2021年のNFTブームに乗り、いわゆるスマートフォンのソーシャルゲームのようにゲームをプレイし、そのゲーム内のキャラクターを販売したりして報酬を得る「Play to Earn」が流行しました。新たな稼ぎ方として注目されるようになりました。そして、2021年後半には「Move to Earn」という考えが浮上し「動いて稼ぐ」つまり、歩いたり、走ったりして、移動することで稼ぐNFTゲームが流行しています。代表的なものはSTEPNですね。
Move To EarnであるSTEPNとの大きな違いは、トークン（仮想通貨）の稼ぐ方法が違います。Move To Earnの場合は「リアルに歩いて（走って）移動する」こと自体がトークンを稼ぐための条件になります。
しかし、Sleep To EarnであるSleeFiは、「実際に睡眠する」ことがトークンを稼ぐための条件になります。
NFTの知見を増やすための2冊目、もしくは１冊で網羅的に知りたい方におすすめです。362ページというかなりのページ量で、とてもわかり易い図を用いて説明されています。
NFT概要から始まり、NFTの実例として、CryptoKittiesやEthereum Name Serviceなど10数個の実例の解説があります。そして実際のマーケットプレイスとして有名なOpenSea・MakersPlaceなどの解説があります。ここらへんのマーケットプレイスの説明が詳細に書かれているものは稀なのでこれだけでも価値があります。
NFTゲームの中には、Play to Earnといった、これまでのソーシャルゲームのようなNFTゲームから、Move to Earn、Sleep to Earnといったタイプの日常での活動によって"稼ぐ" NFTゲームが存在しています。特にXXX to Earnタイプのゲームが2021から現在にかけてものすごい勢いの流行があります。そのようなNFTゲームでの具体的な事例と法的な考え方を網羅した書籍になっています。
Fig. S1. Comparison of MDM2 bind- ing affinities between random sequences and one residue substitution sequences of p53 peptides and se designed by AfDesign.
Fig. S4. Comparison of PD-1 binding affinity between random sequences and sequences designed in AfDesign with each solubility index.
p53 like peptideとして実験的に結合親和性も確認されている超高結合親和性であるPDIQ55を今回の検討と合わせるためにC末端に"N"を付加した配列の溶解度と結合親和性を計算し、フィルタリングし、その中から結合親和性が最も高い配列（我々がデザインした高親和性配列）を用いて、以下の検討を行いました。
Fig. S5. Weblogo of sequences designed with AfDesign binder hallucination using the Hydropathy Index as a solubility index. Using 90 sequences filtered by logS and binding affinity thresholds for PDIQ + ‘N’ peptide.
Fig. S6. All top rank models from competitive peptide binding prediction of MDM2 with p53 and our highest affinity peptide consistently indicate the highest affinity peptide as the strong binder.
Fig. S7. Heatmap of all pLDDT values in predictions of competitive peptide binding of the competitor peptide and p53 peptide with MDM2 using ColabFold.
Shin, W.-H.; Kumazawa, K.; Imai, K.; Hirokawa, T.; Kihara, D. Current challenges and opportunities in designing protein–protein interaction targeted drugs. Adv. Appl. Bioinform. Chem. 2020, 13, 11–25.
Kosugi, T.; Ohue, M. Quantitative Estimate Index for Early-Stage Screening of Compounds Targeting Protein-Protein Interactions. Int. J. Mol. Sci. 2021, 22, 10925.
Jumper, J.; Evans, R.; Pritzel, A.; Green, T.; Figurnov, M.; Ronneberger, O.; Tunyasuvunakool, K.; Bates, R.; Žídek, A.; Potapenko, A.; et al. Highly Accurate Protein Structure Prediction with AlphaFold. Nature 2021, 596, 583–589.
Baek, M.; DiMaio, F.; Anishchenko, I.; Dauparas, J.; Ovchinnikov, S.; Lee, G.R.; Wang, J.; Cong, Q.; Kinch, L.N.; Schaeffer, R.D.; et al. Accurate Prediction of Protein Structures and Interactions Using a Three-Track Neural Network. Science 2021, 373, 871–876.
Anishchenko, I.; Pellock, S.J.; Chidyausiku, T.M.; Ramelot, T.A.; Ovchinnikov, S.; Hao, J.; Bafna, K.; Norn, C.; Kang, A.; Bera, A.K.; et al. De Novo Protein Design by Deep Network Hallucination. Nature 2021, 600, 547–552. [Google Scholar] [CrossRef]
Cao, L.; Coventry, B.; Goreshnik, I.; Huang, B.; Park, J.S.; Jude, K.M.; Marković, I.; Kadam, R.U.; Verschueren, K.H.G.; Verstraete, K.; et al. Design of Protein Binding Proteins from Target Structure Alone. Nature 2022, 605, 551–560. [Google Scholar] [CrossRef] [PubMed]
Jendrusch, M.; Korbel, J.O.; Sadiq, S.K. AlphaDesign: A de Novo Protein Design Framework Based on AlphaFold. bioRxiv 2021.
Bhandari, B.K.; Gardner, P.P.; Lim, C.S. Solubility-Weighted Index: Fast and Accurate Prediction of Protein Solubility. Bioinformatics 2020, 36, 4691–4698.
Argos, P.; Rao, J.K.M.; Hargrave, P.A. Structural Prediction of Membrane-Bound Proteins. Eur. J. Biochem. 1982, 128, 565–575.
Kyte, J.; Doolittle, R.F. A Simple Method for Displaying the Hydropathic Character of a Protein. J. Mol. Biol. 1982, 157, 105–132.
Zhang, Y.; Sanner, M.F. AutoDock CrankPep: Combining Folding and Docking to Predict Protein–Peptide Complexes. Bioinformatics 2019, 35, 5121–5127.
Adasme, M.F.; Linnemann, K.L.; Bolz, S.N.; Kaiser, F.; Salentin, S.; Haupt, V.J.; Schroeder, M. PLIP 2021: Expanding the Scope of the Protein-Ligand Interaction Profiler to DNA and RNA. Nucleic Acids Res. 2021, 49, W530–W534.
Norn, C.; Wicky, B.I.M.; Juergens, D.; Liu, S.; Kim, D.; Tischer, D.; Koepnick, B.; Anishchenko, I.; Foldit Players; Baker, D.; et al. Protein Sequence Design by Conformational Landscape Optimization. Proc. Natl. Acad. Sci. USA 2021, 118, e2017228118.
Weng, G.; Gao, J.; Wang, Z.; Wang, E.; Hu, X.; Yao, X.; Cao, D.; Hou, T. Comprehensive Evaluation of Fourteen Docking Programs on Protein–Peptide Complexes. J. Chem. Theory Comput. 2020, 16, 3959–3969.
Do align (or super) just on the receptor chains: 'align obj1 and chain A, obj2 and chain A'. Then, you can calculate rmsd with 'rms_cur obj1 and chain B, obj2 and chain B' https://t.co/HNiByLZr0W
Visual Studio Codeを開いて、左下の><となっているところをクリックして、Add Development Container Configuration Filesっていうのをクリックして、From docker-composeというのを選ぶと、.devcontainerディレクトリができて、devcontainer.jsonとdocker-compose.ymlが生成される。
基本自動生成されたままでよいが、使用するPythonは、devcontainerのpythonを指定。/usr/local/bin/pythonで問題ないはず。
今回は、devcontainer上だけで使いたいフォーマッターなどのモジュールをinstallしたり、Visual Studio CodeのExtensionを毎回設定するのは面倒なので、devcontainerを使うときに最初から設定されるようにする。
上記がおわったら、早速起動してみましょう。左下の><となっているところをクリックして、Open Fold in Containerをクリックすれば、devcontainerがビルドされます。コンテナ作成と追加のモジュールのインストール程度の時間なので、1-2分くらいです。そうすると以下のようになります。
devcontainerが起動したVisual Studio Codeの画面
あとは、よしなにこちらで開発をすすめていけばOKです。
Jupyter Notebookについて
Visual Studio Codeは.ipynbファイルを読みこんでノートブックとして動かすことが可能で固定された環境でとても便利ですが、上記の経緯で進めた結果、Notebookの実行でM1固有の問題に直面し、Cellを実行すると、
Failed to start the Kernel.
qemu: uncaught target signal 6 (Aborted) - core dumped.
View Jupyter log for further details.
となってしまって、実行できませんでした。いろいろ調べましたが現状Jupyter NotebookをVisual Studio Codeで動かすことは、まだ難しそうです。
% docker
attach -- Attach local standard input, output, and error streams to a running container
build -- Build an image from a Dockerfile
builder -- Manage builds
buildx* -- Docker Buildx (Docker Inc., v0.7.1)
commit -- Create a new image from a container's changes
compose* -- Docker Compose (Docker Inc., v2.2.1)
config -- Manage Docker configs
container -- Manage containers
...
docker-compose[半角スペース]としてtabを押せば以下のようになる
% docker-compose
build -- Build or rebuild services
convert -- Converts the compose file to platform's canonical format
cp -- Copy files/folders between a service container and the local filesystem
create -- Creates containers for a service.
down -- Stop and remove containers, networks
events -- Receive real time events from containers.
exec -- Execute a command in a running container.
images -- List images used by the created containers
kill -- Force stop service containers.
logs -- View output from containers
ls -- List running compose projects
...
