机器学习后续分析

数据转换成统一的参数后可应用于机器学习。机器学习模型开发常分为五步：定义问题，准备数据，训练模型，验证模型，模型优化更新。

下面分别以机器学习两大类别——监督学习和无监督学习为例。

支持向量机

SVM是监督学习算法，输出为类别预测，运用kernel可以改写线性函数为：

Keras神经网络

神经网络是无监督学习算法，代码参考自《Python机器学习建模与部署》：

from keras.model import Sequential
from keras.layers import Dense,Flatten
NN=Sequential()
NN.add(Flatten(input_shape=(56,56))
#激活函数
NN.add(Dense(512,activation='relu'))
MM.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
#分割为80%训练集，20%测试集
NNmodel_train=NN.fit(x_train,y_train,epochs=2,validation_spilt=0.2)

1.均方误差（RMSE）

计算模型在测试集上的均方误差是衡量模型性能的一种方法。

通过观察输入X与预测值y，减少MSE以改进权重。

2.交叉验证

一个小规模的数据（测试）集意味着MSE的不确定性。
在原始数据集上随机重复采样允许我们使用所有样本估计MSE。
本文简要介绍了将机器学习应用于化学信息学的场景和流程。
                                    IC50：半抑制浓度(或称半抑制率)，即IC50，对指定的生物过程（或该过程中的某个组分比如酶、受体、细胞等）抑制一半时所需的药物或者抑制剂的浓度。药学中用于表征拮抗剂（antagonist）在体外实验（in vitro）中的拮抗能力。
pIC50：pIC50=-log(IC50)
EC50：是指在特定暴露时间后，能达到50%最大生物效应对应的药物、抗体或者毒素等的浓度。药学中除了用于表征体外实验中（in vitro）激动剂（agonist）的激活能力外，还可用于表示达到体内（in vivo）最大生物效应.
                                    原文链接：https://mp.weixin.qq.com/s/D5eLXvCUAln2NOj2fDw3vg
分子对接是最常用的分子模拟工具，用来探究任何有相互作用的生物活性分子之间的相互作用细节。然而对接产生的多个可能的构象到底那个是天然存在的构象？确定了构象，什么作用力，作用位点起到关键作用？
确定最佳构象，有两种根据，一是binding pose最多的，一种是打分函数评价最好的。
然而这两个如果是一类结合构象（如RMSD<2.0A），那么可以50%（属个人经验，没有根据）以上确定这个结合构象为最
抗胰腺癌候选药物分子优化建模
Mole—文件提供了候选药物分子的784个属性值，包含training和test两个表，分别有1974个分子和50个分子。
ER-----文件提供了这些候选分子的IC50和pIC50值的大小，用于衡量分子活性，其中pIC50是IC50的负对数，取负对数的原因是为了使pIC50大小与分子活性呈正相关。同样包含training表和test表，training表中分子活性标志值pIC50已经给出，test表中的值未给，是问二需要自己预测的值
问一：从分子的784个属性特征中
                                    ***热力学三定律参考：https://baike.baidu.com/item/%E7%83%AD%E5%8A%9B%E5%AD%A6%E4%B8%89%E5%A4%A7%E5%AE%9A%E5%BE%8B/10572632?fr=aladdin***焓与熵区别。
                                    Harren, Tobias等人于2022年在Journal of Chemical Information and Modeling上发表了一篇“Interpretation of Structure–Activity Relationships in Real-World Drug Design Data Sets Using Explainable Artificial Intelligence”。下面我们来做一下翻译和解读。
乳腺癌是目前世界上最常见，致死率较高的癌症之一。乳腺癌的发展与雌激素受体密切相关，有研究发现，雌激素受体α亚型（Estrogen receptors alpha, ERα）在不超过10%的正常乳腺上皮细胞中表达，但大约在50%-80%的乳腺肿瘤细胞中表达；而对ERα基因缺失小鼠的实验结果表明，ERα确实在乳腺发育过程中扮演了十分重要的角色。目前，抗激素治疗常用于ERα表达的乳腺癌患者，其通过调节雌激素受体活性来控制体内雌激素水平。因此，ERα被认为是治疗乳腺癌的重要靶标，能
                                    使用自己的分子数据集（csv，sdf，mol2）来创建适用于PyG的任务。
需要的第三方库
rdkit， pytorch， pyg，在使用图神经网络进行任务是，我们有些仅仅使用轮子，所以要使用自己的数据集来预测某些指标。所以我们就需要用自己的数据集建立适合PyG的Dataset。PyG有两种方法建立数据集，一种是直接读到内存中去的InMemoryDataset，限制是你的内存大小，还有一种是建立比较大的数据集的Dataset。这次我主要向分享比较全能使用的Dataset。
代码如下（示例）：