molecular_property_prediction

# 分子属性预测 ## 概述 分子属性预测涉及根据分子的结构预测其化学、物理或生物属性。TorchDrug 为分子图上的分类和回归任务提供了全面的支持。 ## 可用数据集 ### 药物发现数据集 **分类任务：** - **BACE** (1,513 个分子)：β-分泌酶抑制的二分类 - **BBBP** (2,039 个分子)：血脑屏障渗透性预测 - **HIV** (41,127 个分子)：抑制 HIV 复制的能力 - **Tox21** (7,831 个分子)：12 个靶点的毒性预测 - **ToxCast** (8,576 个分子)：毒理学筛选 - **ClinTox** (1,478 个分子)：临床试验毒性 - **SIDER** (1,427 个分子)：药物副作用（27 个系统器官分类） - **MUV** (93,087 个分子)：虚拟筛选的最大无偏验证 **回归任务：** - **ESOL** (1,128 个分子)：水溶性预测 - **FreeSolv** (642 个分子)：水合自由能 - **Lipophilicity** (4,200 个分子)：辛醇/水分配系数 - **SAMPL** (643 个分子)：溶剂化自由能 ### 大规模数据集 - **QM7** (7,165 个分子)：量子力学属性 - **QM8** (21,786 个分子)：电子光谱和激发态属性 - **QM9** (133,885 个分子)：几何、能量、电子和热力学属性 - **PCQM4M** (3,803,453 个分子)：大规模量子化学数据集 - **ZINC250k/2M** (250k/2M 个分子)：用于生成建模的类药化合物 ## 任务类型 ### PropertyPrediction 支持图级属性预测的标准任务，涵盖分类和回归。 **关键参数：** - `model`: 图表示模型 (GNN) - `task`: "node"（节点）、"edge"（边）或 "graph"（图）级预测 - `criterion`: 损失函数 ("mse", "bce", "ce") - `metric`: 评估指标 ("mae", "rmse", "auroc", "auprc") - `num_mlp_layer`: 用于读出的 MLP 层数 **工作流示例：** python import torch from torchdrug import core, models, tasks, datasets # 加载数据集 dataset = datasets.BBBP("~/molecule-datasets/") # 定义模型 model = models.GIN(input_dim=dataset.node_feature_dim, hidden_dims=[256, 256, 256, 256], edge_input_dim=dataset.edge_feature_dim, batch_norm=True, readout="mean") # 定义任务 task = tasks.PropertyPrediction(model, task=dataset.tasks,