分子性质预测挑战赛（baseline）

最新推荐文章于 2024-07-10 19:27:42 发布

@_laity

最新推荐文章于 2024-07-10 19:27:42 发布

阅读量989

点赞数 30

分类专栏：机器学习文章标签： python

本文链接：https://blog.csdn.net/qq_74778218/article/details/140182484

版权

机器学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

task1零基础入门AI(机器学习)竞赛学习笔记

学习简介

活动: Datawhale 2024 AI夏令营第一期
实践项目: 讯飞开放平台“分子性质预测挑战赛”
目标: 入门机器学习算法，实践并冲刺夏令营TOP10

学习时间

周期: 2024年7月1日至7月7日

学习攻略

速通指南: 5分钟内完成“分子性质预测挑战赛”速通体验
学习规划: 深入学习，写笔记打卡，提升排名

Step-by-step Guide

Step 1: 报名赛事

赛事链接: iFLYTEK A.I.开发者大赛

Step 2: 体验Baseline

项目链接: 百度AI Studio
指南: 登录账号，运行项目，启动环境，运行全部Cell

Step 3: 提交文件

官网提交: 使用submit.csv文件提交结果

学习加餐

赛题背景: 运用AI预测分子性质，提高药物研发效率
赛事任务: 预测PROTACs降解能力，二分类问题
评价指标: f1_score

解题思路

特征工程: 删除不相关特征，处理分类特征
模型选择: 决策树或逻辑回归
模型训练: 使用LGBMClassifier训练模型
结果预测: 对测试集进行预测，生成submit.csv

代码详解

导入库: pandas, numpy, LGBMClassifier
读取数据: 从Excel文件读取训练集和测试集
特征工程

:
- 删除特征：DC50 (nM), Dmax (%)
- 目标编码：处理object类型数据
模型训练: LGBMClassifier
预测与保存: 预测测试集，保存结果至CSV

总结

本次学习体验了从报名到模型训练、预测、提交的完整流程
学习了特征工程和模型训练的基础
理解了决策树模型在机器学习中的应用

task2赛题深入解析

赛题背景

人工智能在化学和药物研发领域的重要性被强调。
PROTACs技术在靶向降解目标蛋白质方面的潜力被指出。

赛题任务

使用提供的demo数据集，包含多个与PROTACs降解能力相关的字段。
允许通过数据增强或自行搜集数据来扩充数据集。
自行划分数据集用于训练和验证模型。

数据字段理解

数据集包含多个字段，例如：

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：蛋白质数据库。
Target：目标蛋白。
E3 ligase：E3连接酶。
PDB：蛋白质数据银行。
Name：化合物名称。
Smiles：表示分子结构的字符串格式。
DC50、Dmax等：降解能力相关的数值指标。
IC50、EC50等：与分子物理化学性质相关的字段。

预测目标

预测PROTACs的降解能力，即预测Label字段的值。
根据DC50和Dmax的值来判断降解能力的好坏。

参考资料

药物化学与PROTACs相关文献：
- “Targeted Protein Degradation by Small Molecules”
- “The Role of E3 Ligases in Targeted Protein Degradation”
生物信息学与化学信息学资源：
- RDKit官方文档：RDKit
- Biopython官方文档：Biopython

RDKit库使用示例

from rdkit import Chem
from rdkit.Chem import AllChem, Draw

# SMILES字符串
smiles = "NC1=NC=NC2=C1C(C1=CC=C(OC3=CC=CC=C3)C=C1)=NN2[C@@H]1CCCN(C(=O)C2=CN(CCOCCOCCOCCCC3=CC=CC4=C3CN(C3CCC(=O)NC3=O)C4=O)N=N2)C1"

# 将SMILES转换为分子对象
mol = Chem.MolFromSmiles(smiles)

# 检查分子是否有效
if mol is None:
    print("The SMILES string is invalid.")
else:
    print("The molecule was parsed successfully.")

    # 绘制分子结构
    molDrawer = Draw.MolToMPL(mol)
    molDrawer.show()

task3进阶Baseline详解

导入模块

用于数据分析、机器学习建模和化学信息学所需的Python库。

numpy: 多维数组和操作。
pandas: 数据结构和数据分析工具。
catboost: 机器学习库，适合分类和回归。
sklearn.model_selection: 模型选择方法，如交叉验证。
sklearn.metrics: 模型性能评估指标。
rdkit: 化学信息学和机器学习软件。
sklearn.feature_extraction.text: 文本转换为特征向量的Tf-idf向量化器。
tqdm: 进度条库。
sys, os, gc: 系统相关模块。
re: 正则表达式库。
argparse: 命令行接口库。
warnings: 警告信息库。

# 示例代码
import numpy as np
import pandas as pd
from catboost import CatBoostClassifier
# ... 其他库的导入
warnings.filterwarnings('ignore')

数据预处理

读取训练和测试数据集。
删除包含大量缺失值的列。
合并训练集和测试集以进行特征工程。

特征工程

转换SMILES字符串为分子对象，并计算TF-IDF特征。
对分类特征进行自然数编码。
筛选特征和标签，准备训练和测试集。

模型训练与预测

定义cv_model函数进行交叉验证训练和测试集预测。
使用CatBoostClassifier训练模型。
生成提交文件。

附加学习

TF-IDF学习

用于评估词条在文档中的重要性。
基本使用包括文本预处理、分词、计算TF和IDF、TF-IDF矩阵。

交叉验证学习

评估模型泛化能力，减少过拟合风险。
主要类型包括K-折、留一法、分层和时间序列交叉验证。

CatBoost学习

由Yandex开发的梯度提升库，擅长处理分类和回归任务。
核心特点包括自动处理类别特征、缺失值，提升算法，模型可解释性。

示例代码

以下是使用CatBoostClassifier和交叉验证的示例代码。

from catboost import CatBoostClassifier
from sklearn.model_selection import KFold

def cv_model(clf, train_x, train_y, test_x, clf_name, seed=2022):
    # ... 交叉验证逻辑
    return train, test

# 使用cv_model函数训练CatBoost模型
cat_train, cat_test = cv_model(CatBoostClassifier, x_train, y_train, x_test, "cat")
# ... 生成提交文件的逻辑