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.
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。
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
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)
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} }
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。