药物发现是一个昂贵而漫长的过程。在美国，实验药物从理论过渡到实践平均需要10-12年，而仅临床试验就平均需要6年。研究和开发每种成功药物的平均成本估计为26亿美元。在研发过程的早期，可能会筛选和评估数千甚至数百万种化合物，其中只有少数最终会获得的成功。

幸运的是，制药和生物技术行业可以处理大量数据，因此可以将机器学习方法应用于药物发现的所有阶段（药物靶标验证，生物活性预测，识别预后生物标志物等）。但是，在将机器学习应用于分子之前，我们需要一种以易于理解和使用的形式表示它们的方法。通常，当我们想到分子时，我们会想象成一群原子通过化学键相互连接。为了使机器能够处理分子数据，这就需要一定的规范。最初的简化分子线性输入规范（SMILES）始于1980年代，它对于使用短ASCII字符串描述化学物质的结构非常有用。例如，字符串“ OCCc1c（C）[n +]（cs1）Cc2cnc（C）nc2N”代表重要的营养硫胺素，也称为维生素B1 。大多数化学数据库都使用SMILES字符串符号表示药物。

我们不需要记住这些符号，因为大多数现代分子编辑器可以将SMILES字符串自动转换为分子的2D或3D模型。使用称为RDKit 的机器学习工具包，可以轻松地在python中将其转换。绝大多数基本分子功能可在rdkit.Chem模块中找到。以下Python代码显示了如何将硫胺素SMILES字符串转化为2D分子表示形式。

尽管SMILES字符串允许我们根据字符串的顺序来思考分子，但对于许多机器学习模型而言，它的格式仍然不正确。这是因为分子通常带有不同数量的原子并且具有不同的序列长度。许多机器学习模型要求输入的长度相同。为了解决这个问题，我们必须通过将SMILES字符串转换为固定长度的向量来使其特征化。有很多方法可以做到这一点，但是对于本文，我们将重点介绍两种方法，并对这两种方法进行ML预测以了解它们的性能。我们将使用http://moleculenet.ai/datasets-1中的生物物理HIV数据集。

扩展连通性指纹

基本上，扩展连通性指纹（ECFP）是1和0的向量，表示分子中是否存在特定特征。他们提取分子的特征，对其进行哈希处理，并使用哈希确定应设置为向量的位。这有助于结合分子的几个有用特征，并获取任意大小的分子，并将其转换为固定长度的向量，以准备在ML模型中使用。

这使得比较不同的模型变得容易，因为我们可以简单地获取两个分子的指纹并比较相应的元素。匹配的元素越多，分子越相似。ECFP唯一的缺点是，它可以对大量的分子信息进行编码，但也会丢失一些信息。两个不同的分子可能有相同的指纹，而给定一个指纹，不可能唯一地确定它来自于的什么分子。

我们可以通过将指纹应用于MoleculeNet.ai的数据集来了解指纹的工作原理。您可以从以下链接HIV下载数据集（https://s3-us-west-1.amazonaws.com/deepchem.io/datasets/molnet_publish/hiv.zip）。解压缩文件后，我们可以查看文件包含的内容。

HIV数据集包含筛选测试40,000种以上化合物抑制HIV复制的能力。对结果进行了评估，并将其分为三类：确认为无效（CI），确认为活跃（CA）和确认为中等活跃（CM）。结果标签：1（表示CA / CM）和0（CI）。

现在，一旦执行ECFP，我们将看到这些SMILES字符串会发生什么。我们将需要一个名为deepchem的新库来执行此操作，当我们要使用化学数据集时，这是一个非常有用的软件包，它可以在RDKit工具箱上使用。我们可以按如下方式使数据集中的SMILES列特征化。我们可以看到我们最终得到一个包含1025列的数据框。这是因为在实例化featurizer模块时，我们将大小设置为1024。

在特征化过程中，分子分解为较小的圆形子结构。该子结构包含一个中心原子及其相邻原子，这些原子按与中心的距离分组。在散列所有子结构后，我们得到一个固定长度的binary指纹。人们认为这种binary表示形式包含有关分子拓扑特征的信息，这使其可以应用于相似性搜索和活性预测之类的任务。

当我们查看在该数据集上执行的最新测试结果时，我们发现Xgboost的性能最佳，roc / auc得分为0.841 。在本文中，我们将对数据集执行基本的lightGBM模型，以检查其与Xgboost相比表现如何。Python示例代码如下：

当我们看一下最终迭代的roc_auc_score时，我们发现分数为0.73。对于这个基本版本，我认为该模型做得很好。

图卷积：

尽管ECFP在使分子数据令人满意方面做得很好，但在识别化合物中的环状结构方面仍然存在严重的缺陷。这是因为从本质上讲，一个分子是图，其中每个原子都可以看作是节点，并且它们之间的键可以表示边。许多真正重要的问题往往以图的形式出现，如社交网络、知识图、蛋白质相互作用网络等。这导致了一些非常强大的图卷积网络的产生，它们可以很容易地表示节点在其二维表示中的接近度。

图卷积特征化为每个原子计算初始特征向量和邻居列表。该特征向量以包含邻近原子类型，杂化类型和化合价结构的列表的形式总结了原子的局部环境。该列表表示整个分子的连通性，可以通过基于图的模型对通用图结构进行处理。Deepchem软件包随附了一个方便的模块，用于加载MoleculeNet数据集，并且在加载数据集时，我们可以指定要对数据集执行什么样的功能化。我们只需几行代码即可实现整个加载和建模。

图卷积特征化计算每个原子的初始特征向量和相邻列表。该特征向量以包含相邻原子类型、杂化类型和化合价结构的列表的形式总结了原子的局部环境。这个列表表示整个分子的连通性，可以通过基于图的模型对通用图结构进行处理。Deepchem软件包随附了一个方便的模块，用于加载MoleculeNet数据集，并且在加载数据集时，我们可以指定要对数据集执行什么样的特征化。

当我们计算最终指标时，我们会看到测试数据集的roc / auc得分为0.74。仍有改进的空间。在此数据集上使用GraphConv的官方基准是roc / auc得分0.79。考虑到这只是深度化学库中GraphConv模型的现成实现，我们的评分还不错。如果确实需要，我们可以更改一些参数以确保达到基准性能。