分子图神经网络（GNN）项目教程

分子图神经网络（GNN）项目教程

molecularGNN_smiles The code of a graph neural network (GNN) for molecules, which is based on learning representations of r-radius subgraphs (i.e., fingerprints) in molecules. 项目地址: https://gitcode.com/gh_mirrors/mo/molecularGNN_smiles

1. 项目介绍

本项目是基于图神经网络（GNN）的分子属性预测工具，旨在通过学习分子中r-radius子图（即指纹）的表示来预测分子的各种属性，如药物活性和光伏效率。该模型最初用于预测化合物与蛋白质的相互作用，有助于药物发现。项目代码基于Python，使用PyTorch深度学习框架。

2. 项目快速启动

在开始之前，确保您的环境中已安装了PyTorch、scikit-learn和RDKit。

克隆仓库

git clone https://github.com/masashitsubaki/molecularGNN_smiles.git

切换到项目目录

cd molecularGNN_smiles/main

数据预处理

在运行训练脚本前，您需要先执行预处理脚本，该脚本会将原始文本数据转换为张量数据。

python preprocessing.py

训练模型

执行以下命令开始训练GNN模型：

bash train.sh

在train.sh脚本中，您可以调整模型的超参数，例如维度、隐藏层数和批量大小。

3. 应用案例和最佳实践

为了帮助您更好地理解和应用本项目，我们提供了两个数据集：一个是回归任务的数据集（光伏效率），另一个是分类任务的数据集（HIV活性）。您可以使用这些数据集作为参考，准备自己的分子属性数据集，并按照相同格式进行训练。

• 回归案例：使用光伏效率数据集，训练GNN模型以预测分子的光伏效率。
• 分类案例：使用HIV活性数据集，训练GNN模型以分类分子的HIV抑制活性。

4. 典型生态项目

目前，基于本项目衍生的生态项目还不是很多，但您可以探索以下方向：

• 模型优化：针对特定分子属性，优化模型结构和参数，提高预测准确性。
• 跨领域应用：将本项目应用于其他化学信息学领域，如分子设计、药物再利用等。
• 模型解释性：研究模型如何从分子结构中学习，提高模型的可解释性。

以上就是本项目的基本教程，希望对您的学习和研究有所帮助。

molecularGNN_smiles The code of a graph neural network (GNN) for molecules, which is based on learning representations of r-radius subgraphs (i.e., fingerprints) in molecules. 项目地址: https://gitcode.com/gh_mirrors/mo/molecularGNN_smiles