD-1 binder 分类	使用仓库内置 CNN 模型，对 CDR3K + CDR3H 序列进行 BLOSUM62 编码后预测 binder / non-binder，可复现论文中的抗体结合分类任务。
合成抗体 CDR3 序列生成	使用 15 个 GAN generator，按 CTLA-4 / PD-1、heavy / light chain 及 V gene 分组生成合成 CDR3 序列。
抗体工程方法复现	复现论文中将抗体 CDR3 序列转为二维“抗体图像”、训练 CNN 分类器、使用 GAN 学习序列分布的核心流程。
解释性分析和序列优化参考	结合原始 RMarkdown 中的模型评估、ROC 分析和 in silico mutagenesis 思路，分析影响 binder 分类的重要 CDR3 位点。

使用说明

1. OneCode 使用

可通过 OneCode 在线环境体验智能化一键式 AI4S 编程：

点击体验智能化一键式 AI4S 编程

2. 手动安装使用

硬件要求

• CPU 可用于数据预处理、小规模推理和连通性验证。
• 推荐使用 GPU/DCU 进行训练和批量推理。
• DCU 用户需要加载与当前集群匹配的 DTK 模块，并先验证 TensorFlow 基础算子可正常运行。

安装运行环境

DCU 环境

# 请首先激活 DTK 及 CONDA
conda create -n onescience311 python=3.11 -y
conda activate onescience311
# 支持uv安装
pip install onescience[bio] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

环境说明

• 搭建好 OneScience 基础环境后，用户还需额外准备 R 运行环境和 R 包。安装示例：

module load R/3.6.3-gcc-7.3.1
mkdir -p ~/R/library/3.6 ~/tmp
export R_LIBS_USER=$HOME/R/library/3.6

如果集群中的 R 模块路径不是 /public/software/apps/R-3.6.3/bin，请先用下面命令确认实际路径，并同步替换后续命令中的 PATH：

which Rscript
Rscript --version

由于 R 3.6.3 版本较老，部分 CRAN 最新包不再兼容，建议使用 CRAN 历史快照安装依赖：

env -i \
HOME=$HOME \
USER=$USER \
PATH=/usr/bin:/bin:/public/software/apps/R-3.6.3/bin \
R_LIBS_USER=$HOME/R/library/3.6 \
TMPDIR=$HOME/tmp \
Rscript -e 'options(repos=c(CRAN="https://packagemanager.posit.co/cran/2023-10-20")); install.packages(c("reticulate","dplyr","ggplot2","readr","tidyr","purrr","tibble","stringr","forcats","mltools","caret","pROC","remotes"), type="source")'

安装完成后验证 R 包可正常加载：

env -i \
HOME=$HOME \
USER=$USER \
PATH=/usr/bin:/bin:/public/software/apps/R-3.6.3/bin \
R_LIBS_USER=$HOME/R/library/3.6 \
TMPDIR=$HOME/tmp \
Rscript -e 'library(reticulate); library(caret); library(pROC); cat("R packages OK\n")'

后续运行 R 脚本时仍需显式传入 R_LIBS_USER=$HOME/R/library/3.6，否则可能出现 there is no package called ... 的报错。

• 运行过程中遇到 TensorFlow 相关问题，可以使用平台提供的适配版 TensorFlow wheel，并加载匹配的 DTK 模块。例如：

# 1. 下载平台 TensorFlow wheel
wget --content-disposition 'https://download.sourcefind.cn:65024/file/4/tensorflow/DAS1.8/tensorflow-2.13.1+das.opt1.dtk2604-cp311-cp311-manylinux_2_28_x86_64.whl'

# 2. 安装 TensorFlow
pip install tensorflow*

# 3. 加载对应 DTK
module load compiler/dtk/26.04

快速开始

1. 下载模型包

hf download OneScience-Group/Antibody_deep_learning --local-dir ./Antibody_deep_learning
cd Antibody_deep_learning

数据和权重说明

内置数据

路径	说明
model/CNN/all_ab_pre_post.txt	CNN 原始输入表，包含 CDR3K、CDR3H、antigen、pre/post frequency、fold change 等信息。
model/BLOSUM62_with_deletion.Rdata	BLOSUM62 编码矩阵，包含 20 种氨基酸、X 和 gap -。
model/CNN/c1.RDS / model/CNN/p1.RDS	CTLA-4 / PD-1 的 train/test 划分对象。
model/CNN/*train*.RDS / model/CNN/*test*.RDS	CNN 训练和测试张量及 one-hot 标签。
model/GAN/seq_all.RDS	GAN 预处理 CDR3 序列，按 target/chain/V gene 分组。
model/GAN/seq_all_encoded.RDS	GAN BLOSUM62 编码后的训练张量列表。

内置权重

路径	说明
weight/CNN/model_c1	官方 CTLA-4 CNN SavedModel。
weight/CNN/model_p1	官方 PD-1 CNN SavedModel。
weight/GAN/GAN_model_1 到 weight/GAN/GAN_model_15	官方 15 个 GAN generator SavedModel。

推理示例

1. CNN 模型推理

用途：加载 weight/CNN/model_c1 和 weight/CNN/model_p1，实现 CTLA-4 / PD-1 binder 分类。

env -i \
HOME=$HOME \
USER=$USER \
PATH=$PATH:/public/software/apps/R-3.6.3/bin \
LD_LIBRARY_PATH=$LD_LIBRARY_PATH \
R_LIBS_USER=$HOME/R/library/3.6 \
RETICULATE_PYTHON=$(which python) \
PYTHONNOUSERSITE=1 \
TMPDIR=$HOME/tmp \
Rscript scripts/02_cnn_inference.R

输出文件：

model/CNN/c1_tf218_inference_result.RDS
model/CNN/p1_tf218_inference_result.RDS

2. GAN 模型推理

用途：加载 weight/GAN/GAN_model_1 到 weight/GAN/GAN_model_15，每个模型生成 100 条 CDR3 序列。

env -i \
HOME=$HOME \
USER=$USER \
PATH=$PATH:/public/software/apps/R-3.6.3/bin \
LD_LIBRARY_PATH=$LD_LIBRARY_PATH \
R_LIBS_USER=$HOME/R/library/3.6 \
RETICULATE_PYTHON=$(which python) \
PYTHONNOUSERSITE=1 \
TMPDIR=$HOME/tmp \
Rscript scripts/03_gan_inference.R

输出文件：

model/GAN/gen_seq_tf218.RDS
model/GAN/gen_seq_tf218.tsv

训练示例

1. 数据预处理

用途：生成 CNN/GAN 中间训练数据。

env -i \
HOME=$HOME \
USER=$USER \
PATH=$PATH:/public/software/apps/R-3.6.3/bin \
R_LIBS_USER=$HOME/R/library/3.6 \
TMPDIR=$HOME/tmp \
Rscript scripts/01_prepare_data_compat.R

输出包括：

model/CNN/c1_train.RDS
model/CNN/c1_test.RDS
model/CNN/p1_train.RDS
model/CNN/p1_test.RDS
model/GAN/seq_all_encoded.RDS

2. CNN 训练

先导出 Python 可读数据：

env -i \
HOME=$HOME \
USER=$USER \
PATH=$PATH:/public/software/apps/R-3.6.3/bin \
LD_LIBRARY_PATH=$LD_LIBRARY_PATH \
R_LIBS_USER=$HOME/R/library/3.6 \
RETICULATE_PYTHON=$(which python) \
PYTHONNOUSERSITE=1 \
TMPDIR=$HOME/tmp \
Rscript scripts/04_export_cnn_npz.R

训练：

python scripts/05_train_cnn.py

输出：

weight/CNN/model_c1_dcu
weight/CNN/model_p1_dcu
weight/CNN/model_c1_dcu_eval.npz
weight/CNN/model_p1_dcu_eval.npz

3. GAN 训练

先导出 Python 可读数据：

env -i \
HOME=$HOME \
USER=$USER \
PATH=$PATH:/public/software/apps/R-3.6.3/bin \
LD_LIBRARY_PATH=$LD_LIBRARY_PATH \
R_LIBS_USER=$HOME/R/library/3.6 \
RETICULATE_PYTHON=$(which python) \
PYTHONNOUSERSITE=1 \
TMPDIR=$HOME/tmp \
Rscript scripts/06_export_gan_npz.R

单模型 smoke test：

python scripts/07_train_gan.py --model-id 1 --rounds 20

单模型完整训练：

python scripts/07_train_gan.py --model-id 1 --rounds 100

全量 15 个模型训练：

for i in $(seq 1 15); do
  echo "===== training GAN model $i ====="
  python scripts/07_train_gan.py --model-id $i --rounds 100
done

输出：

weight/GAN/GAN_model_1_dcu 到 weight/GAN/GAN_model_15_dcu
weight/GAN/GAN_model_1_dcu_loss.npz 到 weight/GAN/GAN_model_15_dcu_loss.npz

4. 使用新训练 GAN 模型生成序列

单模型：

python scripts/08_generate_from_trained_gan.py \
  --model-id 1 \
  --n-seq 100 \
  --out-tsv model/GAN/gen_seq_trained_model_1_dcu.tsv

全量：

python scripts/08_generate_from_trained_gan.py \
  --model-id 0 \
  --n-seq 100 \
  --out-tsv model/GAN/gen_seq_trained_all_dcu.tsv

生成统计：

python - <<'PY'
import pandas as pd
import re

df = pd.read_csv("model/GAN/gen_seq_trained_all_dcu.tsv", sep="\t")
df["length"] = df["aa"].astype(str).str.len()
df["valid"] = df["aa"].astype(str).str.fullmatch(r"[ARNDCQEGHILKMFPSTWYV]+")

summary = (
    df.groupby(["model_id", "group"])
      .agg(
          n_seq=("aa", "size"),
          n_unique=("aa", "nunique"),
          min_len=("length", "min"),
          median_len=("length", "median"),
          max_len=("length", "max"),
          valid_rate=("valid", "mean"),
      )
      .reset_index()
)

print(summary.to_string(index=False))
summary.to_csv("model/GAN/gen_seq_trained_all_dcu_summary.tsv", sep="\t", index=False)
PY

OneScience 官方信息

平台	OneScience 主仓库	Skills 仓库
Gitee	https://gitee.com/onescience-ai/onescience	https://gitee.com/onescience-ai/oneskills
GitHub	https://github.com/onescience-ai/OneScience	https://github.com/onescience-ai/oneskills

引用与许可证

• Antibody Deep Learning 原始论文：Predicting antibody binders and generating synthetic antibodies using deep learning。

• 论文信息：Yoong Wearn Lim, Adam S. Adler, David S. Johnson. mAbs 14(1):2069075, 2022. DOI: 10.1080/19420862.2022.2069075。

• 原始代码和数据来源：ywlim/Antibody_deep_learning。论文数据可用性说明中给出了该仓库地址。

• 相关源码使用 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International(CC BY-NC-SA 4.0)，详见仓库根目录 LICENSE。使用、修改和再发布本项目内容时，请遵循署名、非商业使用和相同方式共享等许可要求。

• 如果在科研工作中使用本项目，建议同时引用原论文以及 OneScience 相关信息。