AIDD&CADD代码复现：FP-GNN：基于分子指纹和图神经网络的分子性质预测模型

文献名称：Cai et al., FP-GNN: a versatile deep learning architecture for enhanced molecular property prediction, Brief Bioinform, 2022

代码地址：GitHub - idrugLab/FP-GNN

复现过程：

1. 文献和代码资料准备：在Pubmed和Github 上下载即可
2. 环境准备：用XSHELL连接服务器，用XFTP传输文件，并且服务器联网
3. 在服务器中创建虚拟环境：（1）使用conda 命令行（2）使用Pycharm
4. 主要使用第一种方法，第二种不详细叙述，创建环境命令 conda create  -n  evn_name  python=version ;evn_name是环境的名称，version是python版本，均可自己定义。

5. conda create  -n  FP-GNN_3.7  python=3.7

6. 激活环境：

   conda activate FP-GNN_3.7

     此时已经进入了虚拟环境中
7. 配置环境变量：根据代码文件中的环境变量，一般是在后缀名.md的文件中，选择合适的版本进行安装，可以用 conda install 也可以用pip install 的方式
8. 运行代码 ：python代码的运行方式是python  file_name.py  这个你的环境跟文件必须是在同一个目录下，所以一般在运行时需要python文件在xftp中的完整路径，还要注意服务器的系统是linux的话斜杠的方向是，python /.../.../file_name.py  如果有参数还要加上参数：
9. 运行train.py 文件命令行：

   python train.py --data_path C:/Users/yk3/Desktop/freesolv/freesolv.csv --dataset_type regression --save_path C:/Users/yk3/Desktop/freesolv --log_path C:/Users/yk3/Desktop/freesolv/log/freesolv

后面步骤就不一一演示，过程相似。

The most important python packages are:
- python == 3.6.7
- pytorch == 1.2.0
- torch == 0.4.1
- tensorboard == 1.13.1
- rdkit == 2019.09.3
- scikit-learn == 0.22.2.post1
- hyperopt == 0.2.5
- numpy == 1.18.2

For using our model more conveniently, we provide the environment file *<environment.txt>* to install environment directly.

---
# **Command**

### **1. Train**
Use train.py

Args:
  - data_path : The path of input CSV file. *E.g. input.csv*
  - dataset_type : The type of dataset. *E.g. classification  or  regression*
  - save_path : The path to save output model. *E.g. model_save*
  - log_path : The path to record and save the result of training. *E.g. log*

E.g.

`python train.py  --data_path data/test.csv  --dataset_type classification  --save_path model_save  --log_path log`

### **2. Predict**
Use predict.py

Args:
  - predict_path : The path of input CSV file to predict. *E.g. input.csv*
  - result_path : The path of output CSV file. *E.g. output.csv*
  - model_path : The path of trained model. *E.g. model_save/model.pt*

E.g.

`python predict.py  --predict_path data/test.csv  --model_path model_save/test.pt  --result_path result.csv`

### **3. Hyperparameters Optimization**
Use hyper_opti.py

Args:
  - data_path : The path of input CSV file. *E.g. input.csv*
  - dataset_type : The type of dataset. *E.g. classification  or  regression*
  - save_path : The path to save output model. *E.g. model_save*
  - log_path : The path to record and save the result of hyperparameters optimization. *E.g. log*

E.g.

`python hyper_opti.py  --data_path data/test.csv  --dataset_type classification  --save_path model_save  --log_path log`

### **4. Interpretation of Fingerprints**
Use interpretation_fp.py

Args:
  - predict_path : The path of input CSV file. *E.g. input.csv*
  - model_path : The path of trained model. *E.g. model_save/model.pt*
  - result_path : The path of result. *E.g. result.txt*

E.g.

`python interpretation_fp.py  --predict_path test.csv  --model_path model_save/test.pt  --result_path result.txt`

### **5. Interpretation of Graph**
Use interpretation_graph.py

Args:
  - predict_path : The path of input CSV file. *E.g. input.csv*
  - model_path : The path of trained model. *E.g. model_save/model.pt*
  - figure_path : The path to save figures of graph interpretation. *E.g. figure*

E.g.

`python interpretation_graph.py  --predict_path test.csv  --model_path model_save/test.pt  --figure_path figure`