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 pour Torch pour prédire les propriétés chimiques à partir de chaînes SMILES.
Il s’avère que ce domaine a été un sujet de recherche très actif au cours des dernières années et il existe même maintenant de bons ensembles de données de référence publics sur des sites comme https://moleculenet.org/ .
J'ai plongé dans le sujet ces derniers jours et j'ai des prototypes de modèles de langage de type BERT exécutés dans le module complémentaire Torch qui sont pré-entraînés sur de grandes collections de chaînes SMILES. J'ai également maintenant une intégration initiale avec l'API C++ de RDKit, qui permet le calcul direct de fonctionnalités d'empreintes digitales numériques de type QSAR classiques en utilisant des chaînes SMILES comme entrée. Ceux-ci peuvent alimenter des réseaux neuronaux multicouches 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 nos quatre principaux domaines de vente), je prévois de l'utiliser pour les prochaines versions et de rechercher tout commentaire ou conseil que vous pouvez fournir.
Je prévois de créer bientôt une nouvelle page Confluence.
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 quelques scripts intégrés pour Torch dans ces tableaux (ainsi que des fichiers .jrn enregistrant les exécutions que j'ai effectuées), qui nécessitent les nouveaux modèles de langage chimique de style BERT. Nous prévoyons de les ajouter au module complémentaire, et pour l'instant vous pouvez les trouver dans \\tdl\Public\ChemicalTextModels\ , dont vous devez ensuite copier le contenu dans le sous-dossier texte de votre module complémentaire 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 inversé et nous corrigerons ce problème dans la version 18.1.
La variable de chaîne SMILES doit être définie sur le type de modélisation Texte non structuré pour fonctionner dans Torch.
De l'avis général, ce sont des modèles chimiques de premier ordre 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 à transmission de messages chemprop semble fonctionner le mieux ; nous étudions une éventuelle mise en œuvre de celui-ci.
Re: Modélisation prédictive chimique / QSAR / SMILES / RDKit / chemprop / TorchMerci @yuichi_katsumur et WOW ! Je viens de voir votre nouveau wrapper Python pour RDKit, génial !
Boîte à outils pour l'informatique des matériaux - Communauté d'utilisateurs JMP
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 parfois s'il est possible de créer des fonctionnalités à partir de SMILES dans JMP. J'ai moi-même un peu utilisé RDKit pour comprendre ce que disent les utilisateurs.
Je pense que le modèle de langage de type BERT que vous essayez de créer pourrait intéresser certains de nos utilisateurs. Si je peux vous aider de quelque façon que ce soit, n'hésitez pas à me le faire savoir.
Yuichi
