update test data

README.md

@@ -2,7 +2,7 @@
  * @Author: zhuww
  * @email: zhuww@sugon.com
  * @Date: 2023-04-06 18:04:07
- * @LastEditTime: 2023-11-23 16:01:01
+ * @LastEditTime: 2023-11-24 14:30:01
 -->
 # AF2
 ## 论文
@@ -19,13 +19,13 @@ AlphaFold2通过从蛋白质序列和结构数据中提取信息，使用神经
 ![img](./docs/alphafold2_1.png)
 
 ## 环境配置
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取推理的docker镜像：
+提供[光源](https://www.sourcefind.cn/#/image/dcu/custom)拉取推理的docker镜像：
 ```
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:alphafold2-2.3.2-dtk-23.10-py38
 # <Image ID>用上面拉取docker镜像的ID替换
 # <Host Path>主机端路径
 # <Container Path>容器映射路径
-docker run -it --name alphafold --shm-size=32G  --device=/dev/kfd --device=/dev/dri/ --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v <Host Path>:<Container Path> <Image ID> /bin/bash
+docker run -it --name alphafold --privileged --shm-size=32G  --device=/dev/kfd --device=/dev/dri/ --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v <Host Path>:<Container Path> <Image ID> /bin/bash
 ```
 
 镜像版本依赖：
@@ -34,10 +34,6 @@ docker run -it --name alphafold --shm-size=32G  --device=/dev/kfd --device=/dev/
 * TensorFlow2: 2.11.0
 * python: python3.8
 
-激活镜像环境：
-
-`source /opt/dtk-23.10/env.sh`
-
 ## 数据集
 推荐使用AlphaFold2中的开源数据集，包括BFD、MGnify、PDB70、Uniclust、Uniref90等,数据集大小约2.62TB。数据集格式如下：
 ```
@@ -88,7 +84,7 @@ $DOWNLOAD_DIR/
 ## 推理
 分别提供了基于Jax的单体和多体的推理脚本.
 ```bash
-    git clone http://developer.hpccube.com/codes/modelzoo/alphafold2_jax.git  # 选择需要的分支下载
+    # 进入工程目录
     cd alphafold2_jax
 ```
 
@@ -124,19 +120,25 @@ $DOWNLOAD_DIR/
 
 查看蛋白质3D结构：[https://www.pdbus.org/3d-view](https://www.pdbus.org/3d-view)
 ![img](./docs/result_pdb.png)
+如上图：红色为真实结构，蓝色为预测结构
 
 ## 精度
-测试数据：[casp14](https://www.predictioncenter.org/casp14/targetlist.cgi)、[uniprot](https://www.uniprot.org/)，
+测试数据：[casp15](https://www.predictioncenter.org/casp15/targetlist.cgi)、[uniprot](https://www.uniprot.org/)，
 使用的加速卡:1张 Z100L-32G
 
-plddts:见<target_name>/ranking_debug.json中的`plddts`
+1、plddts/iptm+ptm
+
+单体见<target_name>/ranking_debug.json中的`plddts`，多体见<target_name>/ranking_debug.json中的`iptm+ptm`
+
+
+2、其它精度值计算：[https://zhanggroup.org/TM-score/](https://zhanggroup.org/TM-score/)
 
 准确性数据：
-| 数据类型 | 序列类型 | 序列标签 | 序列长度 | LDDT |
-| :------: | :------: | :------: | :------: |:------: |
-| fp32 | 单体 | T1026 | 172 | 75.050 |
-| fp32 | 单体 | T1053 | 580 | 92.316 | 
-| fp32 | 单体 | T1091 | 863 | 85.083 |
+| 数据类型 | 模型 | 序列类型 | 序列标签 | 序列长度 | GDT-TS | GDT-HA | PLDDTS/iptm+ptm | TM score | MaxSub | RMSD |
+| :------: | :------: | :------: | :------: |:------: |:------: | :------: | :------: | :------: |:------: |:------: |
+| fp32 | model1 | 单体 | T1029 | 125 | 0.434 | 0.256 | 93.984 | 0.471 | 0.297 | 7.202 |
+| fp32 | model1 | 单体 | T1024 | 408 | 0.664 | 0.470 | 87.076 | 0.829 | 0.518 | 3.516 |
+| fp32 | model_1_multimer_v3 | 多体 | H1106 | 236 | 0.203 | 0.144 | 0.860 | 0.181 | 0.151 | 20.457 |
 
 ## 应用场景