[PYTHON] Die kostenlose Entdeckung von KI-Medikamenten mithilfe von Papieren und öffentlichen Datenbanken
1. Zuallererst
Die Vorhersage der Aktivität und der physikalischen Eigenschaften von Verbindungen auf einem Computer wird seit einiger Zeit durchgeführt. In den letzten Jahren wurde jedoch mit der Zunahme der gesammelten Daten und der Entwicklung der Deep-Learning-Technologie das Schlüsselwort AI Drug Discovery entdeckt. Ich kam.
In Bezug auf die Vorhersage von Therapeutika für das neue Koronavirus (SARS-CoV-2) "[Computermodelle identifizieren mehrere von der FDA zugelassene oder experimentelle Arzneimittel als mutmaßliche Mittel gegen SARS-CoV-2](https: //www.ncbi.nlm) .nih.gov / pmc / articles / PMC7252448 /) "Indem ich den Inhalt des Papiers selbst ausprobiert habe, habe ich versucht, die Entdeckung von KI-Medikamenten " kostenlos " zu erleben, daher möchte ich sie gerne teilen.
Ich habe dieses Papier aus den folgenden drei Gründen gewählt.
- Es ist leicht zu reproduzieren, da öffentliche Daten verwendet werden und das Analyseverfahren und -programm auf github veröffentlicht werden.
- Herkömmliche Analysemethoden (Fingerabdruck, zufällige Gesamtstruktur) werden verwendet und sind relativ einfach zu reproduzieren.
- Ein therapeutisches Medikament für das neue Coronavirus wird weltweit entwickelt und ich war daran interessiert.
2. Diese Arbeitspolitik
Zunächst habe ich die Arbeitsrichtlinien untersucht, um den Inhalt des Papiers auszuprobieren (oder besser gesagt, die richtige Antwort lautet, dass dies durch Versuch und Irrtum geschehen ist).
Tatsächlich werden alle in diesem Dokument gesammelten Daten und Analyseprogramme auf github veröffentlicht (https://github.com/alvesvm/sars-cov-mpro/tree/master/mol-inf-2020). Der Inhalt des Papiers kann problemlos reproduziert werden.
Wenn Sie dies jedoch so herunterladen, wie es ist, und bei Jupyter wiederholt die Eingabetaste drücken, werden Sie das Gefühl haben, "Ich verstehe" zu verstehen, und es bleibt nichts übrig.
Wenn Sie Ihre Hände bewegen, stecken bleiben, recherchieren und wiederholt nachdenken, werden Sie Ihr Unverständnis bemerken und allmählich verstehen, was Sie vorher nicht verstehen konnten.
Aus diesem Grund haben wir uns entschlossen, mit der folgenden Richtlinie fortzufahren.
――Erfassung von Daten aus öffentlichen Datenbanken ** Versuchen Sie, diese selbst zu überprüfen **. --Verwenden Sie die gesammelten Daten, um ** Ihr eigenes Vorhersageprogramm zu schreiben **.
- Vergleichen Sie das Endergebnis mit ** dem Papier ** und betrachten Sie es, wenn möglich.
- Wenden Sie sich an Github, um ** Details ** des Papierinhalts zu überprüfen, ** Hinweise für Verstopfungen zu erhalten **, ** Ergebnisse zu vergleichen **.
Als nächstes werden die Gliederung des Papiers und die diesmal verwendete öffentliche Datenbank beschrieben.
3. Überblick über das Referenzpapier
In der Arbeit wird die Hauptprotease, die an der viralen Replikation des neuen Coronavirus beteiligt ist, als Zielmolekül des Arzneimittels verwendet, und es wird vorausgesagt, dass das SARS-Coronavirus, dessen Struktur dieser sehr ähnlich ist, 2003 eine inhibitorische Aktivität auf die Hauptprotease aufweisen wird. Ich baue ein Modell.
Durch die Anwendung des konstruierten Vorhersagemodells auf den Markt / das Absetzen / Experiment und die von DrugBank erhaltenen Daten zu Prüfpräparaten werden 41 Medikamente schließlich als therapeutische Wirkstoffkandidaten für das neue Coronavirus vorgestellt.
Informationen über die Hemmaktivität gegen das SARS-Coronavirus, bei dem es sich um Lerndaten handelt, werden aus öffentlichen Datenbanken wie ChEMBL und PDB gesammelt.
Übrigens wird die Hauptprotease, bei der es sich um das Zielmolekül handelt, ausführlich in Einführung in PDBj: PDBjs Biopolymer Learning Portal Site 242: Coronavirus-Proteasen erläutert. Wurde getan.
4. Übersicht über die öffentliche Datenbank
Als nächstes werde ich die in diesem Dokument verwendeten öffentlichen Datenbanken kurz zusammenfassen.
ChEMBL (https://www.ebi.ac.uk/chembl/)
ChEMBL ist eine Datenbank mit manuell kuratierten Informationen zur Bioaktivität von Arzneimitteln und kleinen Molekülen, die Arzneimittelkandidaten sein können. Es wird vom Europäischen Institut für Bioinformatik (EBI) des Europäischen Instituts für Molekularbiologie (EMBL) verwaltet.
Die Anzahl der aufgelisteten Daten ist wie folgt (berechnet aus der Anzahl der Datensätze in der heruntergeladenen V27-Tabelle).
| Artikel | Anzahl der Einträge |
|---|---|
| Anzahl der Verbindungen | 2,444,828 |
| Anzahl der biologischen Aktivitätswerte | 16,066,124 |
| Anzahl der Assays | 1,221,361 |
PDB (https://www.rcsb.org/)
PDB (Protein Data Bank) ist eine Datenbank mit dreidimensionalen Strukturdaten von Proteinen und Nukleinsäuren. Es wird von der Worldwide Protein Data Bank verwaltet.
Die Anzahl der aufgelisteten Daten ist wie folgt (Stand 12. September 2020).
| Artikel | Anzahl der Einträge |
|---|---|
| Structures | 49012 |
| Structures of Human Sequences | 12216 |
| Nucleic Acid Containing Structures | 12216 |
DrugBank (https://www.drugbank.ca/)
DrugBank ist eine Datenbank mit Informationen zu Drogen und Drogenzielen. Es wird vom Metabolomics Innovation Center (TMIC) verwaltet. Die Anzahl der Einträge in der neuesten Version (Version 5.1.7, veröffentlicht am 02.07.2020) ist wie folgt.
| Artikel | Anzahl der Einträge |
|---|---|
| Arzneimittel | 13,715 |
| Zugelassenes niedermolekulares Medikament | 2,649 |
| Zugelassene Biologika (Proteine, Peptide, Impfstoffe und Allergene) | 1,405 |
| Nahrungsergänzungsmittel | 131 |
| Experiment (Entdeckungsstadium) Medikament | 6,417 |
| Verknüpfte Proteinsequenz | 5,234 |
Von nun an werden wir endlich mit dem Testen des Papierinhalts fortfahren.
5. Datenaufbereitung
5.1 Vorbereitung der Trainingsdaten
Hier versuchen wir, die experimentellen Daten (ChEMBLE 91-Fälle, PDB 22-Fälle) des inhibitorischen Moleküls gegen die in der Veröffentlichung beschriebene Hauptprotease des SARS-Virus zu sammeln.
5.1.1 Erfassung von ChEMBL-Daten
ChEMBL kann mit einem WEB-Browser verwendet werden. Sie können jedoch auch Daten herunterladen, in einer lokalen Datenbank registrieren und aus SQL verwenden. Dieses Mal werden wir PostgreSQL installieren und den Dump für PostgreSQL laden und verwenden.
① Laden Sie die ChEMBL-Daten herunter
ftp://ftp.ebi.ac.uk/pub/databases/chembl/ChEMBLdb/latest/Klicken Sie hier, um eine Liste der Dateien zum Herunterladen anzuzeigen, chembl_27_postgresql.tar.Gz herunterladen und entpacken.
#### ② Installieren Sie PostgreSQL
Installieren Sie anschließend PostgreSQL unter [PostgreSQL unter Ubuntu 18.04 installieren](https://qiita.com/eighty8/items/82063beab09ab9e41692).
#### ③ ChEMBL laden
Melden Sie sich bei PostgreSQL an und erstellen Sie eine Datenbank.
```sql
pgdb=# create database chembl_27;
Wechseln Sie dann in das Verzeichnis, in das Sie die Daten entpackt haben, und gehen Sie wie folgt vor: Es wird einige Zeit dauern, aber die Daten werden in PostgreSQL importiert.
pg_restore --no-owner -U postgres -d chembl_27 chembl_27_postgresql.dmp
④ Verständnis der ChEMBL-Tabelle
Als nächstes wird SQL von pgAdmin usw. ausgegeben, um die Daten abzurufen. Zunächst wird jedoch angegeben, welche Art von Daten in welcher Tabelle gespeichert ist: ftp://ftp.ebi.ac.uk/pub/databases/chembl Werfen Sie einen kurzen Blick auf / ChEMBLdb / latest / schema_documentation.txt```. Es gibt auch SQL-Beispiele in Schema-Fragen und SQL-Beispiele. Schlagen Sie den Tisch, der wichtig zu sehen scheint. In der folgenden Tabelle sind die Ergebnisse der Prüfung der vorherigen Datei schema_documentation.txt für die Tabelle mit den Treffern zusammengefasst.
| Tabellenname | Erläuterung |
|---|---|
| compound_structures | Eine Tabelle, in der verschiedene strukturelle Darstellungen einer Verbindung gespeichert sind (Molfile, InChI usw.) |
| molecule_dictionary | Verbindung mit relevanter Kennung/Nicht redundante Liste biomedizinischer Wirkstoffe |
| compound_records | Repräsentiert jede Verbindung, die aus der wissenschaftlichen Dokumentation extrahiert wurde. |
| docs | Der Assay bewahrt alle extrahierten wissenschaftlichen Unterlagen (Papiere oder Patente) auf. |
| activities | Eine Tabelle, in der Aktivitätswerte oder Endpunkte gespeichert sind, die das Ergebnis eines in der wissenschaftlichen Dokumentation aufgezeichneten Assays sind |
| assay | Speichern Sie die Liste der in jedem Dokument gemeldeten Assays. Der gleiche Assay aus verschiedenen Dokumenten wird als separater Assay angezeigt |
| target_dictionary | Ein Wörterbuch aller in ChEMBL enthaltenen kuratierten Ziele. Sowohl Protein- als auch Nicht-Protein-Ziele (z. B. Organismen, Gewebe, Zelllinien) sind enthalten. |
⑤ Geben Sie SQL an die Datenbank aus und rufen Sie SARS-Sperrdaten ab
In ChEMBL wird allen Daten die CHEMBL-ID zugewiesen. Versuchen Sie daher zunächst, nach der CHEMBL-ID des SARS-Corona-Virus zu suchen. Versuchen Sie daher, die folgende SQL in die im vorherigen Abschnitt untersuchte Tabelle target_dictionary zu werfen.
select * from target_dictionary where upper(pref_name) like '%SARS%'
Sie können vier wie folgt erhalten.
Dieses Mal möchten wir Inhibitionsdaten für die Hauptprotease (auch als 3C-ähnliche Protease bekannt) sammeln, damit wir wissen, dass es sich um CHEMBL 3927 handelt, das die Spitze des Präfektnamens darstellt.
Wenn Sie die CHEMBL-ID des Zielmoleküls kennen, gehen Sie zu Schema-Fragen und SQL-Beispiele. Die Abfrage "Details zur zusammengesetzten Aktivität für alle Ziele abrufen, die ein Protein von Interesse enthalten" unten enthält eine Liste der Moleküle, die eine Aktivität gegen das Zielmolekül aufweisen, sodass Sie den CHEMBL-ID-Teil dieser SQL ändern können.
SELECT m.chembl_id AS compound_chembl_id,
s.canonical_smiles,
r.compound_key,
d.pubmed_id,
d.doi,
a.description,
act.standard_type,
act.standard_relation,
act.standard_value,
act.standard_units,
act.activity_comment
FROM compound_structures s,
molecule_dictionary m,
compound_records r,
docs d,
activities act,
assays a,
target_dictionary t
WHERE s.molregno = m.molregno
AND m.molregno = r.molregno
AND r.record_id = act.record_id
AND r.doc_id = d.doc_id
AND act.assay_id = a.assay_id
AND a.tid = t.tid
AND t.chembl_id = 'CHEMBL3927'
AND (act.standard_type ='IC50' or act.standard_type ='Ki')
order by compound_chembl_id;
Als Einschränkung möchte ich diesmal nur Sperrdaten, daher gebe ich IC50 oder Ki als Standardtyp an. Es scheint, dass die Definitionen von IC50 und Ki streng unterschiedlich sind, aber da beide in dem Papier als Trainingsdaten verwendet wurden, werden wir sie hier anwenden.
Exportieren Sie das Ergebnis von pgAdmin nach csv.
⑥ Datenorganisation
Dies ist übrigens eine schlammige Arbeit wie ein Datenwissenschaftler.
Die folgenden Daten werden in csv erhalten.
Da canonical_smiles Daten sind, die die Struktur der Verbindung zeigen, müssen erklärende Variablen generiert werden. standard_value ist der Wert von standard_type (im Folgenden als Inhibitionswert bezeichnet) und standard_units ist die Einheit. Da diesmal standard_units alle nM gleich sind, müssen die Einheiten nicht konvertiert und ausgerichtet werden.
Die folgende Verarbeitung wurde durchgeführt, um Daten für das Vorhersagemodell des Papiers zu erstellen.
- Als Gegenmaßnahme, wenn die Standardbeziehung von csv eine Ungleichungszahl enthält, wird sie in einem solchen Fall häufig als numerischer Wert für die Sicherheit beurteilt (wenn die Daten beispielsweise größer als 10 sind, wird angenommen, dass sie etwa 20-mal sind. Usw.), diesmal wurde die Ungleichung ignoriert und standard_value als Hemmwert übernommen.
- Wenn CHEMBL-IDs aufgrund mehrerer Experimente doppelt enthalten waren, war der Inhibitionswert der Durchschnitt davon.
- Als endgültige Zielvariable wird in der Veröffentlichung der Schwellenwert des Sperrwerts auf 10 uM eingestellt, sodass Werte kleiner als 10 uM als 1 (aktiv) und Werte größer als 10 uM als 0 (inaktiv) ausgegeben werden.
Die Skriptfragmente, die diese Prozesse durchlaufen haben, werden unten gezeigt.
prev_chembl.py
rows_by_id = defaultdict(list)
#Lesen Sie CSV- und Gruppenzeilen mit CHEMBLID
with open(args.input, "r") as f:
reader = csv.DictReader(f)
for row in reader:
rows_by_id[row["compound_chembl_id"]].append(row)
#Wert, der als aktiv betrachtet werden soll
threshold = 10000
#Ausgabe während der Verarbeitung des Werts für jede CHEMBLID
with open(args.output, "w") as f:
writer = csv.writer(f, lineterminator="\n")
writer.writerow(["chembl_id", "canonical_smiles", "value", "outcome"])
#Werte von CHEMBLID verarbeiten
for id in rows_by_id:
#Finde die Summe
total = 0.0
for row in rows_by_id[id]:
value = row["standard_value"]
total += float(value)
#Finden Sie den Durchschnitt
mean = total/len(rows_by_id[id])
print(f'{id},{mean}')
outcome = 0
if mean < threshold:
outcome = 1
writer.writerow([id, rows_by_id[id][0]["canonical_smiles"], mean, outcome])
Als Ergebnis der Ausführung dieses Programms wurden 91 Lerndaten erhalten, die mit dem Papier identisch sind, obwohl es einen Unterschied von 1 in der Anzahl der aktiven / inaktiven Fälle gab. Da das Erfassungsverfahren in der Veröffentlichung nicht beschrieben wurde, ** war ich sehr froh, dass diese Datenerfassung fast reproduziert wurde **.
5.1.2 Abrufen von Daten vom PDB
Als nächstes erhalten Sie von PDB. Tatsächlich entspricht das Erfassungsverfahren fast dem Artikel Sammeln von Daten zum maschinellen Lernen durch Scraping aus einer biobasierten öffentlichen Datenbank. Der einzige Unterschied besteht darin, dass auch ein Gegenstand namens Makromoleküle gesammelt wird, um festzustellen, ob es sich um die Hauptprotease handelt. Die kratzfreie Version des Sammlungsprogramms ist unten abgedruckt.
get_pdb.py
import requests
import json
import time
import lxml.html
import argparse
import csv
def get_ligand(ligand_id):
tmp_url = "https://www.rcsb.org" + ligand_id
response = requests.get(tmp_url)
if response.status_code != 200:
return response.status_code, []
html = response.text
root = lxml.html.fromstring(html)
#print(html)
print(tmp_url)
smiles = root.xpath("//tr[@id='chemicalIsomeric']/td[1]/text()")[0]
inchi = root.xpath("//tr[@id='chemicalInChI']/td[1]/text()")[0]
inchi_key = root.xpath("//tr[@id='chemicalInChIKey']/td[1]/text()")[0]
return response.status_code, [smiles, inchi, inchi_key]
def get_structure(structure_id):
structure_url = "https://www.rcsb.org/structure/"
tmp_url = structure_url + structure_id
print(tmp_url)
html = requests.get(tmp_url).text
root = lxml.html.fromstring(html)
macromolecule_trs = root.xpath("//tr[contains(@id,'macromolecule-entityId-')]")
macromolecule = ""
for tr in macromolecule_trs:
print(tr.xpath("@id"))
macromolecule += tr.xpath("td[position()=1]/text()")[0] + ","
print(f"macro={macromolecule}")
binding_trs = root.xpath("//tr[contains(@id,'binding_row')]")
datas = []
ids = []
for tr in binding_trs:
print(tr.xpath("@id"))
d1 = tr.xpath("td[position()=1]/a/@href")
if d1[0] in ids:
continue
ids.append(d1[0])
status_code, values = get_ligand(d1[0])
ligand_id = d1[0][(d1[0].rfind("/") + 1):]
print(ligand_id)
if status_code == 200:
smiles, inchi, inchi_key = values
#item = tr.xpath("a/td[position()=2]/text()")[0]
item = tr.xpath("td[position()=2]/a/text()")[0]
item = item.strip()
value = tr.xpath("td[position()=2]/text()")[0]
value = value.replace(":", "")
value = value.replace(";", "")
value = value.replace(" ", "")
value = value.replace("\n", "")
print(value)
values = value.split(" ", 1)
print(values)
value = values[0].strip()
unit = values[1].strip()
datas.append([ligand_id, smiles, inchi, inchi_key, item, value, unit, macromolecule])
time.sleep(1)
return datas
def main():
parser = argparse.ArgumentParser()
parser.add_argument("-output", type=str, required=True)
args = parser.parse_args()
base_url = "https://www.rcsb.org/search/data"
payloads = {"query":{"type":"group","logical_operator":"and","nodes":[{"type":"group","logical_operator":"and","nodes":[{"type":"group","logical_operator":"or","nodes":[{"type":"group","logical_operator":"and","nodes":[{"type":"terminal","service":"text","parameters":{"attribute":"rcsb_binding_affinity.value","negation":False,"operator":"exists"},"node_id":0},{"type":"terminal","service":"text","parameters":{"attribute":"rcsb_binding_affinity.type","operator":"exact_match","value":"IC50"},"node_id":1}],"label":"nested-attribute"},{"type":"group","logical_operator":"and","nodes":[{"type":"terminal","service":"text","parameters":{"attribute":"rcsb_binding_affinity.value","negation":False,"operator":"exists"},"node_id":2},{"type":"terminal","service":"text","parameters":{"attribute":"rcsb_binding_affinity.type","operator":"exact_match","value":"Ki"},"node_id":3}],"label":"nested-attribute"}]},{"type":"group","logical_operator":"and","nodes":[{"type":"terminal","service":"text","parameters":{"operator":"exact_match","negation":False,"value":"Severe acute respiratory syndrome-related coronavirus","attribute":"rcsb_entity_source_organism.taxonomy_lineage.name"},"node_id":4}]}],"label":"text"}],"label":"query-builder"},"return_type":"entry","request_options":{"pager":{"start":0,"rows":100},"scoring_strategy":"combined","sort":[{"sort_by":"score","direction":"desc"}]},"request_info":{"src":"ui","query_id":"e757fdfd5f9fb0efa272769c5966e3f4"}}
print(json.dumps(payloads))
response = requests.post(
base_url,
json.dumps(payloads),
headers={'Content-Type': 'application/json'})
datas = []
for a in response.json()["result_set"]:
structure_id = a["identifier"]
datas.extend(get_structure(structure_id))
time.sleep(1)
with open(args.output, "w") as f:
writer = csv.writer(f, lineterminator="\n")
writer.writerow(["ligand_id", "canonical_smiles", "inchi", "inchi_key", "item", "value", "unit"])
for data in datas:
writer.writerow(data)
if __name__ == "__main__":
main()
Wenn dies ausgeführt wird, werden 21 Daten im folgenden Format erhalten. Da der Punkt ganz rechts den Namen des Proteins trägt, wurden diejenigen ausgeschlossen, die keine Ausdrücke wie "3C wie Proteinase" und "Hauptproteinase" enthalten, und schließlich wurden 10 Fälle als Trainingsdaten verwendet.
ligand_id,canonical_smiles,inchi,inchi_key,item,value,unit
PMA,OC(=O)c1cc(C(O)=O)c(cc1C(O)=O)C(O)=O,"InChI=1S/C10H6O8/c11-7(12)3-1-4(8(13)14)6(10(17)18)2-5(3)9(15)16/h1-2H,(H,11,12)(H,13,14)(H,15,16)(H,17,18)",CYIDZMCFTVVTJO-UHFFFAOYSA-N,Ki,700,nM,"3C-like proteinase,"
TLD,Cc1ccc(S)c(S)c1,"InChI=1S/C7H8S2/c1-5-2-3-6(8)7(9)4-5/h2-4,8-9H,1H3",NIAAGQAEVGMHPM-UHFFFAOYSA-N,Ki,1400,nM,"Replicase polyprotein 1ab,"
ZU5,CC(C)C[C@H](NC(=O)[C@@H](NC(=O)OCc1ccccc1)[C@@H](C)OC(C)(C)C)C(=O)N[C@H](CCC(=O)C2CC2)C[C@@H]3CCNC3=O,"InChI=1S/C34H52N4O7/c1-21(2)18-27(31(41)36-26(14-15-28(39)24-12-13-24)19-25-16-17-35-30(25)40)37-32(42)29(22(3)45-34(4,5)6)38-33(43)44-20-23-10-8-7-9-11-23/h7-11,21-22,24-27,29H,12-20H2,1-6H3,(H,35,40)(H,36,41)(H,37,42)(H,38,43)/t22-,25+,26-,27+,29+/m1/s1",QIMPWBPEAHOISN-XSLDCGIXSA-N,Ki,99,nM,"3C-like proteinase,"
ZU3,CC(C)C[C@H](NC(=O)[C@H](CNC(=O)C(C)(C)C)NC(=O)OCc1ccccc1)C(=O)N[C@H](CCC(C)=O)C[C@@H]2CCNC2=O,"InChI=1S/C32H49N5O7/c1-20(2)16-25(28(40)35-24(13-12-21(3)38)17-23-14-15-33-27(23)39)36-29(41)26(18-34-30(42)32(4,5)6)37-31(43)44-19-22-10-8-7-9-11-22/h7-11,20,23-26H,12-19H2,1-6H3,(H,33,39)(H,34,42)(H,35,40)(H,36,41)(H,37,43)/t23-,24+,25-,26-/m0/s1",IEQRDAZPCPYZAJ-QYOOZWMWSA-N,Ki,38,nM,"3C-like proteinase,"
S89,OC[C@H](Cc1ccccc1)NC(=O)[C@H](Cc2ccccc2)NC(=O)/C=C/c3ccccc3,"InChI=1S/C27H28N2O3/c30-20-24(18-22-12-6-2-7-13-22)28-27(32)25(19-23-14-8-3-9-15-23)29-26(31)17-16-21-10-4-1-5-11-21/h1-17,24-25,30H,18-20H2,(H,28,32)(H,29,31)/b17-16+/t24-,25-/m0/s1",GEVQDXBVGFGWFA-KQRRRSJSSA-N,Ki,2240,nM,"3C-like proteinase,"
Leider hat es nicht so gut funktioniert wie ChEMBL und ich konnte keine 22 Papiere bekommen. Unter den oben genannten 10 Fällen waren einige nicht in den 22 Papieren enthalten. Wir glauben, dass dies auf eine oder eine Kombination der folgenden Ursachen zurückzuführen ist:
- Bei der Angabe der Suche nach PDB ist ein Fehler aufgetreten. ――Nur die mit der Struktur des Proteins verknüpften Lingad-Daten wurden gesammelt, aber es ist möglich, dass die Daten tatsächlich in den verknüpften Papieren vorhanden waren, auch wenn sie nicht verknüpft waren.
Obwohl die Ursache unbekannt ist, habe ich nicht gedacht, dass die durch dieses Spezifikationsverfahren erhaltenen Daten falsch sind, und habe mich daher entschlossen, diese 10 Fälle für PDB zu übernehmen.
5.1.3 Zusammenführen von ChEMBL- und PDB-Daten
Die in 5.1.1 und 5.1.2 erhaltenen Daten wurden zusammengeführt, und schließlich wurden 101 Fälle als Trainingsdaten an csv ausgegeben. Das Skript wird weggelassen.
5.2 Vorbereitung der Daten für das virtuelle Screening
In diesem Artikel wenden wir das konstruierte Vorhersagemodell auf Marketing / Abbruch / Experiment und Prüfpräparat an. Beziehen Sie die für diesen Zweck erforderlichen Strukturdaten für Marketing / Abbruch / Experiment und Prüfpräparat von der DrugBank. Der Github des Papiers hat die formatierten Daten so wie sie sind, aber ** ich werde es selbst beharrlich versuchen **.
5.2.1 Datenerfassung von der DrugBank
Laden Sie zunächst als XML-Daten XML von dem Link herunter, der als "DOWNLOAD (XML)" in "https: // www.drugbank.ca / release / latest" beschrieben wird.
Laden Sie dann das PDF von `` `https: // www.drugbank.ca / release / latest # Structures``` herunter.
Das Konto musste möglicherweise im Voraus erstellt werden.
Speichern Sie diese als "vollständige Datenbank.xml", "offene Strukturen.sdf".
5.2.2 DrugBank-Datenformatierung
Strukturdaten werden in sdf gespeichert, und das Vorhersagemodell kann selbst angewendet werden. Da es jedoch Typen wie kommerziell / Abbruch / Experiment in XML gibt, werden diese in CSV verknüpft und gespeichert. Das Skriptfragment ist unten dargestellt.
make_drugbank_data.py
def get_group(groups_node, ns):
ret = ""
if groups_node:
for i, child in enumerate(groups_node.iter(f"{ns}group")):
if i > 0 :
ret += ","
ret += child.text
return ret
def get_id(drug_node, ns):
for i, child in enumerate(drug_node.iter(f"{ns}drugbank-id")):
for attr in child.attrib:
if attr == "primary":
return child.text
return None
def main():
parser = argparse.ArgumentParser()
parser.add_argument("-input_xml", type=str, required=True)
parser.add_argument("-input_sdf", type=str, required=True)
parser.add_argument("-output", type=str, required=True)
args = parser.parse_args()
name_dict = {}
smiles_dict = {}
sdf_sup = Chem.SDMolSupplier(args.input_sdf)
datas = []
for i, mol in enumerate(sdf_sup):
if not mol:
continue
if mol.HasProp("DRUGBANK_ID"):
id = mol.GetProp("DRUGBANK_ID")
if mol.HasProp("COMMON_NAME"):
name = mol.GetProp("COMMON_NAME")
smiles = Chem.MolToSmiles(mol)
name_dict[id] = name
smiles_dict[id] = smiles
print(f"{i} {id} {name} {smiles}")
tree = ET.parse(args.input_xml)
root = tree.getroot()
ns = "{http://www.drugbank.ca}"
ids = []
datas = []
for i, drug in enumerate(root.iter(f"{ns}drug")):
id = get_id(drug, ns)
category = get_group(drug.find(f"{ns}groups"), ns)
if id and id in smiles_dict:
print(f"{i}, {id}, {category}")
ids.append(id)
datas.append([name_dict[id], category, smiles_dict[id]])
df = pd.DataFrame(datas, index=ids, columns=[["name", "status", "smiles"]])
df.to_csv(args.output)
if __name__ == "__main__":
main()
Die durch Ausführen dieses Skripts erhaltenen Daten sehen folgendermaßen aus. Strukturdaten werden als SMILES gespeichert.
id,name,status,smiles
DB00006,Bivalirudin,"approved,investigational",CC[C@H](C)[C@H](NC(=O)[C@H](CCC(=O)O)NC(=O)[C@H](CCC(=O)O)NC(=O)[C@H](Cc1ccccc1)NC(=O)[C@H](CC(=O)O)NC(=O)CNC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)CNC(=O)CNC(=O)CNC(=O)[C@@H]1CCCN1C(=O)[C@H](CCCNC(=N)N)NC(=O)[C@@H]1CCCN1C(=O)[C@H](N)Cc1ccccc1)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(=O)O)C(=O)N[C@@H](CCC(=O)O)C(=O)N[C@@H](Cc1ccc(O)cc1)C(=O)N[C@@H](CC(C)C)C(=O)O
DB00007,Leuprolide,"approved,investigational",CCNC(=O)[C@@H]1CCCN1C(=O)[C@H](CCCNC(=N)N)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](Cc1ccc(O)cc1)NC(=O)[C@H](CO)NC(=O)[C@H](Cc1c[nH]c2ccccc12)NC(=O)[C@H](Cc1c[nH]cn1)NC(=O)[C@@H]1CCC(=O)N1
DB00014,Goserelin,approved,CC(C)C[C@H](NC(=O)[C@@H](COC(C)(C)C)NC(=O)[C@H](Cc1ccc(O)cc1)NC(=O)[C@H](CO)NC(=O)[C@H](Cc1c[nH]c2ccccc12)NC(=O)[C@H](Cc1cnc[nH]1)NC(=O)[C@@H]1CCC(=O)N1)C(=O)N[C@@H](CCCN=C(N)N)C(=O)N1CCC[C@H]1C(=O)NNC(N)=O
DB00027,Gramicidin D,approved,CC(C)C[C@@H](NC(=O)CNC(=O)[C@@H](NC=O)C(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](C(=O)N[C@H](C(=O)N[C@@H](C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@H](CC(C)C)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@H](CC(C)C)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@H](CC(C)C)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)NCCO)C(C)C)C(C)C)C(C)C
DB00035,Desmopressin,approved,N=C(N)NCCC[C@@H](NC(=O)[C@@H]1CCCN1C(=O)[C@@H]1CSSCCC(=O)N[C@@H](Cc2ccc(O)cc2)C(=O)N[C@@H](Cc2ccccc2)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N1)C(=O)NCC(N)=O
5.3 Erstellen eines Vorhersagemodells
Als nächstes wird ein Vorhersagemodell unter Verwendung der Trainingsdaten konstruiert.
5.3.1 Erzeugung von Fingerabdrücken aus Strukturdaten
Hier werden die erklärenden Variablen für maschinelles Lernen aus der in 5.1.3 generierten CSV-Datei generiert. Lesen Sie insbesondere SMILES in der Spalte "canonical_smiles" der CSV-Datei und konvertieren Sie es mit RDKit in ein Mol-Objekt. Verwenden Sie dann AllChem.GetMorganFingerprintAsBitVect von RDKit, um einen 2048-Bit-Fingerabdruck zu generieren. Grob gesagt ist ein Fingerabdruck eine Sammlung von mehreren Bits, die, wenn die Verbindung eine bestimmte Struktur enthält, ein entsprechendes Bit von 1 und ansonsten 0 haben. Dieses Mal wird eine Bitfolge generiert, die aus 2048 0s oder 1s besteht.
calc_descriptor.py
from rdkit import Chem
from rdkit.Chem import AllChem
from molvs.normalize import Normalizer, Normalization
from molvs.tautomer import TAUTOMER_TRANSFORMS, TAUTOMER_SCORES, MAX_TAUTOMERS, TautomerCanonicalizer, TautomerEnumerator, TautomerTransform
from molvs.fragment import LargestFragmentChooser
from molvs.charge import Reionizer, Uncharger
import argparse
import csv
import pandas as pd
import numpy as np
def normalize(smiles):
# Generate Mol
mol = Chem.MolFromSmiles(smiles)
# Uncharge
uncharger = Uncharger()
mol = uncharger.uncharge(mol)
# LargestFragmentChooser
flagmentChooser = LargestFragmentChooser()
mol = flagmentChooser(mol)
# Sanitaize
Chem.SanitizeMol(mol)
# Normalize
normalizer = Normalizer()
mol = normalizer.normalize(mol)
tautomerCanonicalizer = TautomerCanonicalizer()
mol = tautomerCanonicalizer.canonicalize(mol)
return Chem.MolToSmiles(mol)
def main():
parser = argparse.ArgumentParser()
parser.add_argument("-input", type=str, required=True)
parser.add_argument("-output", type=str, required=True)
args = parser.parse_args()
#Trainingsdaten lesen
smiles_list = list()
datas = []
with open(args.input, "r") as f:
reader = csv.DictReader(f)
for row in reader:
org_smiles = row["canonical_smiles"]
new_smiles = normalize(org_smiles)
existFlag = False
for tmp_smiles in smiles_list:
if new_smiles == tmp_smiles:
print("exist!")
existFlag = True
break
if not existFlag:
smiles_list.append(new_smiles)
mol = Chem.MolFromSmiles(new_smiles)
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=3, nBits=2048, useFeatures=False, useChirality=False)
fp = pd.Series(np.asarray(fp)).values
data = []
data.append(row["id"])
data.append(int(row["outcome"]))
data.extend(fp)
datas.append(data)
columns = list()
columns.append("id")
columns.append("outcome")
columns.extend(["Bit_" + str(i + 1) for i in range(2048)])
df = pd.DataFrame(data=datas, columns=columns)
df.set_index("id", inplace=True, drop=True)
#sparen
df.to_csv(args.output)
if __name__ == "__main__":
main()
Die Verbindung wurde vorbehandelt und standardisiert, und wenn dieselbe Verbindung vorhanden war, wurde sie für alle Fälle entfernt. Es gibt auch einen Prozess zum Generieren von 3D-Koordinaten aus einer Verbindung, aber im Fall des diesmal verwendeten Fingerabdrucks sind 3D-Koordinaten nicht erforderlich, sodass sie nicht verarbeitet werden. Nach der Ausführung werden die folgenden Daten erhalten. Die erste Spalte ist die ID, die zweite Spalte ist die Zielvariable und die dritte und nachfolgende Spalte sind die erklärenden Variablen nach Fingerabdruck.
id,outcome,Bit_1,Bit_2,Bit_3,Bit_4,Bit_5,Bit_6,Bit_7,Bit_8,Bit_9,Bit_10,Bit_11,Bit_12,Bit_13,Bit_14,Bit_15,Bit_16,Bit_17,Bit_18,Bit_19,Bit_20,Bit_21,Bit_22,Bit_23,Bit_24,Bit_25,Bit_26,Bit_27,Bit_28,Bit_29,Bit_30,Bit_31,Bit_32,Bit_33,Bit_34,Bit_35,Bit_36,Bit_37,Bit_38,Bit_39,Bit_40,Bit_41,Bit_42,Bit_43,Bit_44,Bit_45,Bit_46,Bit_47,Bit_48,Bit_49,Bit_50,Bit_51,Bit_52,Bit_53,Bit_54,Bit_55,Bit_56,Bit_57,Bit_58,Bit_59,Bit_60,Bit_61,Bit_62,Bit_63,Bit_64,Bit_65,Bit_66,Bit_67,Bit_68,Bit_69,Bit_70,Bit_71,Bit_72,Bit_73,Bit_74,Bit_75,Bit_76,Bit_77,Bit_78,Bit_79,Bit_80,Bit_81,Bit_82,Bit_83,Bit_84,Bit_85,Bit_86,Bit_87,Bit_88,Bit_89,Bit_90,Bit_91,Bit_92,Bit_93,Bit_94,Bit_95,Bit_96,Bit_97,Bit_98,Bit_99,Bit_100,Bit_101,Bit_102,Bit_103,Bit_104,Bit_105,Bit_106,Bit_107,Bit_108,Bit_109,Bit_110,Bit_111,Bit_112,Bit_113,Bit_114,Bit_115,Bit_116,Bit_117,Bit_118,Bit_119,Bit_120,Bit_121,Bit_122,Bit_123,Bit_124,Bit_125,Bit_126,Bit_127,Bit_128,Bit_129,Bit_130,Bit_131,Bit_132,Bit_133,Bit_134,Bit_135,Bit_136,Bit_137,Bit_138,Bit_139,Bit_140,Bit_141,Bit_142,Bit_143,Bit_144,Bit_145,Bit_146,Bit_147,Bit_148,Bit_149,Bit_150,Bit_151,Bit_152,Bit_153,Bit_154,Bit_155,Bit_156,Bit_157,Bit_158,Bit_159,Bit_160,Bit_161,Bit_162,Bit_163,Bit_164,Bit_165,Bit_166,Bit_167,Bit_168,Bit_169,Bit_170,Bit_171,Bit_172,Bit_173,Bit_174,Bit_175,Bit_176,Bit_177,Bit_178,Bit_179,Bit_180,Bit_181,Bit_182,Bit_183,Bit_184,Bit_185,Bit_186,Bit_187,Bit_188,Bit_189,Bit_190,Bit_191,Bit_192,Bit_193,Bit_194,Bit_195,Bit_196,Bit_197,Bit_198,Bit_199,Bit_200,Bit_201,Bit_202,Bit_203,Bit_204,Bit_205,Bit_206,Bit_207,Bit_208,Bit_209,Bit_210,Bit_211,Bit_212,Bit_213,Bit_214,Bit_215,Bit_216,Bit_217,Bit_218,Bit_219,Bit_220,Bit_221,Bit_222,Bit_223,Bit_224,Bit_225,Bit_226,Bit_227,Bit_228,Bit_229,Bit_230,Bit_231,Bit_232,Bit_233,Bit_234,Bit_235,Bit_236,Bit_237,Bit_238,Bit_239,Bit_240,Bit_241,Bit_242,Bit_243,Bit_244,Bit_245,Bit_246,Bit_247,Bit_248,Bit_249,Bit_250,Bit_251,Bit_252,Bit_253,Bit_254,Bit_255,Bit_256,Bit_257,Bit_258,Bit_259,Bit_260,Bit_261,Bit_262,Bit_263,Bit_264,Bit_265,Bit_266,Bit_267,Bit_268,Bit_269,Bit_270,Bit_271,Bit_272,Bit_273,Bit_274,Bit_275,Bit_276,Bit_277,Bit_278,Bit_279,Bit_280,Bit_281,Bit_282,Bit_283,Bit_284,Bit_285,Bit_286,Bit_287,Bit_288,Bit_289,Bit_290,Bit_291,Bit_292,Bit_293,Bit_294,Bit_295,Bit_296,Bit_297,Bit_298,Bit_299,Bit_300,Bit_301,Bit_302,Bit_303,Bit_304,Bit_305,Bit_306,Bit_307,Bit_308,Bit_309,Bit_310,Bit_311,Bit_312,Bit_313,Bit_314,Bit_315,Bit_316,Bit_317,Bit_318,Bit_319,Bit_320,Bit_321,Bit_322,Bit_323,Bit_324,Bit_325,Bit_326,Bit_327,Bit_328,Bit_329,Bit_330,Bit_331,Bit_332,Bit_333,Bit_334,Bit_335,Bit_336,Bit_337,Bit_338,Bit_339,Bit_340,Bit_341,Bit_342,Bit_343,Bit_344,Bit_345,Bit_346,Bit_347,Bit_348,Bit_349,Bit_350,Bit_351,Bit_352,Bit_353,Bit_354,Bit_355,Bit_356,Bit_357,Bit_358,Bit_359,Bit_360,Bit_361,Bit_362,Bit_363,Bit_364,Bit_365,Bit_366,Bit_367,Bit_368,Bit_369,Bit_370,Bit_371,Bit_372,Bit_373,Bit_374,Bit_375,Bit_376,Bit_377,Bit_378,Bit_379,Bit_380,Bit_381,Bit_382,Bit_383,Bit_384,Bit_385,Bit_386,Bit_387,Bit_388,Bit_389,Bit_390,Bit_391,Bit_392,Bit_393,Bit_394,Bit_395,Bit_396,Bit_397,Bit_398,Bit_399,Bit_400,Bit_401,Bit_402,Bit_403,Bit_404,Bit_405,Bit_406,Bit_407,Bit_408,Bit_409,Bit_410,Bit_411,Bit_412,Bit_413,Bit_414,Bit_415,Bit_416,Bit_417,Bit_418,Bit_419,Bit_420,Bit_421,Bit_422,Bit_423,Bit_424,Bit_425,Bit_426,Bit_427,Bit_428,Bit_429,Bit_430,Bit_431,Bit_432,Bit_433,Bit_434,Bit_435,Bit_436,Bit_437,Bit_438,Bit_439,Bit_440,Bit_441,Bit_442,Bit_443,Bit_444,Bit_445,Bit_446,Bit_447,Bit_448,Bit_449,Bit_450,Bit_451,Bit_452,Bit_453,Bit_454,Bit_455,Bit_456,Bit_457,Bit_458,Bit_459,Bit_460,Bit_461,Bit_462,Bit_463,Bit_464,Bit_465,Bit_466,Bit_467,Bit_468,Bit_469,Bit_470,Bit_471,Bit_472,Bit_473,Bit_474,Bit_475,Bit_476,Bit_477,Bit_478,Bit_479,Bit_480,Bit_481,Bit_482,Bit_483,Bit_484,Bit_485,Bit_486,Bit_487,Bit_488,Bit_489,Bit_490,Bit_491,Bit_492,Bit_493,Bit_494,Bit_495,Bit_496,Bit_497,Bit_498,Bit_499,Bit_500,Bit_501,Bit_502,Bit_503,Bit_504,Bit_505,Bit_506,Bit_507,Bit_508,Bit_509,Bit_510,Bit_511,Bit_512,Bit_513,Bit_514,Bit_515,Bit_516,Bit_517,Bit_518,Bit_519,Bit_520,Bit_521,Bit_522,Bit_523,Bit_524,Bit_525,Bit_526,Bit_527,Bit_528,Bit_529,Bit_530,Bit_531,Bit_532,Bit_533,Bit_534,Bit_535,Bit_536,Bit_537,Bit_538,Bit_539,Bit_540,Bit_541,Bit_542,Bit_543,Bit_544,Bit_545,Bit_546,Bit_547,Bit_548,Bit_549,Bit_550,Bit_551,Bit_552,Bit_553,Bit_554,Bit_555,Bit_556,Bit_557,Bit_558,Bit_559,Bit_560,Bit_561,Bit_562,Bit_563,Bit_564,Bit_565,Bit_566,Bit_567,Bit_568,Bit_569,Bit_570,Bit_571,Bit_572,Bit_573,Bit_574,Bit_575,Bit_576,Bit_577,Bit_578,Bit_579,Bit_580,Bit_581,Bit_582,Bit_583,Bit_584,Bit_585,Bit_586,Bit_587,Bit_588,Bit_589,Bit_590,Bit_591,Bit_592,Bit_593,Bit_594,Bit_595,Bit_596,Bit_597,Bit_598,Bit_599,Bit_600,Bit_601,Bit_602,Bit_603,Bit_604,Bit_605,Bit_606,Bit_607,Bit_608,Bit_609,Bit_610,Bit_611,Bit_612,Bit_613,Bit_614,Bit_615,Bit_616,Bit_617,Bit_618,Bit_619,Bit_620,Bit_621,Bit_622,Bit_623,Bit_624,Bit_625,Bit_626,Bit_627,Bit_628,Bit_629,Bit_630,Bit_631,Bit_632,Bit_633,Bit_634,Bit_635,Bit_636,Bit_637,Bit_638,Bit_639,Bit_640,Bit_641,Bit_642,Bit_643,Bit_644,Bit_645,Bit_646,Bit_647,Bit_648,Bit_649,Bit_650,Bit_651,Bit_652,Bit_653,Bit_654,Bit_655,Bit_656,Bit_657,Bit_658,Bit_659,Bit_660,Bit_661,Bit_662,Bit_663,Bit_664,Bit_665,Bit_666,Bit_667,Bit_668,Bit_669,Bit_670,Bit_671,Bit_672,Bit_673,Bit_674,Bit_675,Bit_676,Bit_677,Bit_678,Bit_679,Bit_680,Bit_681,Bit_682,Bit_683,Bit_684,Bit_685,Bit_686,Bit_687,Bit_688,Bit_689,Bit_690,Bit_691,Bit_692,Bit_693,Bit_694,Bit_695,Bit_696,Bit_697,Bit_698,Bit_699,Bit_700,Bit_701,Bit_702,Bit_703,Bit_704,Bit_705,Bit_706,Bit_707,Bit_708,Bit_709,Bit_710,Bit_711,Bit_712,Bit_713,Bit_714,Bit_715,Bit_716,Bit_717,Bit_718,Bit_719,Bit_720,Bit_721,Bit_722,Bit_723,Bit_724,Bit_725,Bit_726,Bit_727,Bit_728,Bit_729,Bit_730,Bit_731,Bit_732,Bit_733,Bit_734,Bit_735,Bit_736,Bit_737,Bit_738,Bit_739,Bit_740,Bit_741,Bit_742,Bit_743,Bit_744,Bit_745,Bit_746,Bit_747,Bit_748,Bit_749,Bit_750,Bit_751,Bit_752,Bit_753,Bit_754,Bit_755,Bit_756,Bit_757,Bit_758,Bit_759,Bit_760,Bit_761,Bit_762,Bit_763,Bit_764,Bit_765,Bit_766,Bit_767,Bit_768,Bit_769,Bit_770,Bit_771,Bit_772,Bit_773,Bit_774,Bit_775,Bit_776,Bit_777,Bit_778,Bit_779,Bit_780,Bit_781,Bit_782,Bit_783,Bit_784,Bit_785,Bit_786,Bit_787,Bit_788,Bit_789,Bit_790,Bit_791,Bit_792,Bit_793,Bit_794,Bit_795,Bit_796,Bit_797,Bit_798,Bit_799,Bit_800,Bit_801,Bit_802,Bit_803,Bit_804,Bit_805,Bit_806,Bit_807,Bit_808,Bit_809,Bit_810,Bit_811,Bit_812,Bit_813,Bit_814,Bit_815,Bit_816,Bit_817,Bit_818,Bit_819,Bit_820,Bit_821,Bit_822,Bit_823,Bit_824,Bit_825,Bit_826,Bit_827,Bit_828,Bit_829,Bit_830,Bit_831,Bit_832,Bit_833,Bit_834,Bit_835,Bit_836,Bit_837,Bit_838,Bit_839,Bit_840,Bit_841,Bit_842,Bit_843,Bit_844,Bit_845,Bit_846,Bit_847,Bit_848,Bit_849,Bit_850,Bit_851,Bit_852,Bit_853,Bit_854,Bit_855,Bit_856,Bit_857,Bit_858,Bit_859,Bit_860,Bit_861,Bit_862,Bit_863,Bit_864,Bit_865,Bit_866,Bit_867,Bit_868,Bit_869,Bit_870,Bit_871,Bit_872,Bit_873,Bit_874,Bit_875,Bit_876,Bit_877,Bit_878,Bit_879,Bit_880,Bit_881,Bit_882,Bit_883,Bit_884,Bit_885,Bit_886,Bit_887,Bit_888,Bit_889,Bit_890,Bit_891,Bit_892,Bit_893,Bit_894,Bit_895,Bit_896,Bit_897,Bit_898,Bit_899,Bit_900,Bit_901,Bit_902,Bit_903,Bit_904,Bit_905,Bit_906,Bit_907,Bit_908,Bit_909,Bit_910,Bit_911,Bit_912,Bit_913,Bit_914,Bit_915,Bit_916,Bit_917,Bit_918,Bit_919,Bit_920,Bit_921,Bit_922,Bit_923,Bit_924,Bit_925,Bit_926,Bit_927,Bit_928,Bit_929,Bit_930,Bit_931,Bit_932,Bit_933,Bit_934,Bit_935,Bit_936,Bit_937,Bit_938,Bit_939,Bit_940,Bit_941,Bit_942,Bit_943,Bit_944,Bit_945,Bit_946,Bit_947,Bit_948,Bit_949,Bit_950,Bit_951,Bit_952,Bit_953,Bit_954,Bit_955,Bit_956,Bit_957,Bit_958,Bit_959,Bit_960,Bit_961,Bit_962,Bit_963,Bit_964,Bit_965,Bit_966,Bit_967,Bit_968,Bit_969,Bit_970,Bit_971,Bit_972,Bit_973,Bit_974,Bit_975,Bit_976,Bit_977,Bit_978,Bit_979,Bit_980,Bit_981,Bit_982,Bit_983,Bit_984,Bit_985,Bit_986,Bit_987,Bit_988,Bit_989,Bit_990,Bit_991,Bit_992,Bit_993,Bit_994,Bit_995,Bit_996,Bit_997,Bit_998,Bit_999,Bit_1000,Bit_1001,Bit_1002,Bit_1003,Bit_1004,Bit_1005,Bit_1006,Bit_1007,Bit_1008,Bit_1009,Bit_1010,Bit_1011,Bit_1012,Bit_1013,Bit_1014,Bit_1015,Bit_1016,Bit_1017,Bit_1018,Bit_1019,Bit_1020,Bit_1021,Bit_1022,Bit_1023,Bit_1024,Bit_1025,Bit_1026,Bit_1027,Bit_1028,Bit_1029,Bit_1030,Bit_1031,Bit_1032,Bit_1033,Bit_1034,Bit_1035,Bit_1036,Bit_1037,Bit_1038,Bit_1039,Bit_1040,Bit_1041,Bit_1042,Bit_1043,Bit_1044,Bit_1045,Bit_1046,Bit_1047,Bit_1048,Bit_1049,Bit_1050,Bit_1051,Bit_1052,Bit_1053,Bit_1054,Bit_1055,Bit_1056,Bit_1057,Bit_1058,Bit_1059,Bit_1060,Bit_1061,Bit_1062,Bit_1063,Bit_1064,Bit_1065,Bit_1066,Bit_1067,Bit_1068,Bit_1069,Bit_1070,Bit_1071,Bit_1072,Bit_1073,Bit_1074,Bit_1075,Bit_1076,Bit_1077,Bit_1078,Bit_1079,Bit_1080,Bit_1081,Bit_1082,Bit_1083,Bit_1084,Bit_1085,Bit_1086,Bit_1087,Bit_1088,Bit_1089,Bit_1090,Bit_1091,Bit_1092,Bit_1093,Bit_1094,Bit_1095,Bit_1096,Bit_1097,Bit_1098,Bit_1099,Bit_1100,Bit_1101,Bit_1102,Bit_1103,Bit_1104,Bit_1105,Bit_1106,Bit_1107,Bit_1108,Bit_1109,Bit_1110,Bit_1111,Bit_1112,Bit_1113,Bit_1114,Bit_1115,Bit_1116,Bit_1117,Bit_1118,Bit_1119,Bit_1120,Bit_1121,Bit_1122,Bit_1123,Bit_1124,Bit_1125,Bit_1126,Bit_1127,Bit_1128,Bit_1129,Bit_1130,Bit_1131,Bit_1132,Bit_1133,Bit_1134,Bit_1135,Bit_1136,Bit_1137,Bit_1138,Bit_1139,Bit_1140,Bit_1141,Bit_1142,Bit_1143,Bit_1144,Bit_1145,Bit_1146,Bit_1147,Bit_1148,Bit_1149,Bit_1150,Bit_1151,Bit_1152,Bit_1153,Bit_1154,Bit_1155,Bit_1156,Bit_1157,Bit_1158,Bit_1159,Bit_1160,Bit_1161,Bit_1162,Bit_1163,Bit_1164,Bit_1165,Bit_1166,Bit_1167,Bit_1168,Bit_1169,Bit_1170,Bit_1171,Bit_1172,Bit_1173,Bit_1174,Bit_1175,Bit_1176,Bit_1177,Bit_1178,Bit_1179,Bit_1180,Bit_1181,Bit_1182,Bit_1183,Bit_1184,Bit_1185,Bit_1186,Bit_1187,Bit_1188,Bit_1189,Bit_1190,Bit_1191,Bit_1192,Bit_1193,Bit_1194,Bit_1195,Bit_1196,Bit_1197,Bit_1198,Bit_1199,Bit_1200,Bit_1201,Bit_1202,Bit_1203,Bit_1204,Bit_1205,Bit_1206,Bit_1207,Bit_1208,Bit_1209,Bit_1210,Bit_1211,Bit_1212,Bit_1213,Bit_1214,Bit_1215,Bit_1216,Bit_1217,Bit_1218,Bit_1219,Bit_1220,Bit_1221,Bit_1222,Bit_1223,Bit_1224,Bit_1225,Bit_1226,Bit_1227,Bit_1228,Bit_1229,Bit_1230,Bit_1231,Bit_1232,Bit_1233,Bit_1234,Bit_1235,Bit_1236,Bit_1237,Bit_1238,Bit_1239,Bit_1240,Bit_1241,Bit_1242,Bit_1243,Bit_1244,Bit_1245,Bit_1246,Bit_1247,Bit_1248,Bit_1249,Bit_1250,Bit_1251,Bit_1252,Bit_1253,Bit_1254,Bit_1255,Bit_1256,Bit_1257,Bit_1258,Bit_1259,Bit_1260,Bit_1261,Bit_1262,Bit_1263,Bit_1264,Bit_1265,Bit_1266,Bit_1267,Bit_1268,Bit_1269,Bit_1270,Bit_1271,Bit_1272,Bit_1273,Bit_1274,Bit_1275,Bit_1276,Bit_1277,Bit_1278,Bit_1279,Bit_1280,Bit_1281,Bit_1282,Bit_1283,Bit_1284,Bit_1285,Bit_1286,Bit_1287,Bit_1288,Bit_1289,Bit_1290,Bit_1291,Bit_1292,Bit_1293,Bit_1294,Bit_1295,Bit_1296,Bit_1297,Bit_1298,Bit_1299,Bit_1300,Bit_1301,Bit_1302,Bit_1303,Bit_1304,Bit_1305,Bit_1306,Bit_1307,Bit_1308,Bit_1309,Bit_1310,Bit_1311,Bit_1312,Bit_1313,Bit_1314,Bit_1315,Bit_1316,Bit_1317,Bit_1318,Bit_1319,Bit_1320,Bit_1321,Bit_1322,Bit_1323,Bit_1324,Bit_1325,Bit_1326,Bit_1327,Bit_1328,Bit_1329,Bit_1330,Bit_1331,Bit_1332,Bit_1333,Bit_1334,Bit_1335,Bit_1336,Bit_1337,Bit_1338,Bit_1339,Bit_1340,Bit_1341,Bit_1342,Bit_1343,Bit_1344,Bit_1345,Bit_1346,Bit_1347,Bit_1348,Bit_1349,Bit_1350,Bit_1351,Bit_1352,Bit_1353,Bit_1354,Bit_1355,Bit_1356,Bit_1357,Bit_1358,Bit_1359,Bit_1360,Bit_1361,Bit_1362,Bit_1363,Bit_1364,Bit_1365,Bit_1366,Bit_1367,Bit_1368,Bit_1369,Bit_1370,Bit_1371,Bit_1372,Bit_1373,Bit_1374,Bit_1375,Bit_1376,Bit_1377,Bit_1378,Bit_1379,Bit_1380,Bit_1381,Bit_1382,Bit_1383,Bit_1384,Bit_1385,Bit_1386,Bit_1387,Bit_1388,Bit_1389,Bit_1390,Bit_1391,Bit_1392,Bit_1393,Bit_1394,Bit_1395,Bit_1396,Bit_1397,Bit_1398,Bit_1399,Bit_1400,Bit_1401,Bit_1402,Bit_1403,Bit_1404,Bit_1405,Bit_1406,Bit_1407,Bit_1408,Bit_1409,Bit_1410,Bit_1411,Bit_1412,Bit_1413,Bit_1414,Bit_1415,Bit_1416,Bit_1417,Bit_1418,Bit_1419,Bit_1420,Bit_1421,Bit_1422,Bit_1423,Bit_1424,Bit_1425,Bit_1426,Bit_1427,Bit_1428,Bit_1429,Bit_1430,Bit_1431,Bit_1432,Bit_1433,Bit_1434,Bit_1435,Bit_1436,Bit_1437,Bit_1438,Bit_1439,Bit_1440,Bit_1441,Bit_1442,Bit_1443,Bit_1444,Bit_1445,Bit_1446,Bit_1447,Bit_1448,Bit_1449,Bit_1450,Bit_1451,Bit_1452,Bit_1453,Bit_1454,Bit_1455,Bit_1456,Bit_1457,Bit_1458,Bit_1459,Bit_1460,Bit_1461,Bit_1462,Bit_1463,Bit_1464,Bit_1465,Bit_1466,Bit_1467,Bit_1468,Bit_1469,Bit_1470,Bit_1471,Bit_1472,Bit_1473,Bit_1474,Bit_1475,Bit_1476,Bit_1477,Bit_1478,Bit_1479,Bit_1480,Bit_1481,Bit_1482,Bit_1483,Bit_1484,Bit_1485,Bit_1486,Bit_1487,Bit_1488,Bit_1489,Bit_1490,Bit_1491,Bit_1492,Bit_1493,Bit_1494,Bit_1495,Bit_1496,Bit_1497,Bit_1498,Bit_1499,Bit_1500,Bit_1501,Bit_1502,Bit_1503,Bit_1504,Bit_1505,Bit_1506,Bit_1507,Bit_1508,Bit_1509,Bit_1510,Bit_1511,Bit_1512,Bit_1513,Bit_1514,Bit_1515,Bit_1516,Bit_1517,Bit_1518,Bit_1519,Bit_1520,Bit_1521,Bit_1522,Bit_1523,Bit_1524,Bit_1525,Bit_1526,Bit_1527,Bit_1528,Bit_1529,Bit_1530,Bit_1531,Bit_1532,Bit_1533,Bit_1534,Bit_1535,Bit_1536,Bit_1537,Bit_1538,Bit_1539,Bit_1540,Bit_1541,Bit_1542,Bit_1543,Bit_1544,Bit_1545,Bit_1546,Bit_1547,Bit_1548,Bit_1549,Bit_1550,Bit_1551,Bit_1552,Bit_1553,Bit_1554,Bit_1555,Bit_1556,Bit_1557,Bit_1558,Bit_1559,Bit_1560,Bit_1561,Bit_1562,Bit_1563,Bit_1564,Bit_1565,Bit_1566,Bit_1567,Bit_1568,Bit_1569,Bit_1570,Bit_1571,Bit_1572,Bit_1573,Bit_1574,Bit_1575,Bit_1576,Bit_1577,Bit_1578,Bit_1579,Bit_1580,Bit_1581,Bit_1582,Bit_1583,Bit_1584,Bit_1585,Bit_1586,Bit_1587,Bit_1588,Bit_1589,Bit_1590,Bit_1591,Bit_1592,Bit_1593,Bit_1594,Bit_1595,Bit_1596,Bit_1597,Bit_1598,Bit_1599,Bit_1600,Bit_1601,Bit_1602,Bit_1603,Bit_1604,Bit_1605,Bit_1606,Bit_1607,Bit_1608,Bit_1609,Bit_1610,Bit_1611,Bit_1612,Bit_1613,Bit_1614,Bit_1615,Bit_1616,Bit_1617,Bit_1618,Bit_1619,Bit_1620,Bit_1621,Bit_1622,Bit_1623,Bit_1624,Bit_1625,Bit_1626,Bit_1627,Bit_1628,Bit_1629,Bit_1630,Bit_1631,Bit_1632,Bit_1633,Bit_1634,Bit_1635,Bit_1636,Bit_1637,Bit_1638,Bit_1639,Bit_1640,Bit_1641,Bit_1642,Bit_1643,Bit_1644,Bit_1645,Bit_1646,Bit_1647,Bit_1648,Bit_1649,Bit_1650,Bit_1651,Bit_1652,Bit_1653,Bit_1654,Bit_1655,Bit_1656,Bit_1657,Bit_1658,Bit_1659,Bit_1660,Bit_1661,Bit_1662,Bit_1663,Bit_1664,Bit_1665,Bit_1666,Bit_1667,Bit_1668,Bit_1669,Bit_1670,Bit_1671,Bit_1672,Bit_1673,Bit_1674,Bit_1675,Bit_1676,Bit_1677,Bit_1678,Bit_1679,Bit_1680,Bit_1681,Bit_1682,Bit_1683,Bit_1684,Bit_1685,Bit_1686,Bit_1687,Bit_1688,Bit_1689,Bit_1690,Bit_1691,Bit_1692,Bit_1693,Bit_1694,Bit_1695,Bit_1696,Bit_1697,Bit_1698,Bit_1699,Bit_1700,Bit_1701,Bit_1702,Bit_1703,Bit_1704,Bit_1705,Bit_1706,Bit_1707,Bit_1708,Bit_1709,Bit_1710,Bit_1711,Bit_1712,Bit_1713,Bit_1714,Bit_1715,Bit_1716,Bit_1717,Bit_1718,Bit_1719,Bit_1720,Bit_1721,Bit_1722,Bit_1723,Bit_1724,Bit_1725,Bit_1726,Bit_1727,Bit_1728,Bit_1729,Bit_1730,Bit_1731,Bit_1732,Bit_1733,Bit_1734,Bit_1735,Bit_1736,Bit_1737,Bit_1738,Bit_1739,Bit_1740,Bit_1741,Bit_1742,Bit_1743,Bit_1744,Bit_1745,Bit_1746,Bit_1747,Bit_1748,Bit_1749,Bit_1750,Bit_1751,Bit_1752,Bit_1753,Bit_1754,Bit_1755,Bit_1756,Bit_1757,Bit_1758,Bit_1759,Bit_1760,Bit_1761,Bit_1762,Bit_1763,Bit_1764,Bit_1765,Bit_1766,Bit_1767,Bit_1768,Bit_1769,Bit_1770,Bit_1771,Bit_1772,Bit_1773,Bit_1774,Bit_1775,Bit_1776,Bit_1777,Bit_1778,Bit_1779,Bit_1780,Bit_1781,Bit_1782,Bit_1783,Bit_1784,Bit_1785,Bit_1786,Bit_1787,Bit_1788,Bit_1789,Bit_1790,Bit_1791,Bit_1792,Bit_1793,Bit_1794,Bit_1795,Bit_1796,Bit_1797,Bit_1798,Bit_1799,Bit_1800,Bit_1801,Bit_1802,Bit_1803,Bit_1804,Bit_1805,Bit_1806,Bit_1807,Bit_1808,Bit_1809,Bit_1810,Bit_1811,Bit_1812,Bit_1813,Bit_1814,Bit_1815,Bit_1816,Bit_1817,Bit_1818,Bit_1819,Bit_1820,Bit_1821,Bit_1822,Bit_1823,Bit_1824,Bit_1825,Bit_1826,Bit_1827,Bit_1828,Bit_1829,Bit_1830,Bit_1831,Bit_1832,Bit_1833,Bit_1834,Bit_1835,Bit_1836,Bit_1837,Bit_1838,Bit_1839,Bit_1840,Bit_1841,Bit_1842,Bit_1843,Bit_1844,Bit_1845,Bit_1846,Bit_1847,Bit_1848,Bit_1849,Bit_1850,Bit_1851,Bit_1852,Bit_1853,Bit_1854,Bit_1855,Bit_1856,Bit_1857,Bit_1858,Bit_1859,Bit_1860,Bit_1861,Bit_1862,Bit_1863,Bit_1864,Bit_1865,Bit_1866,Bit_1867,Bit_1868,Bit_1869,Bit_1870,Bit_1871,Bit_1872,Bit_1873,Bit_1874,Bit_1875,Bit_1876,Bit_1877,Bit_1878,Bit_1879,Bit_1880,Bit_1881,Bit_1882,Bit_1883,Bit_1884,Bit_1885,Bit_1886,Bit_1887,Bit_1888,Bit_1889,Bit_1890,Bit_1891,Bit_1892,Bit_1893,Bit_1894,Bit_1895,Bit_1896,Bit_1897,Bit_1898,Bit_1899,Bit_1900,Bit_1901,Bit_1902,Bit_1903,Bit_1904,Bit_1905,Bit_1906,Bit_1907,Bit_1908,Bit_1909,Bit_1910,Bit_1911,Bit_1912,Bit_1913,Bit_1914,Bit_1915,Bit_1916,Bit_1917,Bit_1918,Bit_1919,Bit_1920,Bit_1921,Bit_1922,Bit_1923,Bit_1924,Bit_1925,Bit_1926,Bit_1927,Bit_1928,Bit_1929,Bit_1930,Bit_1931,Bit_1932,Bit_1933,Bit_1934,Bit_1935,Bit_1936,Bit_1937,Bit_1938,Bit_1939,Bit_1940,Bit_1941,Bit_1942,Bit_1943,Bit_1944,Bit_1945,Bit_1946,Bit_1947,Bit_1948,Bit_1949,Bit_1950,Bit_1951,Bit_1952,Bit_1953,Bit_1954,Bit_1955,Bit_1956,Bit_1957,Bit_1958,Bit_1959,Bit_1960,Bit_1961,Bit_1962,Bit_1963,Bit_1964,Bit_1965,Bit_1966,Bit_1967,Bit_1968,Bit_1969,Bit_1970,Bit_1971,Bit_1972,Bit_1973,Bit_1974,Bit_1975,Bit_1976,Bit_1977,Bit_1978,Bit_1979,Bit_1980,Bit_1981,Bit_1982,Bit_1983,Bit_1984,Bit_1985,Bit_1986,Bit_1987,Bit_1988,Bit_1989,Bit_1990,Bit_1991,Bit_1992,Bit_1993,Bit_1994,Bit_1995,Bit_1996,Bit_1997,Bit_1998,Bit_1999,Bit_2000,Bit_2001,Bit_2002,Bit_2003,Bit_2004,Bit_2005,Bit_2006,Bit_2007,Bit_2008,Bit_2009,Bit_2010,Bit_2011,Bit_2012,Bit_2013,Bit_2014,Bit_2015,Bit_2016,Bit_2017,Bit_2018,Bit_2019,Bit_2020,Bit_2021,Bit_2022,Bit_2023,Bit_2024,Bit_2025,Bit_2026,Bit_2027,Bit_2028,Bit_2029,Bit_2030,Bit_2031,Bit_2032,Bit_2033,Bit_2034,Bit_2035,Bit_2036,Bit_2037,Bit_2038,Bit_2039,Bit_2040,Bit_2041,Bit_2042,Bit_2043,Bit_2044,Bit_2045,Bit_2046,Bit_2047,Bit_2048
CHEMBL365134,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
CHEMBL187579,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0
5.3.2 Erstellen eines Vorhersagemodells
Lesen Sie abschließend die generierten Daten der erklärenden Variablen (und der objektiven Variablen) und erstellen Sie ein Vorhersagemodell. Dem Papier zufolge wurde zufälliger Wald verwendet. Ich wollte das Papier so weit wie möglich mit der Hyperparametersuche von GridSearch, der 5-fachen Kreuzvalidierung und dem Bewertungsindex reproduzieren, also habe ich einen Teil der Quelle von Github verwendet. Außerdem wurde im Github-Code die Y-Randamiztion mit der Methode permutation_test_score von scikit-learn durchgeführt, sodass dies ebenfalls umgeleitet wurde.
create_model.py
import argparse
import csv
import pandas as pd
import numpy as np
import gzip
import _pickle as cPickle
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import VarianceThreshold
from sklearn.model_selection import train_test_split, cross_validate, GridSearchCV
from sklearn.model_selection import permutation_test_score, StratifiedKFold
def calc_metrics_derived_from_confusion_matrix(metrics_name, y_true, y_predict):
tn, fp, fn, tp = metrics.confusion_matrix(y_true, y_predict).ravel()
# PPV, precision
# TP / TP + FP
if metrics_name in ["PPV", "precision"]:
return tp / (tp + fp)
# NPV
# TN / TN + FN
if metrics_name in ["NPV"]:
return tn / (tn + fn)
# sensitivity, recall, TPR
# TP / TP + FN
if metrics_name in ["sensitivity", "recall", "TPR"]:
return tp / (tp + fn)
# specificity
# TN / TN + FP
if metrics_name in ["specificity"]:
return tn / (tn + fp)
def calc_metrics(metrics_name, y_true, y_predict):
if metrics_name == "accuracy":
return metrics.accuracy_score(y_true, y_predict)
if metrics_name == "ba":
return metrics.balanced_accuracy_score(y_true, y_predict)
if metrics_name == "roc_auc":
return metrics.roc_auc_score(y_true, y_predict)
if metrics_name == "kappa":
return metrics.cohen_kappa_score(y_true, y_predict)
if metrics_name == "mcc":
return metrics.matthews_corrcoef(y_true, y_predict)
if metrics_name == "precision":
return metrics.precision_score(y_true, y_predict)
if metrics_name == "recall":
return metrics.recall_score(y_true, y_predict)
def main():
parser = argparse.ArgumentParser()
parser.add_argument("-input", type=str, required=True)
parser.add_argument("-output_model", type=str, required=True)
parser.add_argument("-output_report", type=str, required=True)
args = parser.parse_args()
df = pd.read_csv(args.input, index_col=0)
print(df.shape)
y_train = df['outcome'].to_numpy()
print(y_train)
X_train = df.iloc[:, 1:]
print(y_train.shape)
print(X_train.shape)
# Number of trees in random forest
n_estimators = [100, 250, 500, 750, 1000]
max_features = ['auto', 'sqrt']
criterion = ['gini', 'entropy']
class_weight = [None,'balanced',
{0:.9, 1:.1}, {0:.8, 1:.2}, {0:.7, 1:.3}, {0:.6, 1:.4},
{0:.4, 1:.6}, {0:.3, 1:.7}, {0:.2, 1:.8}, {0:.1, 1:.9}]
random_state = [24]
# Create the random grid
param_grid = {'n_estimators': n_estimators,
'max_features': max_features,
'criterion': criterion,
'random_state': random_state,
'class_weight': class_weight}
# setup model building
rf = GridSearchCV(RandomForestClassifier(), param_grid, n_jobs=-1, cv=5, verbose=1)
rf.fit(X_train, y_train)
print()
print('Best params: %s' % rf.best_params_)
print('Score: %.2f' % rf.best_score_)
rf_best = RandomForestClassifier(**rf.best_params_, n_jobs=-1)
rf_best.fit(X_train, y_train)
#Speichern Sie das einmal erstellte Modell
with gzip.GzipFile(args.output_model, 'w') as f:
cPickle.dump(rf_best, f)
with gzip.GzipFile(args.output_model, 'r') as f:
rf_best = cPickle.load(f)
# Params
pred = []
ad = []
pred_proba = []
index = []
cross_val = StratifiedKFold(n_splits=5)
# Do 5-fold loop
for train_index, test_index in cross_val.split(X_train, y_train):
fold_model = rf_best.fit(X_train.iloc[train_index], y_train[train_index])
fold_pred = rf_best.predict(X_train.iloc[test_index])
fold_ad = rf_best.predict_proba(X_train.iloc[test_index])
pred.append(fold_pred)
ad.append(fold_ad)
pred_proba.append(fold_ad[:, 1])
index.append(test_index)
threshold_ad = 0.70
# Prepare results to export
fold_index = np.concatenate(index)
fold_pred = np.concatenate(pred)
fold_ad = np.concatenate(ad)
fold_pred_proba = np.concatenate(pred_proba)
fold_ad = (np.amax(fold_ad, axis=1) >= threshold_ad).astype(str)
five_fold_morgan = pd.DataFrame({'Prediction': fold_pred, 'AD': fold_ad, 'Proba': fold_pred_proba}, index=list(fold_index))
five_fold_morgan.AD[five_fold_morgan.AD == 'False'] = np.nan
five_fold_morgan.AD[five_fold_morgan.AD == 'True'] = five_fold_morgan.Prediction
five_fold_morgan.sort_index(inplace=True)
five_fold_morgan['y_train'] = pd.DataFrame(y_train)
# morgan stats
all_datas = []
datas = []
datas.append(calc_metrics("accuracy", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics("ba", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics("roc_auc", five_fold_morgan['y_train'], five_fold_morgan['Proba']))
datas.append(calc_metrics("kappa", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics("mcc", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics("precision", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics("recall", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics_derived_from_confusion_matrix("sensitivity", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics_derived_from_confusion_matrix("PPV", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics_derived_from_confusion_matrix("specificity", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(calc_metrics_derived_from_confusion_matrix("NPV", five_fold_morgan['y_train'], five_fold_morgan['Prediction']))
datas.append(1)
all_datas.append(datas)
# morgan AD stats
morgan_ad = five_fold_morgan.dropna(subset=['AD'])
morgan_ad['AD'] = morgan_ad['AD'].astype(int)
coverage_morgan_ad = len(morgan_ad['AD']) / len(five_fold_morgan['y_train'])
datas = []
datas.append(calc_metrics("accuracy", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics("ba", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics("roc_auc", morgan_ad['y_train'], morgan_ad['Proba']))
datas.append(calc_metrics("kappa", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics("mcc", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics("precision", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics("recall", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics_derived_from_confusion_matrix("sensitivity", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics_derived_from_confusion_matrix("PPV", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics_derived_from_confusion_matrix("specificity", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(calc_metrics_derived_from_confusion_matrix("NPV", morgan_ad['y_train'], morgan_ad['AD']))
datas.append(coverage_morgan_ad)
all_datas.append(datas)
# print stats
print('\033[1m' + '5-fold External Cross Validation Statistical Characteristcs of QSAR models developed morgan' + '\n' + '\033[0m')
morgan_5f_stats = pd.DataFrame(all_datas, columns=["accuracy", "ba", "roc_auc", "kappa", "mcc", "precision", "recall",
"sensitivity", "PPV", "specificity", "NPV", "Coverage"])
morgan_5f_stats.to_csv(args.output_report)
print(morgan_5f_stats)
# Y ramdomaization
permutations = 20
score, permutation_scores, pvalue = permutation_test_score(rf_best, X_train, y_train,
cv=5, scoring='balanced_accuracy',
n_permutations=permutations,
n_jobs=-1,
verbose=1,
random_state=24)
print('True score = ', score.round(2),
'\nY-randomization = ', np.mean(permutation_scores).round(2),
'\np-value = ', pvalue.round(4))
if __name__ == "__main__":
main()
Wenn dies ausgeführt wird, wird der Vorhersagemodellkörper in dem durch `output_model``` angegebenen Pfad gespeichert, und der Bewertungsindex des Vorhersagemodells, das in dem durch` output_report``` angegebenen Pfad erstellt wurde, wird ausgegeben. Die Ergebnisse sind wie folgt.
accuracy balanced_accuracy roc_auc kappa mcc precision recall sensitivity PPV specificity NPV Coverage
0.801980 0.713126 0.807507 0.490156 0.551662 0.9375 0.441176 0.441176 0.9375 0.985075 0.776471 1.000000
0.852941 0.736842 0.812030 0.564661 0.627215 1.0000 0.473684 0.473684 1.0000 1.000000 0.830508 0.673267
True score = 0.71
Y-randomization = 0.48
p-value = 0.0476
Die Punktzahl in der ersten Reihe der ersten Hälfte ist die Punktzahl der Kreuzvalidierung in allen Trainingsdaten. Rückruf und Empfindlichkeit sind gleich, aber beide werden zum Vergleich angezeigt, ob die Scicit-Learn-Version und die von mir eingebaute Funktion übereinstimmen.
Die zweite Zeile der ersten Hälfte wird in der Arbeit betrachtet, und die prädiktive Zuverlässigkeit (kennen Sie den Wert, den Predict_Proba von Scicit-Learn für die vorhergesagte Klasse erhalten hat) liegt über dem Schwellenwert (0,7)? Es handelt sich um eine Kreuzvalidierungsbewertung, die auf die Daten von beschränkt ist, und es wird als Index betrachtet, der nur auf zuverlässigeren Daten basiert, und der Index ist etwas besser.
Die zweite Hälfte ist das Ergebnis der Y-Randamisierung. Laut der Scikit-Learn-Dokumentation ist die wahre Punktzahl die wahre Punktzahl ohne Austausch von Zielen, die Y-Randamisierung die zufällige Punktzahl des Ziels und der p-Wert die zufällige Punktzahl. Es ist eine Wahrscheinlichkeit, das Beste ist `1 / (n_permutations + 1)` und das Schlimmste scheint 1.0 zu sein. Dieses Mal ist `` `1 / (n_permutations + 1) = 1 / (20 + 1) = 0.0467```, was der beste Wert ist, so dass es scheint, dass die ausgeglichene Genauigkeit von 0.71 nicht zufällig erhalten wird. ..
5.4 Screening von Medikamentenkandidaten anhand eines Vorhersagemodells
5.4.1 Prognosen für DrugBank-Daten durchführen
Vorhersage durch Angabe des in 5.3 erstellten Vorhersagemodellkörpers, der aus ChEMBL und PDB extrahierten Trainingsdaten (101 Fälle) und der aus DrugBank extrahierten virtuellen Screeningdaten (10750 Fälle) in den folgenden Skripten (nur Fragmente werden beschrieben). Ich mache.
predict_drugbank.py
parser = argparse.ArgumentParser()
parser.add_argument("-input_train", type=str, required=True)
parser.add_argument("-input_predict", type=str, required=True)
parser.add_argument("-input_model", type=str, required=True)
parser.add_argument("-output_csv", type=str, required=True)
parser.add_argument("-output_report", type=str, required=True)
args = parser.parse_args()
#Trainingsdaten lesen
trains = list()
with open(args.input_train, "r") as f:
reader = csv.DictReader(f)
for i, row in enumerate(reader):
smiles = row["canonical_smiles"]
new_smiles = normalize(smiles)
trains.append((row["id"], new_smiles))
#Prognosedaten lesen
smiles_list = list()
datas = []
datas_other = []
with open(args.input_predict, "r") as f:
reader = csv.DictReader(f)
for row in reader:
print(row["id"])
smiles = row["smiles"]
new_smiles = normalize(smiles)
dup_pred = None
dup_train = None
if new_smiles is None or Chem.MolFromSmiles(new_smiles) is None:
print(f"error! {id}")
new_smiles = smiles
existFlag = False
for db_id, tmp_smiles in smiles_list:
if new_smiles == tmp_smiles:
dup_pred = db_id
print(f"{id}: same structure exist in predict data! - {db_id}, {tmp_smiles}")
break
for db_id, tmp_smiles in trains:
if new_smiles == tmp_smiles:
dup_train = db_id
print(f"{id}: same structure exist in train data! - {db_id}, {tmp_smiles}")
break
smiles_list.append((row["id"], new_smiles))
mol = Chem.MolFromSmiles(new_smiles)
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=3, nBits=2048, useFeatures=False, useChirality=False)
fp = pd.Series(np.asarray(fp)).values
data = []
data.append(row["id"])
data.extend(fp)
datas.append(data)
datas_other.append((row["id"], row["name"], row["status"], dup_pred, dup_train))
columns = list()
columns.append("id")
columns.extend(["Bit_" + str(i+1) for i in range(2048)])
df = pd.DataFrame(data=datas, columns=columns)
df.set_index("id", inplace=True, drop=True)
df_other = pd.DataFrame(data=datas_other, columns=["id", "name", "status", "dup_predict", "dup_train"])
df_other.set_index("id", inplace=True, drop=True)
#Einmal speichern
df.to_csv(args.output_csv)
#df = pd.read_csv(args.input, index_col=0)
X_vs = df.iloc[:, 0:]
with gzip.GzipFile(args.input_model, 'r') as f:
model = cPickle.load(f)
ad_threshold = 0.70
y_pred = model.predict(X_vs)
confidence = model.predict_proba(X_vs)
confidence = np.amax(confidence, axis=1).round(2)
ad = confidence >= ad_threshold
pred = pd.DataFrame({'Prediction': y_pred, 'AD': ad, 'Confidence': confidence}, index=None)
pred.AD[pred.AD == False] = np.nan
pred.AD[pred.AD == True] = pred.Prediction.astype(int)
pred_ad = pred.dropna().astype(int)
coverage_ad = len(pred_ad) * 100 / len(pred)
print('VS pred: %s' % pred.Prediction)
print('VS pred AD: %s' % pred_ad.Prediction)
print('Coverage of AD: %.2f%%' % coverage_ad)
pred.index = X_vs.index
predictions = pd.concat([df_other, pred], axis=1)
for col in ['Prediction', 'AD']:
predictions[col].replace(0, 'Inactive', inplace=True)
predictions[col].replace(1, 'Active', inplace=True)
print(predictions.head())
predictions.to_csv(args.output_report)
output_csvDas Berechnungsergebnis der erklärenden Variablen der Vorhersagedaten wird an ausgegeben. Ebenfalls,output_reportDie Drugbank-ID jedes Medikaments in der Drugbank, common name,Im Handel erhältlich/Stornieren/Die Art des Experiments, das Vorhersageergebnis, das Vorhersageergebnis für die Vorhersagesicherheit, die den Schwellenwert überschreitet, die Vorhersagezuverlässigkeit usw. werden ausgegeben. Ebenfalls,outptu_reportWenn in denselben Vorhersagedaten in denselben Vorhersagedaten eine doppelte Struktur vorhanden ist und in den Trainingsdaten eine doppelte Struktur vorhanden ist, wird jeweils die doppelte ID ausgegeben. Unter den vorhergesagten Daten gab es 321 Fälle und 6 Fälle für die Trainingsdaten, und es gab doppelte Daten.
5.4.2 Vergleich mit Papieren
In diesem Artikel werden die Ergebnisse des virtuellen Screenings auf DrugBank nachfolgend beschrieben. https://github.com/alvesvm/sars-cov-mpro/tree/master/mol-inf-2020/datasets/screened_compounds drugbank_hits_qsar_consensus.xlsx Wir haben die Arzneimittelausgabe der Drug Bank hier und ihre Ergebnisse mit den vorhergesagten Ergebnissen im vorherigen Abschnitt verglichen.
In diesem Artikel haben wir ein Vorhersagemodell durch Deskriptorberechnung von 3 Mustern von SiRIMS, Dragon und Morgan von RDKit erstellt, die dieses Mal erstellt wurden. Dasjenige, das mehrere Modelle aktiv gemacht haben, ist das endgültige Aktiv. Ich habe einen Gesamtvergleich und einen Vergleich für SiRIMS bzw. Dragon durchgeführt. Außerdem habe ich einen Punkt gefunden, an dem ich mich für das Ergebnis von Morgan auf Github interessiert habe, deshalb habe ich es nicht damit verglichen.
Vergleich mit dem Gesamtergebnis
In der Arbeit gab es 41 Fälle, aber in Excel auf Github betrug die endgültige Anzahl der aktiven Fälle 51. Von den 51 Fällen war das diesmal erstellte Modell in 19 Fällen aktiv.
Vergleich mit SiRIMS-Modell und Dragon-Modell
Der Vergleich zwischen dem SiRIMS-Modell und dem Dragon-Modell und der Anzahl der Aktiv / Inaktiv-Fälle ist wie folgt.
| MODEL | ACTIVE | INACITVE | TOTAL |
|---|---|---|---|
| SiRMS | 309 | 9305 | 9614 |
| DRAGON | 864 | 8750 | 9614 |
| Erstellungsmodell | 314 | 9300 | 9614 |
Als nächstes verglich ich die Anzahl der Wirkstoffe, die dem SiRMIS-Modell und dem DRragon-Modell gemeinsam sind.
| MODEL | SiRMS | DRAGON | Erstellungsmodell |
|---|---|---|---|
| SiRMS | - | 39 | 79 |
| DRAGON | 39 | - | 35 |
| Erstellungsmodell | 79 | 35 | - |
Obwohl DRAGON die meisten Actives hat, beträgt die Anzahl der Actives, die dem diesmal erstellten Modell entsprechen, 79 für SiRMS, was doppelt so viel ist wie bei Dragon. Aus diesem Grund wird davon ausgegangen, dass das diesmal erstellte Modell SiRMS ähnlicher ist als Dragon.
5.4.3 Bonus: Visualisierung der prädiktiven Modellabdeckung
Obwohl in dem Artikel nicht erwähnt, habe ich versucht zu visualisieren, wie die vorherzusagenden Daten auf die Trainingsdaten verteilt sind. Dies liegt daran, dass beim maschinellen Lernen die Zuverlässigkeit der Vorhersage zu einem Problem wird, wenn die Daten den Trainingsdaten nicht ähnlich sind. Als Methode wurde zunächst ein Dimensionsreduktionsmodell aus den Trainingsdaten erstellt und die zweidimensionalen Koordinaten der Vorhersagezieldaten wurden unter Verwendung des Modells erzeugt und aufgezeichnet. Wir haben PCA und UMAP als Dimensionsreduktionsmethode ausprobiert. Die Daten verwendeten den Morgan-Fingerabdruck sowie das Erstellungsmodell. Blau sind Trainingsdaten und Rot sind Vorhersagedaten. 〇 ist aktiv und X ist inaktiv. Wenn sich 〇 und X in den Trainingsdaten überschneiden, scheint UMAP in der Lage zu sein, sie besser zu trennen.
Die Quelle des visualisierten Skripts ist wie folgt. Aus den Trainingsdaten wird ein PCA- oder UMAP-Modell mit Anpassung erstellt, und das Ergebnis der Transformation der einzelnen Vorhersagedaten wird angezeigt. Betrachtet man die Abbildung, so scheinen die vorherzusagenden Daten nicht wesentlich vom Bereich der Trainingsdaten abzuweichen, sie können jedoch durch die Tatsache beeinflusst werden, dass die Dimensionen nur durch die aus den Trainingsdaten zusammengesetzten Daten reduziert werden.
view_ad.py
parser = argparse.ArgumentParser()
parser.add_argument("-train", type=str, required=True)
parser.add_argument("-predict", type=str)
parser.add_argument("-result", type=str)
parser.add_argument("-method", type=str, default="PCA", choices=["PCA", "UMAP"])
args = parser.parse_args()
# all_train.Laden von csv,fp Berechnung
train_datas = []
train_datas_active = []
train_datas_inactive = []
with open(args.train, "r") as f:
reader = csv.DictReader(f)
for row in reader:
smiles = row["canonical_smiles"]
mol = Chem.MolFromSmiles(smiles)
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=3, nBits=2048, useFeatures=False, useChirality=False)
train_datas.append(fp)
if int(row["outcome"]) == 1:
train_datas_active.append(fp)
else:
train_datas_inactive.append(fp)
if args.predict and args.result:
result_outcomes = []
result_ads = []
#Vorhersageergebnisse lesen
with open(args.result, "r",encoding="utf-8_sig") as f:
reader = csv.DictReader(f)
for i, row in enumerate(reader):
#print(row)
if row["Prediction"] == "Active":
result_outcomes.append(1)
else:
result_outcomes.append(0)
result_ads.append(row["Confidence"])
# drugbank.Laden von csv,fp Berechnung
predict_datas = []
predict_datas_active = []
predict_datas_inactive = []
predict_ads = []
with open(args.predict, "r") as f:
reader = csv.DictReader(f)
for i, row in enumerate(reader):
print(i)
smiles = row["smiles"]
mol = Chem.MolFromSmiles(smiles)
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=3, nBits=2048, useFeatures=False, useChirality=False)
predict_datas.append(fp)
if result_outcomes[i] == 1:
predict_datas_active.append(fp)
else:
predict_datas_inactive.append(fp)
#Analyse
model = None
if args.method == "PCA":
model = PCA(n_components=2)
model.fit(train_datas)
if args.method == "UMAP":
model = umap.UMAP()
model.fit(train_datas)
result_train = model.transform(train_datas)
result_train_active = model.transform(train_datas_active)
result_train_inactive = model.transform(train_datas_inactive)
plt.title(args.method)
#plt.scatter(result_train[:, 0], result_train[:, 1], c="blue", alpha=0.1, marker="o")
plt.scatter(result_train_active[:, 0], result_train_active[:, 1], c="blue", alpha=0.5, marker="o")
plt.scatter(result_train_inactive[:, 0], result_train_inactive[:, 1], c="blue", alpha=0.5, marker="x")
#Prognose(predict)
if args.predict and args.result:
result_predict = model.transform(predict_datas)
result_predict_active = model.transform(predict_datas_active)
result_predict_inactive = model.transform(predict_datas_inactive)
#plt.scatter(result_predict[:, 0], result_predict[:, 1], c=result_ads, alpha=0.1, cmap='viridis_r')
plt.scatter(result_predict_active[:, 0], result_predict_active[:, 1], c="red", alpha=0.1, marker="o")
plt.scatter(result_predict_inactive[:, 0], result_predict_inactive[:, 1], c="red", alpha=0.1, marker="x")
plt.show()
6. Fazit
6.1 Eindrücke
Durch das Testen des Inhalts dieses Papiers konnte ich Folgendes erhalten. Ich denke, es wird in vielen Fällen nützlich sein, wenn Sie sich selbst analysieren oder in Zukunft ein anderes Papier lesen.
――Ich konnte alles von der Datenerfassung im Bereich der Wirkstoffentdeckung bis zur Vorverarbeitung, Erstellung von Vorhersagemodellen und Bewertung von Vorhersagemodellen erleben. Insbesondere konnte ich aus erster Hand erfahren, wie viel Zeit zum Sammeln und Vorverarbeiten von Daten vor dem Erstellen eines Vorhersagemodells erforderlich ist, und diese nach dem Erstellen eines Vorhersagemodells anwenden und bewerten. ――Ich konnte mein Verständnis der öffentlichen Datenbank vertiefen, z. B. der Gliederung und der Datenerhebungsmethode.
Dieses Mal habe ich Papiere mit der herkömmlichen Methode ausprobiert, aber Papiere mit Deep Learning wie Graph Convolution Networks (GCN) erscheinen nacheinander und ich würde sie gerne in naher Zukunft ausprobieren.
6.2 Andere empfohlene Papiere im Zusammenhang mit diesem Papier
Bei der Suche nach Artikeln werde ich zwei weitere Artikel zu Coronavirus-bezogenen Vorhersagemodellen auflisten. Alle haben öffentliche Datensätze, daher halte ich es für eine gute Idee, sie auszuprobieren.
In diesem Artikel erstellen wir ein Vorhersagemodell für ein Ziel namens Papain-like Protease (PLpro), das sich von dem in diesem Artikel beschriebenen unterscheidet.
Dies erzeugt das gleiche Vorhersagemodell für die Hauptprotease wie in diesem Artikel. Das Modell wurde gemäß den OECD-Richtlinien (https://www.oecd.org/chemicalsafety/risk-assessment/37849783.pdf) bewertet, und es scheint, dass wir Einblicke in die Bewertung von Vorhersagemodellen für Verbindungen erhalten können. Ist.
6.3 In diesem Artikel verwendete Bibliothek
Die in diesem Artikel verwendeten Hauptbibliotheken lauten wie folgt.
- Python 3.7
- RDkit 2020.03.5
- scikit-learn 0.23.2
- MolVS 0.1.1
6.5 Informationen zum Programm in diesem Artikel
Die in diesem Artikel aufgeführten Programme sind unter https://github.com/kimisyo/sars_trace_1 verfügbar.