DGraphDTA 环境安装

最新推荐文章于 2024-03-16 15:47:50 发布

mw742.cam

最新推荐文章于 2024-03-16 15:47:50 发布

阅读量416

点赞数

文章标签： pytorch 深度学习 python

本文链接：https://blog.csdn.net/suwei0315/article/details/127794927

版权

电脑参数如下

Linux dirac 4.15.0-189-generic #200-Ubuntu SMP Wed Jun 22 19:53:37 UTC 2022 x86_64 x86_64 x86_64 GNU/

Cuda version 10.1

原文：Drug–target affinity prediction using graph neural network and contact maps

Drug–target affinity prediction using graph neural network and contact maps - RSC Advances (RSC Publishing)

github：https://github.com/595693085/DGraphDTA

GraphDTA - 安装步骤

(https://pytorch-geometric.readthedocs.io/en/1.3.2/notes/installation.html)

Conda create -n GraphDTA

安装1.4.0 pytorch conda install pytorch==1.4.0 torchvision==

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

mw742.cam

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
DGraphDTA 环境安装

AI药物设计工具
复制链接

扫一扫

AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks

xiao_muyu的博客

01-25

2290

GraphDTA：用图神经网络预测药物-靶点结合亲和力论文题目 GraphDTA: Predicting drug–target binding affinity with graph neural networks 论文出自 bioRxiv preprint，2020 使用图神经网络来预测药物与靶标的亲和力。将药物表示为分子图，因此该模型可以直接捕获原子间的键。文章目录GraphDTA：用图神经网络预测药物-靶点结合亲和力一、**GraphDTA模型图：**二、实验结果？一、Gr

图卷积文献阅读1

qq_39917739的博客

08-09

1569

论文名称：MGraphDTA: deep multiscale graph neural network for explainable drug–target binding affinity prediction。

参与评论您还未登录，请先登录后发表或查看评论

安装pconsc4时候出现ERROR: Failed building wheel for pyGaussDCA

最新发布

weixin_45949524的博客

03-16

548

有伙伴知道这个错误是什么原因导致的吗，倒腾好几天了一直没有解决

GraphDTA:GraphDTA

05-15

资源： README.md：此文件。数据/戴维斯/折叠/test_fold_setting1.txt,train_fold_setting1.txt; 数据/戴维斯/ Y，配体_can.txt，proteins.txt数据/kiba/folds/test_fold_setting1.txt，train_fold_setting1.txt；数据/kiba/Y,ligands_can.txt,proteins.txt这些文件是从下载的源代码： create_data.py：以pytorch格式创建数据 utils.py：包括由create_data.py用于创建数据的TestbedDataset和性能度量。 training.py：训练GraphDTA模型。 models / ginconv.py，gat.py，gat_gcn.py和gcn.py：建议的模型GINConvNet

GraphDTA | 基于图卷积网络预测药物-靶标结合亲和力

DrugAI

09-07

9611

2021SC@SDUSC软件工程应用与实践11----DGraphDTA代码分析二

m0_55985367的博客

12-16

594

2021SC@SDUSC

DGraphDTA神经网络架构源码分析 2021SC@SDUSC

chy931088287的博客

12-26

1762

2021SC@SDUSC 在此前的文章已经对此部分的流程进行了解读，本文将基于目前已经获取到分子图与蛋白质图，从代码的层面分析DGraphDTA任务中神经网络的结构以及运作流程。 DGraphDTA结构图：网络结构完整代码： # GCN based model class GNNNet(torch.nn.Module): #初始化网络结构 def __init__(self, n_output=1, num_features_pro=54, num_features_mol=78, outpu

GraphDTA论文阅读小白笔记（附代码注释和复现流程）

weixin_70379932的博客

03-21

1934

DTA经典模型复现和论文小白阅读笔记

DGraphDTA训练部分源码解读分析（一）2021SC@SDUSC

chy931088287的博客

12-28

1377

2021SC@SDUSC DGraphDTA任务训练部分完整代码： model = GNNNet() model.to(device) model_st = GNNNet.__name__ # device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') #设置lossfunction loss_fn = nn.MSELoss() #设置优化器 optimizer = torch.optim.Adam(model.paramete

【bioinformation 4】人工智能与苗头化合物筛选

zzqingyun的博客

03-14

1048

从第一种化合物药物诞生至今，科研人员一直在药物研发领域投入大量精力来对抗各种疾病，以提高人们的医疗保健水平。新型小分子药物的开发通常从生物学家确定疾病靶标开始，然后通过筛选技术在数以万计乃至数以百万计的化合物中挖掘出一组能够抑制或激活特定疾病靶标的活性分子。假设我们正在研究一种治疗肺癌的新药。我们的疾病靶点可能是某些在肺癌细胞中过度表达的蛋白质，或者是一些与肺癌细胞生长和扩散有关的基因。这些蛋白质和基因就像是我们需要瞄准的靶子，新药的作用就是调节或抑制它们的功能，从而达到治疗肺癌的目的。

2021 RSC | Drug–target affinity prediction using graph neural network and contact maps

发呆的比目鱼的博客

07-03

1266

2021 RSC | Drug–target affinity prediction using graph neural network and contact maps

pconsc4 安装

Qy_sfsh的博客

08-14

554

因为是Ubuntu 18.04 所以这里没有用yum 安装。我的系统版本： Ubuntu 18.04.4 LTS。这里的python 环境是： 3.7。

2021SC@SDUSC软件工程应用与实践07----hhblits与Pconsc4的配置

m0_55985367的博客

11-17

1344

2021SC@SDUSC

论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（二）2021SC@SDUSC

chy931088287的博客

11-10

1346

论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（二） Drug–target affinity prediction using graph neural network and contact maps 文章采用的验证指标： CI CI主要用于计算分析中预测值与真实值之间的区别其中bx为较大亲和dx的预测值，by为较小亲和dy的预测值，Z为归一化常数；h(x)为阶跃函数（前面说分析真实值与预测值与公式中只有预测值带入有点矛盾，但是字面意思是一致性，那么肯定是越大越好） MSE MSE也是衡量

论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（一）2021SC@SDUSC

热门推荐

chy931088287的博客

11-09

1万+

2021SC@SDUSC 论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（一） Drug–target affinity prediction using graph neural network and contact maps 摘要计算机辅助药物设计是利用高性能计算机模拟药物设计任务的一个很有前景的研究领域。药物靶标亲和度(DTA)预测是计算机辅助药物设计中最重要的一步，可以加快药物开发速度，减少资源消耗。随着深度学习的发展，将深度学习引入到DTA预测中，提高DTA预测的准确性已成为研究的热点

2021SC@SDUSC软件工程应用与实践09----由GNN与蛋白质序列提取特征

m0_55985367的博客

12-04

1741

2021SC@SDUSC

TransformerCPI文献阅读

EE呈双的博客

03-04

2331

本博文基于《TransformerCPI: Improving compound–protein interaction prediction by sequence-based deep learning with self-attention mechanism and label reversal experiments》这篇文章进行讲解，该文章发表在2020的ACL上，作者是印度理工学院计算机科学与工程系的两个研究生，主要的工作是构建了一个PPI的数据集，包括文本，基因序列和蛋白结构这三种模态。另.

2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks

发呆的比目鱼的博客

07-06

579

2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks

DTA随笔1

Chilan_Yuk的博客

09-26

295

run_experiments.py的预处理部分 os.environ['PYTHONHASHSEED'] = '0' （1）如果该环境变量被设定为 random ，相当于 -R 命令行参数。Python 会用一个随机的种子来生成 str/bytes/datetime 对象的 hash 值。（2）如果该环境变量被设定为一个数字，它就被当作一个固定的种子来生成 str/bytes/dateti...

ERROR: Could not build wheels for pconsc4, pyGaussDCA, which is required to install pyproject.toml-based projects

11-26

这个报错通常是由于缺少一些必要的依赖项或者编译器问题导致的。你可以尝试以下几种方法来解决这个问题： 1. 确保你的系统中已经安装了必要的编译器和依赖项，例如gcc、python-dev等。你可以通过以下命令来安装它们： ```shell sudo apt-get install build-essential python-dev ``` 2. 如果你使用的是Python 3.x版本，你需要安装wheel工具。你可以通过以下命令来安装它： ```shell pip3 install wheel ``` 3. 如果你使用的是Windows系统，你需要安装Microsoft Visual C++ Build Tools。你可以从以下链接下载并安装它： https://visualstudio.microsoft.com/visual-cpp-build-tools/ 4. 如果以上方法都无法解决问题，你可以尝试使用conda来安装这些包。你可以通过以下命令来安装conda： ```shell wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh ``` 安装完成后，你可以使用以下命令来创建一个新的conda环境并安装你需要的包： ```shell conda create --name myenv conda activate myenv conda install pconsc4 pyGaussDCA ```

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交