¶写在前面
希望在这里记录自己第一次的解决问题的全过程，积累些经验。特别感谢曾婉文老师，从一开始啥也不懂慢慢传授科研需要的步骤，知识，给了我很大很大很大的帮助，谢谢~
¶问题简述
这个task说起来很简单，就是预测药物同时服用（polypharmacy）是否会有副作用。比如我们常说的“头孢就酒，说走就走”就是很经典的例子。不过这里要处理的是有明确化学组成的两种药物，同时我们要解决的仅仅是二分类问题，也就是只预测“会不会”出现副作用，不会预测出这个副作用“是什么”。
这个问题的重要性不言而喻，如果可以帮助医生预判断药方是否可能会发生相互作用，再经过医生的复核，将会更大程度地避免药物副作用，保障患者的生命健康；同时，相互作用的预测，也可能给药物、化学科研带来不小的裨益。
¶方法简述
解决这个问题的方法将会贯穿整个系列记录文章，这里只做简要介绍。
首先，要预测药物，肯定要有药物的信息，要从药物的信息中提取特征，然后，既然预测的是“相互作用”，那也一定要找到有药物相互作用的信息。
思路简述如下：
- 首先处理药物特征，使用DeepChem从药物SMILE信息中获得药物的特征矩阵（feat_mat）、邻接列表（adj_list）、度列表（degree_list）
- 上面得到的数据维度不统一，且包含三个方面，需要把它们归一化并统一成一种特征（drug_data）
- 排列组合得到所有药物的两两组合，与“相互作用”文件进行交叉对比，得到最后的训练数据
剩下的步骤就是构建图神经网络模型，进行训练不断调整网络结构优化结果的过程，就不在这里赘述啦
¶数据搜集
¶药物特征
首先，我们需要药物特征SMILE的数据，Drugbank上就有现成的嘿嘿，网址在这里 drugbank
大概是这个样子的：
我们点击上面那个all就可以啦（这个网站需要先注册后下载，注册后大概需要2-3天的审核时间才可下载）
下载下来是一个csv 文件，格式是这样的：
| DrugBank ID | Name | SMILES | PubChem Compound ID |
|---|---|---|---|
| DB00006 | Bivalirudin | CCC@HC@HC(=O)N1CCC[C@H]1C(=O)NC@@HC(=O)NC@@HC(=O)NC@@HC(=O)NC@@HC(O)=O | 16129704 |
| DB00007 | Leuprolide | CCNC(=O)[C@@H]1CCCN1C(=O)C@HNC(=O)C@HNC(=O)C@@HNC(=O)C@HNC(=O)C@HNC(=O)C@HNC(=O)C@HNC(=O)[C@@H]1CCC(=O)N1 | |
| DB00014 | Goserelin | CC©CC@HC(=O)NC@@HC(=O)N1CCC[C@H]1C(=O)NNC(N)=O | 5311128 |
可以看到，那个特别长特别长的，就是我们要的化学组成SMILE
¶药物相互作用
这个比较好找，斯坦福的数据网站上全部给出来了snap bio data：
我们下载下来就可以得到类似下面这样的数据
| DrugA | DrugB |
|---|---|
| DB00575 | DB00806 |
| DB01242 | DB08893 |
| DB00862 | DB00966 |
出现在这个文件pair中的，都是有明确记录，会发生相互作用的药物。
¶数据预处理
¶环境搭建
直到处理数据的那一天，我才真正意识到 Anaconda 的强悍之处，你可完全搭建一个属于你自己的python环境，丝毫不怕与主环境或是其他conda环境产生冲突，问题做完了或者环境不想要了，可以随时删除，不占一点空间。
下面简单给出 conda 常用的命令：
-
创建环境
conda create -n your_env_name python=X.X（2.7、3.6等) -
进入/退出指定虚拟环境
source activate your_env_namesource deactivate -
查看当前环境安装的包
conda list -
查看当前系统都有哪些虚拟环境
conda env list -
安装自己想要的包
conda install XXX
¶提取药物特征
这里使用deepchem 提取药物特征，关于 deepchem 可以在GitHub上了解更多 deepchem ，可以根据SMILE信息快速提取出药物中我们关注的feature
¶数据清洗与整合
想法是，药物feature中有的药物，可能在相互作用关系中没有出现，而关系中出现的所有药物，也不一定都有feature，要做一个两方面的折中，挑选出两个数据都具备的药物，步骤如下：
-
分别找到feature和关系中的DB id集合，取交集（all_drugs）
-
对all_drugs中所有drug取排列组合，找到所有可能的组合（combination），判断每一个组合是否在存在关系，存为y（1或0）
-
整合上述Drug_feature（feat_mat 和 adj_list）和对应的y，得到最终训练数据
-
对于图神经网络，可以直接使用list作为输入，在model中再对四个输入（drug_feat1, adj_list）进行综合：
1
x=[X_drug_feat_data1,X_drug_adj_data1,X_drug_feat_data2, X_drug_adj_data2]
-
对于logistics regression等方法，需要使用
np.c_把矩阵拼接起来：1
x = np.c_[X_drug_feat_data1.reshape(size, 7500),X_drug_adj_data1.reshape(size, 10000),X_drug_feat_data2.reshape(size, 7500), X_drug_adj_data2.reshape(size, 10000)]
-
-
使用
np.savez()把矩阵保存到文件，方便下次直接调用