Chemische Vorhersagemodellierung / QSAR / SMILES / RDKit / chemprop / TorchHallo Chemiefans,
Hat jemand Erfahrung mit den Python-Paketen RDKit oder Chemprop ? Ein Chemiker von P&G hat sie kürzlich erwähnt und dachte, sie könnten gut in Torch passen, um chemische Eigenschaften aus SMILES-Strings vorherzusagen.
Wie sich herausstellte, war dieser Bereich in den letzten Jahren ein sehr aktives Forschungsthema und es gibt jetzt sogar einige schöne öffentliche Benchmark-Datensätze auf Websites wie https://moleculenet.org/ .
Ich habe mich in den letzten Tagen damit beschäftigt und habe Prototypen von BERT-artigen Sprachmodellen im Torch-Add-In laufen, die auf großen Sammlungen von SMILES-Strings vortrainiert sind. Außerdem habe ich jetzt eine erste Integration mit der C++-API von RDKit, die die direkte Berechnung klassischer numerischer Fingerabdruckfunktionen im QSAR-Stil mit SMILES-Strings als Eingabe ermöglicht. Diese können in Multilayer Perceptron oder Message Passing-Neuralnetze sowie in fast alle unsere Analyseplattformen eingespeist werden.
Da die Chemie für JMP derzeit wohl der wichtigste Wissenschaftszweig ist (mit klaren Anwendungen in allen vier unserer wichtigsten Vertriebsschwerpunkte), plane ich, dies auch bei zukünftigen Versionen zu berücksichtigen und bin für Ihr Feedback und Ihre Anleitung dankbar.
Ich plane, bald eine neue Confluence-Seite zu erstellen.
Betreff: Chemische prädiktive Modellierung / QSAR / SMILES / RDKit / chemprop / TorchHallo @russ_wolfinger ,
Ich kenne einige Benutzer, die Features mit RDKit erstellen und diese in einem Vorhersagemodell verwenden. Ich werde gelegentlich von Benutzern in der Forschungs- und Entwicklungsabteilung eines Chemieunternehmens gefragt, ob es möglich ist, Features aus SMILES in JMP zu erstellen. Ich habe RDKit selbst ein wenig verwendet, um zu verstehen, was die Benutzer sagen.
Ich glaube, dass das von Ihnen erstellte Sprachmodell im BERT-Stil für einige unserer Benutzer von Interesse sein könnte. Wenn ich Ihnen irgendwie helfen kann, lassen Sie es mich bitte wissen.
Yuichi
Betreff: Chemische prädiktive Modellierung / QSAR / SMILES / RDKit / chemprop / TorchDanke @yuichi_katsumur Und WOW! Habe gerade Ihren neuen Add-In-Python-Wrapper für RDKit gesehen, genial!
Toolkit für Materialinformatik - JMP-Benutzer-Community
Betreff: Chemische prädiktive Modellierung / QSAR / SMILES / RDKit / chemprop / TorchEine Sammlung kleiner Datensätze mit SMILES-Strings befindet sich in \\jmpsrv01\Users\Wolfinger\SMILES\ und ich habe auch eine Kopie desselben Ordners auf unserem neuen, mit NVIDIA ausgestatteten Windows-Server in der Datei \\tdl\Public\SMILES\ erstellt. Diese stammen größtenteils von MoleculeNet und Chemprop.
Sie werden in diesen Tabellen einige eingebettete Skripte für Torch bemerken (sowie .jrn-Dateien, die meine Läufe speichern), die die neuen chemischen Sprachmodelle im BERT-Stil erfordern. Wir planen, diese dem Add-In hinzuzufügen, und im Moment finden Sie sie in \\tdl\Public\ChemicalTextModels\ , dessen Inhalt Sie dann in Ihren lokalen Add-In-Textunterordner kopieren müssen, z. B. ist meiner
C:\Benutzer\sasrdw\AppData\Roaming\JMP\JMP\Addins\com.jmp.torchdeeplearning\lib\18\text\
Starten Sie JMP Pro neu und die neuen chemischen Modelle werden in der Pulldown-Liste „Textmodell“ angezeigt. Die Sortierung der Liste ist derzeit rückwärts und wir werden dies in 18.1 beheben.
Die Zeichenfolgenvariable SMILES muss auf den Modellierungstyp „ Unstrukturierter Text“ eingestellt werden, damit sie in Torch funktioniert.
Nach allem, was man hört, sind das einige tolle chemische Modelle und sie funktionieren in fast jedem Beispiel, das ich bisher ausprobiert habe, gut. Es gibt einen Fall, in dem das Chemprop-Message-Passing-Neural-Net-Modell am besten zu funktionieren scheint – wir untersuchen eine mögliche Implementierung davon.
