/ Модель

Характеристики

Лицензия
cc-by-nc-2.0
Библиотека
diffusers
Опубликована
30 июл 2026

kukulu

Генерация масокИзображение → mask

Kukulu реконструирует замаскированные петли CDR антител в комплексах с антигеном, сохраняя структурный контекст.

0скачиваний за 30 дней0лайковвеса обновлены31 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Kukulu — модель Silico Biosciences для реконструкции петель CDR антител в комплексах антитело–антиген. Она сочетает архитектуру Joint Embedding Predictive Architecture (JEPA) с условной диффузией: контекстный энкодер обрабатывает структуру с замаскированными остатками CDR, трансформер предсказывает их латентные представления, а диффузионная голова восстанавливает координаты атомов, наличие атомов и идентичность остатков. При генерации модель изменяет только замаскированные участки CDR, сохраняя каркас структуры; после этого можно восстановить боковые цепи и выполнить структурную релаксацию.

Модель предназначена для восстановления и проектирования вариативных участков антител, включая CDR-H3, с учётом локальной геометрии и контекста антигена. Входом служит PDB-комплекс с указанием цепей тяжёлой и лёгкой цепей антитела и цепей антигена; структуры подготавливаются с выделением областей Fv и CDR по нумерации Chothia и представляются в формате atom37. Доступен формат весов PyTorch. Лицензия CC BY-NC 2.0 ограничивает коммерческое использование.

Сценарии применения

  • восстановление структуры замаскированных петель CDR антитела
  • генерация вариантов петли CDR-H3 в комплексе с антигеном
  • предсказание координат атомов и идентичности остатков в CDR
  • структурное моделирование вариативных участков антител

Ограничения

Модель описана для реконструкции CDR в структурах комплексов антитело–антиген и требует PDB-входа с заданными цепями антитела и антигена. Лицензия CC BY-NC 2.0 не допускает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kūkulu - Diffusion-Based Reconstruction of Antibody CDR Loops using a Structure-Aware Joint Embedding Predictive Architecture

Abstract

Antibody complementarity-determining regions (CDRs), especially CDR-H3, are a dominant source of binding specificity but remain difficult to design due to coupled sequence-structure constraints and local geometric variability. Here we present Kukulu, a structure-aware Joint Embedding Predictive Architecture (JEPA) combined with conditional diffusion for CDR loop reconstruction in antibody-antigen complexes. Our pipeline prepares structures by chain-aware cleanup, Fv trimming, Chothia-indexed CDR identification, and in silico CDR masking, then trains on paired prepared/masked structures represented in an atom37 format. The model uses a context encoder over masked structures, a transformer predictor for latent CDR representations, and a diffusion head that reconstructs loop coordinates, atom presence, and residue identities under geometry-aware losses. During generation, Kukulu denoises only masked CDR residues while preserving framework context, then optionally rebuilds sidechains with local frame templates and performs post-generation structural relaxation.

Usage

Inferencing code can be found on GitHub at https://github.com/silicobio/kukulu/. The generate() function accepts an input PDB complex and its chain information for the heavy and light chains and the antigen chain(s). For the checkpoint, download it from this Hugging Face model page.

from kukulu import generate
import json

result = generate(
    checkpoint_path="checkpoint.pt",
    pdb_path="1ABC.pdb",
    h_chain="H",
    l_chain="L",
    antigen_chains="A|B",
    device="cuda"
)

print(json.dumps(result, indent=4))

The result object is a dictionary that includes information about the input structure (e.g., the location of the CDR loops, the input and masked Fv sequences) along with the generated outputs (e.g., the generated Fv sequences and the PDB string). This will also include the predicted binding affinity metrics of the relaxed novel Fv structure from HADDOCK3.

{
    "pdb_id": "5jxe",
    "h_chain": "C",
    "l_chain": "D",
    "antigen_chains": ["B"],
    "errors": [],
    ...
    "input_h_seq": "QVQLV...",
    "input_l_seq": "EIVLT...",
    "masked_h_seq": "...ASXXXXXXXYM...",
    "masked_l_seq": "...SCXXXXXXXWY...",
    "generated_h_seq": "EIVLT...",
    "generated_l_seq": "QVQLV...",
    "generated_cdr_residue_count": 55,
    "generated_pdb": "ATOM ...",
    "relaxation_applied": true,
    "haddock_scores": {
        "score": -217.7198,
        "vdw": -149.3,
        "elec": -193.378,
        "desolv": -29.7442,
        "bsa": 3823.62,
        "total": -342.678
    }
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffusers · mask-generation

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
4353ff4

0 моделей