chy931088287的博客

本周工作：前端：1，优化了前端界面，去除了冗余代码2，修复了部分界面中，“刷新”按钮不能回显的问题3，完成说明界面4，完成隐私政策界面后端：1，修复了文件上传大小受限制的问题2，实现通过网页的文件上传和文件下载3，协助聚合端测试，设计测试用例4，协助前端测试文件上传下载，任务发布功能聚合端：1，通过查资料与测试发现，使用个人热点就可以利用socket传输数据，而不必再依赖网线(校园网的处理地址处理方式肯定理解有误）2，学习了pycharm中gitee的数据上传与下载3，设计并测试

2021SC@SDUSC总结一篇踩坑与知识点记录：有关pytorch安装：如何查看当前cuda版本：在linux下，在命令行中输入nvcc -V，如下图得知，cuda版本为9.1知道了cuda版本如何下载对应版本的torch？方法一：pytorch官网 https://pytorch.org/get-started/locally/根据自己的环境选择对应的选项，然后赋值下面的命令到终端中进行安装即可方法二（推荐）：此方法是由于我方法一没有找到对应的cuda版本而探索出的，同时也有人反映通

FraGAT分子数据处理源码分析2021SC@SDUSCFraGAT创建数据集方法，之前的博客中没有深入研究，此处研究后发现仅仅返回的是将txt转换为{SMILES：Value：}的字典，然后根据配置分割成为训练集测试集和验证集。完整代码：def CreateDatasets(self): #获取opt中的数据集路径 file_path = self.opt.args['DataPath'] print("Loading data file...") #创建FileLo

2021SC@SDUSCFraGAT：一种针对分子图特征提取的GNN，对于我们的DTA任务的分子表示学习部分有很大的启发，下面将学习分析它的代码与训练过程。任务类型：线性回归输入：药物分子SMILES预测输出：分子属性值FraGAT网络架构如下，它是分子经过断裂处理后分为四个部分经过特征提取最后拼接而获得最终的分子表示，我们的DTA任务的分子特征提取部分可以借鉴这一点，所以我们的重点将放在如何提取concat之后，进入FCN之前的特征向量。代码分析：从论文作者的训练实例开始分析（ESOL_s

2021SC@SDUSC数据集然后是对基准数据集的介绍，KIBA和DAVIS使用CI和r2m度量标准来衡量所提出的模型和基准模型的性能。对于Davis和KIBA数据集中蛋白质和药物的输入，我们采用了DeepDTA方法，通过字典将药物和蛋白质序列的smile数字化到一个固定的最大长度。deepDTAdeepDTA论文笔记：csdn：https://blog.youkuaiyun.com/qq_40311018/article/details/109672553实验设置作者在基准数据集上评估了MATT

2021SC@SDUSC论文解读：摘要：DTI预测背景：药物靶间相互作用(DTI)预测由于其在药物发现过程中的重要地位而受到越来越多的关注。许多研究引入计算模型，将DTI预测作为回归任务，直接预测药物靶对的结合亲和性。现有研究的缺陷与作者提出的模型：然而，现有的研究在编码药物化合物时忽略了原子之间的本质相关性，仅仅通过连接来模拟药物靶对的相互作用。基于这些观察，在本研究中，我们提出了一个端到端的模型与多个注意块来预测药物靶对的结合亲和性得分。作者模型的效果：我们提出的模型提供了通过关系感知自

2021SC@SDUSC加载亲和力值数据affinity = pickle.load(open(dataset_path + 'Y', 'rb'), encoding='latin1') 设置四个list分别存储药物SMILES、蛋白质序列、蛋白质key、药物分子式，并使用数据集通过循环将它们填满drugs = []prots = []prot_keys = []drug_smiles = []# smilesfor d in ligands.keys(): lg = Chem.

2021SC@SDUSCDGraphDTA任务训练部分完整代码：model = GNNNet()model.to(device)model_st = GNNNet.__name__# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')#设置lossfunctionloss_fn = nn.MSELoss()#设置优化器optimizer = torch.optim.Adam(model.paramete

2021SC@SDUSC 在此前的文章已经对此部分的流程进行了解读，本文将基于目前已经获取到分子图与蛋白质图，从代码的层面分析DGraphDTA任务中神经网络的结构以及运作流程。DGraphDTA结构图：网络结构完整代码：# GCN based modelclass GNNNet(torch.nn.Module):#初始化网络结构 def __init__(self, n_output=1, num_features_pro=54, num_features_mol=78, outpu