如何快速掌握DeepPurpose：药物发现AI工具的完整指南
项目地址: https://gitcode.com/gh_mirrors/de/DeepPurpose 你是否曾想过，仅用几行代码就能预测药物与靶点的相互作用？DeepPurpose正是这样一个革命性的深度学习工具包，它将复杂的药物发现过程简化为简单的Python调用。无论你是生物信息学新手还是经验丰富的研究者，这个开源项目都能为你提供强大的药物-靶点相互作用预测能力，帮助你在药物重定位和虚拟筛选中节省大量时间。
DeepPurpose不仅仅是一个预测工具，它是一个完整的深度学习框架，专门为化合物和蛋白质建模设计。它支持药物-靶点相互作用预测、化合物性质预测、蛋白质-蛋白质相互作用预测以及蛋白质功能预测等多种生物信息学任务。最令人惊叹的是，你可以在10行代码内完成从数据加载到模型训练的完整流程。
快速入门：10行代码开启药物发现之旅
让我们从一个最简单的例子开始。假设你想预测某个药物与特定靶点的结合能力，DeepPurpose让你能够轻松实现：
from DeepPurpose import DTI as models
from DeepPurpose.utils import *
from DeepPurpose.dataset import *
# 加载数据
X_drug, X_target, y = process_BindingDB(download_BindingDB('./saved_path'))
# 选择编码方式
drug_encoding, target_encoding = 'CNN', 'Transformer'
# 数据处理
train, val, test = data_process(X_drug, X_target, y,
drug_encoding, target_encoding,
split_method='cold_protein')
# 初始化并训练模型
config = generate_config(drug_encoding, target_encoding)
net = models.model_initialize(**config)
net.train(train, val, test)
看到吗？不到10行代码，你就已经建立了一个完整的深度学习模型！DeepPurpose内置了15+种药物和蛋白质编码方式，从经典的化学信息学指纹到CNN、Transformer，再到消息传递图神经网络，提供了50多种组合模型选择。
核心优势：为什么选择DeepPurpose？
1. 极简设计与强大功能的完美结合
DeepPurpose的设计哲学是"简单但不简陋"。它提供了丰富的功能，同时保持了极低的学习曲线。你可以轻松切换不同的编码方式，只需更改编码名称即可。例如，从CNN切换到MPNN（消息传递神经网络）就像这样简单：
# 只需更改这一行
drug_encoding = 'MPNN'
2. 全面的任务支持
这个工具包不仅支持药物-靶点相互作用预测，还覆盖了：
- 药物-药物相互作用预测（DDI）
- 蛋白质-蛋白质相互作用预测（PPI）
- 分子性质预测
- 蛋白质功能预测
无论你的研究重点是什么，DeepPurpose都能提供相应的模块支持。
3. 智能的数据处理能力
DeepPurpose内置了多种数据集加载和预处理脚本，大大减轻了数据准备的负担。它支持：
- 自动识别回归任务（药物靶点结合亲和力）或分类任务（药物靶点相互作用）
- 冷靶点和冷药物设置，用于稳健的模型评估
- 支持单靶点高通量测序数据设置
- 标签单位转换，处理偏态分布标签如Kd值
4. 丰富的预训练模型
项目提供了多个预训练模型检查点，你可以直接使用这些模型进行预测，或者在自己的数据集上进行微调。这大大降低了从零开始训练模型所需的时间和计算资源。
DeepPurpose的核心架构示意图，展示了胶囊形状的药物分子被循环箭头环绕，象征药物发现的迭代优化过程
实际应用：药物重定位与虚拟筛查
药物重定位实战
药物重定位是发现现有药物新用途的过程。使用DeepPurpose，你可以快速筛选数千种已批准药物，寻找对特定靶点具有潜在活性的候选药物：
# 加载重定位数据集
X_repurpose, drug_name, drug_cid = load_broad_repurposing_hub('./saved_path')
target, target_name = load_SARS_CoV_Protease_3CL()
# 进行重定位预测
results = models.repurpose(X_repurpose, target, net, drug_name, target_name)
虚拟筛查指南
虚拟筛查是药物发现的关键步骤，DeepPurpose让这个过程变得异常简单：
# 准备虚拟筛查数据
drugs = ['CCCCCCCOc1cccc(c1)C([O-])=O', ...]
drug_names = ['16007391', ...]
targets = ['MLARRKPVLPALTINPTIAEGPSPTSEGASEANLVDLQKKLEEL...', ...]
target_names = ['P36896', 'P00374']
# 执行虚拟筛查
screening_results = models.virtual_screening(drugs, targets, net, drug_names, target_names)
进阶技巧：优化你的工作流程
1. 超参数调优
DeepPurpose集成了Ax平台的贝叶斯优化功能，帮助你自动寻找最佳超参数组合。查看DEMO文件夹中的Drug_Property_Pred-Ax-Hyperparam-Tune.ipynb文件，了解如何使用这一强大功能。
2. 使用图神经网络模型
最新版本支持5种基于图神经网络的化合物编码模型：
- DGL_GCN
- DGL_NeuralFP
- DGL_GIN_AttrMasking
- DGL_GIN_ContextPred
- DGL_AttentiveFP
这些模型使用DGL Life Science实现，为分子表示学习提供了更强大的工具。
3. 监控训练过程
DeepPurpose提供了详细的训练监控功能，包括：
- 测试集图表（AUC曲线）和表格输出
- 支持早停策略
- 详细的输出记录，如重定位结果的排名列表
- 多种评估指标：ROC-AUC、PR-AUC、F1（分类任务）、MSE、R平方、一致性指数（回归任务）
安装与配置指南
通过pip快速安装
最简单的安装方式是通过pip：
pip install DeepPurpose
从源码安装
如果你需要最新功能或进行开发：
git clone https://gitcode.com/gh_mirrors/de/DeepPurpose
cd DeepPurpose
pip install -e .
环境配置
DeepPurpose基于PyTorch，支持CPU、GPU和多GPU训练。确保你的环境中安装了适当版本的PyTorch。
学习资源与示例
DeepPurpose提供了丰富的学习资源：
- 教程文件：查看
Tutorial_1_DTI_Prediction.ipynb和Tutorial_2_Drug_Property_Pred_Assay_Data.ipynb获取详细指导 - 演示案例：DEMO文件夹包含20+个示例笔记本，涵盖各种应用场景
- 案例研究：从药物重定位到虚拟筛查的完整工作流程示例
开始你的药物发现之旅
DeepPurpose将复杂的深度学习技术封装成简单易用的接口，让药物发现研究变得更加高效。无论你是想快速验证一个假设，还是进行大规模的虚拟筛查，这个工具都能为你提供强大的支持。
记住，药物发现不再需要庞大的团队和昂贵的设备。有了DeepPurpose，你可以在自己的计算机上开始探索，用代码开启新的药物发现可能性。
立即开始：克隆仓库，运行示例，体验AI驱动的药物发现新时代！
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
