DTI &DTA

科研过程中的一些思考与问题

---

前言

一、DTI和DTA

1.两者区别

DTI（Drug-Target Interaction）任务和DTA（Drug-Target Affinity）任务都是与药物发现和药物设计相关的任务，但它们在方法和目标上有一些关键区别。

1. 任务类型：

   • DTI任务通常涉及预测给定药物和给定靶点之间是否存在相互作用。这种相互作用可以是药物与蛋白质靶点的结合，或者药物对靶点的生物活性。
   • DTA任务则专注于预测给定药物与给定靶点之间的亲和力或结合亲和力。这包括预测药物分子与蛋白质靶点之间的结合亲和力。

2. 衡量指标：

   • 对于DTI任务，通常使用二分类指标（如准确率、召回率、F1分数等）来衡量模型的性能。在这种情况下，模型被要求预测药物与靶点之间的相互作用或者缺乏相互作用。
   • 对于DTA任务，通常使用回归指标（如均方误差、平均绝对误差等）来衡量模型的性能。模型的任务是预测药物与靶点之间的亲和力或结合亲和力的连续值。

3. 方法：

   • DTI任务的方法通常涉及利用药物和靶点的分子特征（如结构、序列、生物活性等）来构建预测模型。这可能包括基于图的方法、基于深度学习的方法以及传统的机器学习方法。
   • DTA任务的方法也使用类似的特征，但更侧重于预测药物与靶点之间的结合亲和力。因此，这些方法可能会更专注于分子对接和量化结构-活性关系等领域的技术。

DTI任务和DTA任务在目标和方法上有所不同，这导致它们在衡量指标和应用领域上存在差异。然而，它们都是药物发现和设计中至关重要的任务，对于加速新药开发具有重要意义。

2.衡量标准

当评估机器学习模型在DTI（Drug-Target Interaction）和DTA（Drug-Target Affinity）任务中的性能时，使用不同的指标来衡量其准确性和效果。下面是一些常见的衡量指标：

1. 对于DTI任务：

   • 准确率（Accuracy）：模型正确预测的相互作用数量与总样本数量的比例。$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$
   • 精确率（Precision）：在所有预测为相互作用的样本中，模型正确预测为相互作用的样本数量的比例。$$Precision=\frac{TP}{TP+FP}$$
   • 召回率（Recall）：在所有真实相互作用的样本中，模型正确预测为相互作用的样本数量的比例。$$Recall=\frac{TP}{TP+FN}$$
   • F1分数（F1 Score）：精确率和召回率的调和平均值，综合考虑了模型的准确性和全面性。$$F1Score=\frac{2\times Precision\times Recall}{Precision+Recall}$$

2. 对于DTA任务：

   • 均方误差（Mean Squared Error，MSE）：预测值与真实值之间差异的平方的平均值。$$MSE=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$
   • 平均绝对误差（Mean Absolute Error，MAE）：预测值与真实值之间差异的绝对值的平均值。$$MAE=\frac{1}{n}\sum _{i=1}^n|y_i-{\hat{y}}_i|$$

这些指标提供了关于模型性能的不同方面的信息。准确率、精确率和召回率适用于二分类任务，例如预测药物和靶点之间的相互作用。而对于连续值预测任务，如预测药物与靶点之间的亲和力，均方误差和平均绝对误差是更合适的指标。

在评估模型时，通常需要综合考虑这些指标，并根据具体任务的需求进行权衡。例如，在一些情况下，对准确预测负样本（没有相互作用）的能力更为重要，而在另一些情况下，对预测亲和力的准确性更为关键。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。