DeImmuneMPNN

简介

基于 WeADApt v4.3 + ProteinMPNN 的蛋白质免疫原性优化工具，通过计算序列搜索（基于MCTS算法）优化蛋白质中的 MHCII 表位，从而降低蛋白质的免疫原性。
核心思想
本项目采用 MCTS (Monte Carlo Tree Search) + ProteinMPNN 的迭代优化策略：

• ProteinMPNN 基于蛋白质三维结构生成候选序列
• weadapt 预测 MHCII 表位
• MCTS 使用单棵树管理完整搜索空间，通过 UCB1 选择策略平衡探索与利用

该流程以“生成—评估—反馈”为核心，实现对免疫原性风险的系统性降低。

参数说明

PDB File

输入PDB文件

Optimization Rounds

MCTS 优化轮数,默认为10

Sequence Per Leaf

每个叶子节点生成的序列数，默认为20

Top Leaves

每轮从多少个最有希望的叶子生成候选，默认为10

MCTS Iterations

MCTS 迭代次数（动态调整），默认为50

MCTS Max Depth

搜索树的最大深度，用于限制序列进化路径长度，默认为10。

Temperature

ProteinMPNN 的初始采样温度，用于控制序列多样性，默认为0.05。

Maximum Temperature

ProteinMPNN 最大温度，默认为0.3

Output CSV

输出评估结果的 CSV 文件名，默认：result_mcts.csv。

Output FASTA

输出优化后序列的 FASTA 文件名，默认：result_mcts.fst。

结果说明

输出结果包括：

其中result_mcts.csv包括信息如下：

• EvoRoute具体含义如下，以 0-161-5 为例：
  0：
  表示搜索的起始节点（通常对应初始输入结构或初始序列）
  161：
  表示在第一级搜索中选择的第 161 个分支（即一次基于 ProteinMPNN 生成并经 WeADApt 评估后的序列选择）
  5：
  表示在下一层搜索中，从该节点继续扩展时选择的第 5 个分支
  因此，0-161-5 表示：
  从初始序列出发 → 经过第 161 次分支选择 → 再经过第 5 次子分支扩展 → 得到当前这条序列。