【2024datawhale 分子AI预测赛笔记】数据挖掘速通Baseline -分类/回归

赛题概述

精准预测分子性质有助于高效筛选出具有优异性能的候选药物。以PROTACs为例，它是一种三元复合物由目标蛋白配体、linker、E3连接酶配体组成，靶向降解目标蛋白质。（研究 PROTACs 技术在靶向降解目标蛋白质方面的潜力。）

提醒：需要python和机器学习基础。

赛事任务

根据提供的demo数据集，可以基于demo数据集进行数据增强、自行搜集数据等方式扩充数据集，并自行划分数据。运用深度学习、强化学习或更加优秀人工智能的方法预测PROTACs的降解能力，若DC50>100nM且Dmax<80% ，则视为降解能力较差（demo数据集中Label=0）；若DC50<=100nM或Dmax>=80%，则视为降解能力好（demo数据集中Label=1）

数据集

数据集包含了多个字段，如uuid（唯一标识符）、Label（降解能力的标签，0表示降解能力较差，1表示降解能力好）、Uniprot、Target、E3
ligase、PDB等，这些都是与PROTACs分子相关的信息。

还包括了降解能力相关的数值指标，如DC50（半数降解浓度）、Dmax（最大降解效率）、IC50（半抑制浓度）、EC50（半有效浓度）等。

还包括了与分子物理化学性质相关的字段，如Molecular Weight（分子量）、Exact Mass（精确质量）、XLogP3（预测的脂水分配系数）等。

参数剖析

• UUID: 一个唯一的标识符，用于识别数据记录。
• Label: 可能指的是化合物或数据集的标签或名称。
• Uniprot: 一个蛋白质数据库，提供关于蛋白质序列、结构和功能的信息。
• Target: 目标蛋白，即PROTACs设计来降解的特定蛋白质。
• E3 ligase: E3连接酶，一种在泛素化过程中扮演角色的酶，帮助标记蛋白质以供降解。
• PDB: 蛋白质数据银行，一个包含蛋白质和核酸结构的数据库。
• Name: 化合物的名称。
• Smiles: 一种表示分子结构的字符串格式。
• DC50 (nM): 半最大降解浓度，即达到最大降解效果一半时的化合物浓度。
• Dmax (%): 最大降解效率，表示化合物能实现的最大降解效果的百分比。
• Assay: 实验方法，这里可能指的是用于测定DC50、Dmax等的实验。
• Percent degradation: 分子降解的百分比。
• IC50 (nM, Protac to Target): 半最大抑制浓度，针对PROTACs与其目标蛋白的复合物。
• EC50 (nM, Protac to Target): 半最大有效浓度，即达到一半最大生物效应的浓度。
• Kd (nM, Protac to Target): 解离常数，表示PROTACs与其目标蛋白复合物的结合强度。
• Ki (nM, Protac to Target): 抑制常数，用于描述抑制剂与酶的结合强度。
• delta G, delta H, -T*delta S: 分别表示结合反应的吉布斯自由能变化、焓变和熵变，这些热力学参数用于描述分子间相互作用的能量状态。
• kon, koff: 分别表示分子结合和解离的速率常数。
• t1/2 (s, Protac to Target): 半衰期，即分子浓度减少到初始浓度一半所需的时间。
• Assay (Protac to Target, kon/koff/t1/2): 可能是指测定结合和解离速率常数以及半衰期的实验方法。
• IC50, EC50, Kd, Ki: 与三元复合物相关的参数，与前面提到的类似，但这里特指三元复合物。
• delta G, delta H, -T*delta S: 描述三元复合物的热力学参数。
• kon, koff, t1/2: 描述三元复合物的动力学参数。
• IC50, EC50, GI50, ED50, GR50: 这些参数描述了化合物在细胞水平上的活性，如半最大抑制浓度、半最大效应浓度等。
• PAMPA Papp: 一种评估药物分子在仿生膜上的通透性的方法。
• Caco-2 A2B/B2A Papp: 使用Caco-2细胞系评估药物分子的肠道吸收能力。
• Article DOI: 文章的数字对象标识符，用于唯一标识科学文献。
• Molecular Weight, Exact Mass: 分子量和精确质量。
• XLogP3: 预测的辛醇/水分配系数，用于预测脂溶性。
• Heavy Atom Count, Ring Count: 重原子数和环的数量。
• Hydrogen Bond Acceptor/Donor Count: 氢键受体/供体计数。
• Rotatable Bond Count: 可旋转键的数量。
• Topological Polar Surface Area: 拓扑极性表面积。
• Molecular Formula, InChI, InChI Key: 分子式、国际化学标识符及其密钥。

生物知识参考信息

• Biopython官方文档：用于生物计算的Python库。
• RDKit官方文档：一个开源化学信息学软件库，用于处理化学分子和相关数据。

流程概述

1. 导入库：首先，导入需要用到的库，包括 pandas（用于数据处理和分析）和 LGBMClassifier（决策树分类器）等。
2. 读取数据：代码通过使用 pd.read_excel 函数从文件中读取训练集和测试集数据，并将其存储在 traindata-new.xlsx 和 testdata-new.xlsx 两个数据框中。
3. 特征工程：
   • test数据不包含 DC50 (nM) 和 Dmax (%)，将train数据中的 DC50 (nM) 和 Dmax (%)删除。
4. LGB树模型训练和预测：
   • 创建了一个 LGBMClassifier 的实例，即LGB分类器。
   • 使用 fit 函数对训练集中的特征和目标进行拟合，训练了决策树模型。
   • 对测试集使用已训练的模型进行预测，得到预测结果。
   • 将预测结果和相应的 uuid 组成一个DataFrame，并将其保存到 submit.csv 文件中。

步骤一：下载相关库

!pip install lightgbm openpyxl

Looking in indexes: https://mirror.baidu.com/pypi/simple/, https://mirrors.aliyun.com/pypi/simple/
Collecting lightgbm
Downloading https://mirrors.aliyun.com/pypi/packages/f2/3d/4f152cf694aec100ab63b4a5547f2dbfbea59ab39d9375c89bed9775e47d/lightgbm-4.4.0-py3-none-manylinux_2_28_x86_64.whl (3.6 MB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 3.6/3.6 MB 796.0 kB/s eta 0:00:0000:0100:01
Collecting openpyxl
Downloading https://mirrors.aliyun.com/pypi/packages/30/d0/abcdb0669931be3a98881e6d7851605981693e93a7924061c67d0cd9f292/openpyxl-3.1.4-py2.py3-none-any.whl (251 kB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 251.4/251.4 kB 814.6 kB/s eta 0:00:00a 0:00:01
Requirement already satisfied: numpy>=1.17.0 in /opt/conda/envs/python35-paddle120-env/lib/python3.10/site-packages (from lightgbm) (1.26.4)
Requirement already satisfied: scipy in /opt/conda/envs/python35-paddle120-env/lib/python3.10/site-packages (from lightgbm) (1.13.1)
Collecting et-xmlfile (from openpyxl)
Downloading https://mirrors.aliyun.com/pypi/packages/96/c2/3dd434b0108730014f1b96fd286040dc3bcb70066346f7e01ec2ac95865f/et_xmlfile-1.1.0-py3-none-any.whl (4.7 kB)
Installing collected packages: et-xmlfile, openpyxl, lightgbm
Successfully installed et-xmlfile-1.1.0 lightgbm-4.4.0 openpyxl-3.1.4
WARNING: Skipping page https://mirror.baidu.com/pypi/simple/pip/ because the GET request got Content-Type: application/octet-stream. The only supported Content-Types are application/vnd.pypi.simple.v1+json, application/vnd.pypi.simple.v1+html, and text/html

步骤二：训练模型并预测结果

# 1. 导入需要用到的相关库
# 导入 pandas 库，用于数据处理和分析
import pandas as pd
# 导入 numpy 库，用于科学计算和多维数组操作
import numpy as np
# 从 lightgbm 模块中导入 LGBMClassifier 类
from lightgbm import LGBMClassifier


# 2. 读取训练集和测试集
# 使用 read_excel() 函数从文件中读取训练集数据，文件名为 'traindata-new.xlsx'
train = pd.read_excel('./data/data280993/traindata-new.xlsx')
# 使用 read_excel() 函数从文件中读取测试集数据，文件名为 'testdata-new.xlsx'
test = pd.read_excel('./data/data280993/testdata-new.xlsx')

# 3 特征工程
# 3.1 test数据不包含 DC50 (nM) 和 Dmax (%)，将train数据中的DC50 (nM) 和 Dmax (%)删除
train = train.drop(['DC50 (nM)', 'Dmax (%)'], axis=1)

# 3.2 将object类型的数据进行目标编码处理
for col in train.columns[2:]:
    if train[col].dtype == object or test[col].dtype == object:
        train[col] = train[col].isnull()
        test[col] = test[col].isnull()

# 4. 加载决策树模型进行训练
model = LGBMClassifier(verbosity=-1)
model.fit(train.iloc[:, 2:].values, train['Label'])
pred = model.predict(test.iloc[:, 1:].values, )

# 5. 保存结果文件到本地
pd.DataFrame(
    {
        'uuid': test['uuid'],
        'Label': pred
    }
).to_csv('submit.csv', index=None)

步骤三：输出submit.csv文件并提交

进阶调参