AIが作ったタンパク質を評価

このチュートリアルでは、Anthropicのclaude-protein-binder-designデータセットを使用します。このデータセットには、16種類のターゲットに対してテストされた1,440個のAI設計ミニプロテインバインダーが含まれています。このリリースには、計算による予測と、2つの独立したラボによる実際のwet-lab（ウェットラボ）結果の両方が含まれているため、単にデザインを研究するだけにとどまりません。私たちは、構造予測因子が成功したバインダーをどれだけうまく特定するか、予測を組み合わせることで性能が向上するか、ランキングが実際のテスト予算にどのように変換されるか、そしてアッセイ自体からどれだけの不一致が生じるかを評価します。また、これらのシグナルが実験の成功を確実に予測できるかをテストするために、ターゲットを認識する分類器を訓練します。Copy Code Copied Use a different Browser import subprocess, sys, warnings, itertools, math warnings.filterwarnings("ignore") import importlib.util _needed = {"huggingface_hub": "huggingface_hub>=0.24", "pyarrow": "pyarrow", "pandas": "pandas", "sklearn": "scikit-learn", "matplotlib": "matplotlib", "scipy": "scipy"} _missing = [pkg for mod, pkg in _needed.items() if importlib.util.find_spec(mod) is None] if _missing: print("installing:", ", ".join(_missing)) subprocess.run([sys.executable, "-m", "pip", "install", "-q", *_missing], check=False) import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats from huggingface_hub import HfApi, hf_hub_download from sklearn.metrics import roc_auc_score, cohen_kappa_score, average_precision_score from sklearn.model_selection import GroupKFold, StratifiedKFold from sklearn.ensemble import HistGradientBoostingClassifier from sklearn.inspection import permutation_importance SEED = 0 rng_global = np.random.default_rng(SEED) pd.set_option("display.width", 200) pd.set_option("display.max_columns", 100) plt.rcParams.update({"figure.dpi": 110, "font.size": 9, "axes.grid": True, "grid.alpha": 0.25, "axes.spines.top": False, "axes.spines.right": False}) REPO = "Anthropic/claude-protein-binder-design" BAR = "=" * 78 def head(n, title): prefix = f"{n}."