S-MAN: Spatial-aware Molecule Graph Attention Network

中文版本 English Version

S-MAN是一个用来预测药物-靶点反应亲和性的深度学习框架，这是基于PaddlePaddle和Paddle Graph Learning (PGL)的实现代码。该方法的论文参见：Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction.

数据集

PDBbind数据集可以从这个网址进行下载. 下载数据集之后，你在运行模型之前需要先生成蛋白质-配体的分子图和节点特征。处理好的蛋白质-配体的分子图和节点特征也可以在这里下载:蛋白质-配体数据

你也可以下面的命令对PDBbind数据集进行预处理，从而生成蛋白质-配体的分子图和节点特征。

python preprocess.py --data_path YOUR_DATASET_PATH --dataset_name v2016_LPHIN3f5t_Sp --output_path YOUR_OUTPUT_PATH --cutoff 5

说明: cutoff参数是构建图的距离切割阈值。

包依赖

• networkx >= 2.1
• paddlepaddle >= 1.8.4
• pgl >= 1.1.0
• openbabel == 3.1.1 (可选的)

运行说明

例如，可以通过运行如下命令使用PBDbind数据集来训练模型：

python train.py --lr_d --data_path YOUR_DATA_PATH --dataset v2016_LPHIN3f5t_Sp --save_path MODEL_SAVE_PATH --gpu YOUR_DEVICE

你也可以通过下面的命令加载保存的模型进行测试：

python test.py --data_path YOUR_DATA_PATH --dataset v2016_LPHIN3f5t_Sp --model_path YOUR_MODEL_PATH --gpu YOUR_DEVICE

超参数

• dataset: 数据集名称

• num_layers: 模型GNN层的数目

• dist_dim: 对原子距离进行划分的维度

• lr: 学习率

• lr_d: 使用学习率衰减

• drop: dropout比例

• data_path: 数据集文件夹路径

• save_path: 保存训练模型的路径（例如, ./runs)

• model_path: 在测试阶段要加载的模型路径 (例如, ./runs/SMAN)

参考文献

S-MAN

@article{zhou2020distance, title={Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction}, author={Zhou, Jingbo and Li, Shuangli and Huang, Liang and Xiong, Haoyi and Wang, Fan and Xu, Tong and Xiong, Hui and Dou, Dejing}, journal={arXiv preprint arXiv:2012.09624}, year={2020}, url={https://arxiv.org/abs/2012.09624} }