mindsponge.metrics.sidechain

mindsponge.metrics.sidechain(alt_naming_is_better, rigidgroups_gt_frames, rigidgroups_alt_gt_frames, rigidgroups_gt_exists, renamed_atom14_gt_positions, renamed_atom14_gt_exists, sidechain_atom_clamp_distance, sidechain_length_scale, pred_frames, pred_positions)[源代码]

调用 frame_aligned_point_error 实现全原子损失函数计算 Jumper et al. (2021) Suppl. Alg. 20 “StructureModule” line 17.

参数：

alt_naming_is_better (Tensor) - shape为 \((N_{res},)\) 的tensor，如果值为1，该残基使用备选的真实值计算损失函数更好。
rigidgroups_gt_frames (Tensor) - 真实局部坐标系，shape为 \((N_{res}, 8, 12)\) ，\(N_{res}\) 是蛋白质中的残基数目。每个残基具有一个骨架刚体变换组和7个由扭转角定义的刚体变换组（这里包括三个主链扭转角和四个侧链扭转角）；对于最后一维，前九个元素代表局部坐标系相对于全局坐标系的旋转矩阵；后三个代表局部坐标系相对于全局坐标系的平移矩阵。
rigidgroups_alt_gt_frames (Tensor) - 备选的真实局部坐标系，部分氨基酸存在手性，因此使用手性对称的位置作为备选。 shape与rigidgroups_gt_frames一致。
rigidgroups_gt_exists (Tensor) - 真实局部坐标系的mask，shape为 \((N_{res},)\) 。
renamed_atom14_gt_positions (Tensor) - 重命名的真实原子坐标（部分氨基酸存在手性对称，需先进行对称变换操作重命名，参见函数 compute_renamed_ground_truth），采用14位稠密编码，shape为 \((N_{res}, 14, 3)\) 。
renamed_atom14_gt_exists (Tensor) - 重命名后的原子坐标的mask，shape为 \((N_{res}, 14)\) 。
sidechain_atom_clamp_distance (float) - 距离误差的截断点，超过该距离时梯度不再考虑，常量。
sidechain_length_scale (float) - 单位距离，用于缩放距离的差，常量。
pred_frames (Tensor) - 预测的局部坐标系，shape为 \((12, N_{recycle}, N_{res}, 8)\) ，其中 \(N_{recycle}\) 是Structure模块中FoldIteration的循环次数，实际只使用最后一次循环产生的局部坐标系。
pred_positions (Tensor) - 预测的原子坐标，shape为 \((3, N_{recycle}, N_{res}, 14)\) ，实际只使用最后一次循环产生的坐标。

返回：

fape(Tensor)。计算所得全原子点位置误差，计算过程中过大的误差会被截断。shape为 \(()\) 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> np.random.seed(0)
>>> from mindsponge.metrics import sidechain
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> alt_naming_is_better = Tensor(np.zeros((256,))).astype(mstype.float32)
>>> rigidgroups_gt_frames = Tensor(np.random.rand(256, 8, 12)).astype(mstype.float32)
>>> rigidgroups_alt_gt_frames = Tensor(np.random.rand(256, 8, 12)).astype(mstype.float32)
>>> rigidgroups_gt_exists = Tensor(np.random.rand(256, 8)).astype(mstype.float32)
>>> renamed_atom14_gt_positions = Tensor(np.random.rand(256, 14, 3)).astype(mstype.float32)
>>> renamed_atom14_gt_exists = Tensor(np.random.rand(256, 14)).astype(mstype.float32)
>>> sidechain_atom_clamp_distance = 10.0
>>> sidechain_length_scale = 10.0
>>> pred_frames = Tensor(np.random.rand(12, 8, 256, 8)).astype(mstype.float32)
>>> pred_positions = Tensor(np.random.rand(3, 8, 256, 14)).astype(mstype.float32)
>>> sidechain_loss = sidechain(alt_naming_is_better, rigidgroups_gt_frames, rigidgroups_alt_gt_frames,
...                            rigidgroups_gt_exists, renamed_atom14_gt_positions,
...                            renamed_atom14_gt_exists, sidechain_atom_clamp_distance,sidechain_length_scale,
...                            pred_frames, pred_positions)
>>> print(sidechain_loss)
0.08569459