Foldseek

Foldseek mahdollistaa suurten proteiinirakennejoukkojen nopean ja herkän vertailun. Se kuvaa rakenteita rakenneaakkostolla (3Di) ja hakee sekä klusteroi niitä MMseqs2-pohjaisilla algoritmeilla. Roihussa se on tarjolla GPU-kiihdytettynä versiona GH200-GPU-solmuille.

Foldseek

Lisenssi

Vapaasti käytettävissä ja avointa lähdekoodia GNU GPLv3 -lisenssillä.

Saatavuus

Roihu-GPU: 10-941cd33, bio-apps-moduulin kautta.

Foldseek toimii Roihun GPU-solmuilla (GH200). Kirjaudu osoitteeseen roihu-gpu.csc.fi ja lataa moduulit siellä, jotta saat käyttöösi GPU-version.

Käyttö

Foldseek on osa Roihun bio-apps -kokoelmaa. Lataa bio-apps-moduulipuu ja sen jälkeen Foldseek-moduuli:

module load bio-apps/v202603
module load foldseek/10-941cd33

Hae kyselyrakenteiden joukkoa (PDB- tai mmCIF-tiedostoja) kohderakenteiden joukkoa vasten:

foldseek easy-search queries/ targets/ results.m8 tmp

Klusteroi rakennejoukko:

foldseek easy-cluster structures/ clusters tmp -c 0.9

Tietokannat

CSC tarjoaa Roihussa jaettuja, valmiiksi rakennettuja Foldseek-tietokantoja, ja foldseek-moduuli asettaa ympäristömuuttujan $FOLDSEEK_DB osoittamaan niiden sijaintiin (hakemistossa /dataset/project_2020345/foldseek). Anna tietokannan polku haun kohteeksi:

Tietokanta	Lähde (`foldseek databases` -nimi)	Täydennetty kopio GPU-hakua varten
`afdb`	Alphafold/UniProt	`afdb_pad`
`afdb50`	Alphafold/UniProt50	`afdb50_pad`
`afdb_proteome`	Alphafold/Proteome	`afdb_proteome_pad`
`afdb_swissprot`	Alphafold/Swiss-Prot	`afdb_swissprot_pad`
`esmatlas30`	ESMAtlas30	`esmatlas30_pad`
`pdb`	PDB	`pdb_pad`
`cath50`	CATH50	`cath50_pad`
`bfmd`	BFMD	`bfmd_pad`
`bfvd`	BFVD	`bfvd_pad`

foldseek easy-search queries/ $FOLDSEEK_DB/pdb results.m8 tmp

Myös ProstT5 -malli on tarjolla, joten voit hakea rakenteiden sijasta aminohapposekvensseillä (FASTA):

foldseek easy-search queries.fasta $FOLDSEEK_DB/pdb results.m8 tmp --prostt5-model $FOLDSEEK_DB/prostt5

Jos haluat käyttää muuta tietokantaa, foldseek databases lataa valmiiksi rakennetut tietokannat. Aja se ilman argumentteja nähdäksesi kaikki saatavilla olevat tietokannat. Lataa suuret tietokannat projektisi /scratch-hakemistoon:

foldseek databases <name> /scratch/<project>/<database> tmp

foldseek databases vain lataa ja purkaa valmiiksi rakennetut tiedostot, joten voit ajaa sen kirjautumissolmulla.

GPU-kiihdytetty haku

Lisää --gpu 1, jotta haku suoritetaan GPU:lla. GPU-haku tarvitsee täydennetyn kohdetietokannan. Käytä jaettujen tietokantojen täydennettyjä kopioita (nimet päättyvät _pad):

foldseek easy-search queries/ $FOLDSEEK_DB/afdb_swissprot_pad results.m8 tmp --gpu 1 --prefilter-mode 1

GPU-haut on ajettava GPU-solmulla. Käytä eräajoa GPU-osiolla (katso esimerkkieräajoskripti) hakuja varten suuria tietokantoja vasten. Lyhyitä testejä varten voit myös käynnistää interaktiivisen istunnon sinteractive-komennolla osoitteessa roihu-gpu.csc.fi, mutta interaktiiviset istunnot saavat GPU-siiven, jossa on vain 12 GiB GPU-muistia, kun siivutus on otettu käyttöön, joten käytä siellä pientä tietokantaa, kuten afdb_swissprot_pad.

Omia tietokantojasi varten tee täydennetty kopio komennolla makepaddedseqdb:

foldseek makepaddedseqdb mydb mydb_pad

Esimerkkieräajoskripti

#!/bin/bash
#SBATCH --job-name=foldseek
#SBATCH --account=<project>
#SBATCH --output=output_%j.txt
#SBATCH --error=errors_%j.txt
#SBATCH --partition=gpumedium
#SBATCH --time=04:00:00
#SBATCH --nodes=1
#SBATCH --ntasks=1
#SBATCH --cpus-per-task=72
#SBATCH --gres=gpu:gh200:1

module load bio-apps/v202603
module load foldseek/10-941cd33

foldseek easy-search queries/ $FOLDSEEK_DB/afdb_swissprot_pad results.m8 tmp --gpu 1 --prefilter-mode 1 \
  --threads $SLURM_CPUS_PER_TASK

Korvaa <project> CSC-projektillasi (esimerkiksi project_2001234). Katso eräajokomentosarjan luominen Roihulle saadaksesi lisätietoja eräajoista, ja GPU-osiot saatavilla olevista GPU-resursseista.

Tuki

CSC:n asiakastuki