Modélisation prédictive chimique / QSAR / SMILES / RDKit / chemprop / TorchSalut les passionnés de chimie,
Quelqu'un a-t-il de l'expérience avec les packages Python RDKit ou chemprop ? Un chimiste de P&G les a mentionnés récemment et a pensé qu'ils pourraient être un bon choix dans Torch pour prédire les propriétés chimiques des chaînes SMILES.
Il s'avère que ce domaine a été un sujet de recherche très actif ces dernières années et il existe même maintenant de jolis ensembles de données de référence publiques sur des sites comme https://moleculenet.org/ .
J'ai plongé ces derniers jours et j'ai des prototypes de modèles de langage de style BERT exécutés dans le complément Torch qui sont pré-entraînés sur de grandes collections de chaînes SMILES. Nous disposons également désormais d'une intégration initiale avec l'API C++ de RDKit, qui permet le calcul direct des fonctionnalités d'empreintes digitales numériques de style QSAR classiques en utilisant les chaînes SMILES comme entrée. Ceux-ci peuvent alimenter les réseaux neuronaux Multilayer Perceptron ou Message Passing ainsi que la plupart de nos plateformes d'analyse.
Étant donné que la chimie est sans doute la branche scientifique la plus importante pour JMP actuellement (avec des applications claires dans chacun de nos quatre principaux domaines de vente), je prévois de l'utiliser pour les versions futures et de solliciter tous vos commentaires ou conseils.
Nous prévoyons de créer prochainement une nouvelle page Confluence.
Re: Modélisation prédictive chimique / QSAR / SMILES / RDKit / chemprop / TorchBonjour @russ_wolfinger ,
Je connais des utilisateurs qui créent des fonctionnalités à l'aide de RDKit et les utilisent dans un modèle prédictif. Des utilisateurs du département R&D d'une entreprise chimique me demandent occasionnellement s'il est possible de créer des fonctionnalités à partir de SMILES dans JMP. J'ai moi-même utilisé un peu RDKit pour comprendre ce que disent les utilisateurs.
Je pense que le modèle de langage de style BERT que vous essayez de créer intéresserait certains de nos utilisateurs. Si je peux vous aider de quelque manière que ce soit, faites-le-moi savoir.
Yuichi
Re: Modélisation prédictive chimique / QSAR / SMILES / RDKit / chemprop / TorchMerci @yuichi_katsumur Et WOW ! Je viens de voir votre nouveau wrapper Python de complément pour RDKit, génial !
Boîte à outils pour l'informatique des matériaux - Communauté d'utilisateurs JMP
Re: Modélisation prédictive chimique / QSAR / SMILES / RDKit / chemprop / TorchUne collection de petits ensembles de données avec des chaînes SMILES se trouve dans \\jmpsrv01\Users\Wolfinger\SMILES\ et j'ai également fait une copie du même dossier sur notre nouveau serveur Windows équipé de NVIDIA dans le fichier \\tdl\Public\SMILES\ . Ceux-ci proviennent principalement de MoleculeNet et de chemprop.
Vous remarquerez certains scripts intégrés pour Torch dans ces tableaux (ainsi que les fichiers .jrn enregistrant les exécutions que j'ai effectuées), qui nécessitent les nouveaux modèles de langage chimiques de style BERT. Nous prévoyons de les ajouter au complément, et pour l'instant vous pouvez les trouver dans \\tdl\Public\ChemicalTextModels\ , dont vous devez ensuite copier le contenu dans le sous-dossier de texte de votre complément local, par exemple le mien est
C:\Users\sasrdw\AppData\Roaming\JMP\JMP\Addins\com.jmp.torchdeeplearning\lib\18\text\
Redémarrez JMP Pro et les nouveaux modèles chimiques apparaîtront dans la liste déroulante Modèle de texte. L'ordre de la liste est actuellement à l'envers et nous corrigerons ce problème dans la version 18.1.
La variable de chaîne SMILES doit être définie sur Modeling Type Unstructured Text pour fonctionner dans Torch.
De toute évidence, ce sont des modèles chimiques qui fonctionnent bien dans presque tous les exemples que j'ai essayés jusqu'à présent. Il existe un cas dans lequel le modèle de réseau neuronal de transmission de messages chemprop semble fonctionner le mieux : nous étudions sa mise en œuvre potentielle.
