实战分子优化：mol_opt指南

实战分子优化：mol_opt指南

mol_opt 项目地址: https://gitcode.com/gh_mirrors/mo/mol_opt

项目介绍

mol_opt 是一个由优快云社区提及的wenhao-gao在GitHub上发起的开源项目，旨在提供一个实用分子优化（Practical Molecular Optimization, PMO）的基准测试套件。这个项目致力于促进分子优化领域算法进展的透明性和可重复性评估。它支持25种不同的分子设计算法，在23个任务中进行了测试，特别强调了样本效率（即算法对“oracle”调用的经济性）。论文的预印本可在此处找到。

项目快速启动

要开始使用mol_opt，首先确保您的系统配置满足要求。接下来，按照以下步骤安装并运行基本示例：

环境搭建

1. 创建并激活Conda环境

   conda create -n molopt python=3.7
   conda activate molopt
   

2. 安装依赖项 使用pip安装必要的库，包括PyTorch, PyTDC, PyYAML, 和RDKit。

   pip install torch PyTDC PyYAML
   conda install -c rdkit rdkit
   

3. 安装mol_opt 直接通过pip安装。

   pip install mol-opt
   

运行示例

选择其中一个算法进行简单测试，例如，执行基于SMILES的遗传算法（smiles_ga）：

python run.py smiles_ga --seed 0

这将使用默认设置在一个随机种子上运行该算法。

应用案例和最佳实践

对于具体的应用场景，可以采用多轮独立运行来获取更可靠的结果，并调整随机种子以评估结果的一致性。比如，进行五次运行以评估QED属性：

python run.py smiles_ga --task production --n_runs 5 --oracles qed

最佳实践中，建议探索不同的超参数配置以找到最适合特定任务的设置，利用--task tune选项进行超参数调优：

python run.py smiles_ga --task tune --n_runs 30 --smi_file example.smi

典型生态项目

虽然mol_opt本身就是作为一个核心工具集存在，但其在药物发现、材料科学等领域的应用扩展了其生态系统。开发者和研究者可以在自己的工作中结合化学库管理工具如ChemSpider、GuacaMol，或者使用机器学习框架如PyTorch和TensorFlow进一步增强算法性能。此外，社区贡献和论文合作是推动新方法集成和案例研究的关键部分。考虑将自己的研究成果回馈给mol_opt，加强其作为分子优化领域共同平台的地位。

---

本指南提供了快速入门mol_opt所需的步骤，而深入挖掘算法细节、优化策略以及多目标优化等功能，则需参考项目文档和源码中的实例。参与社区讨论，共享成果，将进一步丰富你的实践经验和推动项目的持续发展。

mol_opt 项目地址: https://gitcode.com/gh_mirrors/mo/mol_opt