酶 EC number 预测工具CLEAN的安装和使用

写在前面

酶往往根据其可以催化的化学反应进行分类，最广为人知的酶催化功能数字分类方案是酶委员会(EC)编号，每个EC编号都与酶催化的化学反应相关，所有催化相同反应的酶都具有相同的EC编号。因此，EC编号是到目前为止最常用的酶分类方案，它使用四位数字来确定酶的催化功能，通过预测EC编号，可以用来完全确定酶的催化功能。针对现有模型无法对研究较少的蛋白质，或者具有未表征功能，或者多种活性的蛋白质的功能进行准确注释的问题，研究人员基于对比学习机制开发了一种酶蛋白功能预测的AI深度学习框架CLEAN。CLEAN 基于 UniProt 的高质量数据库进行训练，通过输入氨基酸序列就可得到酶功能编号（EC, Enzyme commission，指示酶催化哪种反应的 ID 代码）的可能性排序列表。为了验证 CLEAN 的准确性和稳健性，作者团队不仅进行了大量的计算机运算实验，还使用 CLEAN 为 36 个分类的卤化酶的进行功能注释 EC 编号，结合实际实验验证结果，综合表明 CLEAN 在这些酶功能预测任务中比其他工具更具优越性。

一、安装教程

1. 克隆项目代码

git clone https://github.com/tttianhao/CLEAN.git
cd CLEAN/app

2. 创建 Conda 环境

确保你已经安装了 Anaconda 或 Miniconda。

conda create -n clean python==3.10.4 -y
conda activate clean

说明：这里我们新建了一个名为 clean 的虚拟环境，Python 版本为 3.10.4。

3. 安装依赖

进入项目目录后，使用 pip 安装所需依赖：

pip install -r requirements.txt

4. 安装 PyTorch + CUDA 11.3

# CUDA 11.3
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch

5. 下载预训练权重

• 下载并解压官方提供的预训练模型（70% / 100% split），以及 cluster embeddings 文件。

• 把解压后的内容放到：data/pretrained/（没有下载这部分文件的话，推理会报错）

unzip pretrained.zip

6. 构建依赖模块

python build.py install

这是 CLEAN 的自定义构建步骤，必须执行。

6. 安装 Facebook ESM（蛋白质语言模型依赖）

git clone https://github.com/facebookresearch/esm.git

然后把 esm/ 路径加到 PYTHONPATH，或者直接安装：

cd esm pip install -e .

7. 准备 ESM 数据目录

mkdir data/esm_data

二、使用教程

1. 执行示例推理脚本

python CLEAN_infer_fasta.py --fasta_data price

执行上述脚本你的时候会默认下载esm的模型权重：esm1b_t33_650M_UR50S，但是由于网络等原因可能遇到下面的问题，解决方案就是下载到本地在传输到服务器上即可；

RuntimeError: unexpected EOF, expected ... The file might be corrupted.

显示以下的信息说明执行成功：

结果将保存在以下目录中：results/inputs/price_maxsep.csv

2. 通用推理脚本

python CLEAN_infer_fasta.py --fasta_data <name>

• 只接收一个参数：--fasta_data（字符串）。

• 语义：不带扩展名的 FASTA 基名。
  示例：--fasta_data test → 期望存在 data/inputs/test.fasta。

• 推理结果：会保存在以下路径中 results/<name>.csv

脚本会自己去找 data/inputs/<name>.fasta，传入 test 而不是 test.fasta；否则最后清理时会去删 test.fasta.csv 这种不存在的路径