https://torchdrug.ai/
近日,Mila 唐建团队开源了机器学习药物研发平台 TorchDrug。TorchDrug 是一个专为药物研发设计的机器学习平台,涵盖从图机器学习(图神经网络、几何深度学习和知识图谱)、深度生成模型到强化学习的技术,它提供了一个全面而灵活的接口来支持 PyTorch 中药物发现模型的快速原型设计。
这个工具包很新很新,里面有化合物逆合成预测G2G的实现,近日想拿来用一下学习一下,但真正实践过程发现有些地方可能跟官网提供的文档有不一样的地方,在此做个记录。
Retrosynthesis
问题一:Prepare the Dataset
第一个问题在输入参数的时候不应该是reaction_reaction_identification而center_identification
reaction_dataset = datasets.USPTO50k("你自己的文件位置",
node_feature="center_identification",
kekulize=True)
问题二:
reaction_model = models.RGCN(input_dim = reaction_train.dataset.node_feature_dim,
hidden_dims=[256, 256, 256, 256, 256, 256],
num_relation=reaction_train.dataset.num_bond_type,
concat_hidden=True)
输入维数是你要训练的数据集的dataset,不能直接是dataset。reaction_train.dataset.node_feature_dim
num_relation同理。
问题三:
class USPTO50k(data.ReactionDataset):
在这个数据集中,初始定义时少个参数
问题四:必须安装visual studio msvc并将里面的cl文件所在位置配置到环境变量中
C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\VC\Tools\MSVC\14.29.30133\bin\Hostx64\x64
问题五:
{'class': 'datasets.USPTO50k', 'path': 'E:/Dongzhaoxu/code/experiment/g2g/molecule-dataset/', 'as_synthon': True, 'verbose': 1, 'node_feature': 'synthon_completion', 'kekulize': True}
print(dataset.config_dict())
self.dataset_kwargs = dataset.config_dict()
通过把config_dict()打印出来可以看出并没有‘kwargs’这个关键字,因此把这个删掉,程序可以继续运行。
问题六:
后边有个立体原子计算特征值的报错
可能是rdkit版本不一样的问题
为了先把程序跑起来 把所有的问题都忽略了
后续再看怎么回事