DataWhale暑期夏令营——RNN建模SMILES进行反应产率预测

在之前的Task1中，我们利用RDkit工具将SMILES表示的分子转化为Morgan Fingerprint，并使用随机森林进行了建模，取得了第一个成绩。在Task2中，我们将进一步学习AI4Science的相关知识，探索深度学习方法在化学反应预测中的应用，重点是使用RNN建模SMILES进行反应产率预测。

思考引导
如何将化学知识转化为计算机可识别的形式
化学知识包括元素周期表、分子式、化学反应方程、熵、焓、自由能等，主要通过文本和专有符号记录。
 

AI4Science的发展历史
AI4Science的发展大致分为三个阶段：

1.将化学知识以计算机形式存储，并构建数据库**：使用不同方法将化学知识和信息存储为计算机形式，构建数据库。例如，用字符表示分子，保存分子的原子和键的位置信息等。
   
2. 机器学习：对已有数据进行特征工程，使用传统机器学习方法进行预测。例如，使用分子指纹（molecule fingerprint）作为编码方式，并辅以传统机器学习方法进行预测。

3. 深度学习：使用深度神经网络学习特征并进行预测，例如使用seq2seq模型表示序列类型的化学数据，或使用基于diffusion的方法重建分子的三维空间结构。

SMILES
SMILES（Simplified Molecular Input Line Entry System）是一种将化学分子用ASCII字符表示的方法，广泛用于存储化学信息。它将原子、键、电荷等信息用ASCII字符表示，并有特定的书写规范。尽管SMILES有一些局限性，如无法表示空间信息以及同一分子可能有多个SMILES表示，但它在化学信息学领域仍然具有重要作用。

常见化学结构的SMILES表示
表示原子：直接使用化学符号（例如，C表示碳）。
表示键：单键不标注，双键用=表示，三键用#表示。
特殊原子或侧基：用[]表示（例如，[Cu+2]表示带电+2电荷的Cu离子）。
  
SMILES的缺点
无法充分表达空间信息。
同一分子可能有多个不同的SMILES表示（不一一对应）。

分子指纹
分子指纹是用于表示特定分子的位向量，指纹的每个值表示分子是否具有某些子结构。它具有以下特点：
1. 稀疏性：大量的0，少量的1。
2. 不一一对应**：不同的算法和子图匹配规则会生成不同的分子指纹。

RDkit
RDkit是开源的化学信息学工具，功能丰富且高效，包括读写分子、修饰分子、计算分子相似性等。常用功能包括：
读写分子：将分子表示为RDkit的rdkit.Chem.rdchem.Mol对象，并转换为多种表达形式（如SMILES、SMARTS）。
计算分子指纹：生成分子指纹并计算分子之间的相似性。

机器学习
机器学习分为分类任务和回归任务。在本次竞赛中，我们需要预测反应产率，这是一个回归任务。传统的机器学习方法通过特征工程将数据转化为向量形式，使用SVM、随机森林等算法进行预测。

深度学习
深度学习通过神经网络学习数据特征。SMILES作为一种化学语言，可以使用NLP中的方法进行建模。RNN（Recurrent Neural Network）是处理序列数据的有效工具，但存在对长序列记忆能力差、并行能力差、容易出现梯度消失或爆炸等问题。

RNN的架构
RNN每层会输出一个隐向量到下一层，从而通过隐向量传递序列信息。每层的计算公式如下：
隐向量计算：
输出计算：

 实践部分
在实践部分，我们将使用GPU进行训练，并将代码文件置于适当的目录结构中。可以直接调用Pytorch的模块完成RNN模型的构建和训练。赛题数据包括Reactant1, Reactant2, Product, Additive, Solvent等信息，可以组合成一个字符串进行建模。需要注意的是，可以忽略Additive和Solvent对模型的影响，尝试不同的参数设置以提升模型性能。

实践代码示例

from rdkit import Chem
from rdkit.Chem import Draw
from rdkit.Chem import AllChem
from rdkit import DataStructs

# 读取分子并转化为SMILES表示
m = Chem.MolFromSmiles('Cc1ccccc1')
res = Chem.MolToSmarts(m)

# 绘制分子图片
img = Draw.MolToImage(m)
img.show()

# 子结构搜索
m = Chem.MolFromSmiles('c1ccccc1O')
patt = Chem.MolFromSmarts('ccO')
m.HasSubstructMatch(patt)

# 计算分子指纹及相似性
ms = [Chem.MolFromSmiles('CCOC'), Chem.MolFromSmiles('CCO'), Chem.MolFromSmiles('COC')]
fpgen = AllChem.GetRDKitFPGenerator()
fps = [fpgen.GetFingerprint(x) for x in ms]
similarity = DataStructs.TanimotoSimilarity(fps[0],fps[1])

小结
本节中，我们深入了解了AI4Chemistry中的重要概念和方法，学习了机器学习和深度学习在化学反应预测中的应用，并通过具体代码示例完成了用RNN建模SMILES并进行反应产率预测的任务。