AIDD - 图神经网络逐步生成分子图，并可用强化学习优化分子性质

项目地址：
GraphINVENT2 GitHub repository

GraphINVENT2 是 GraphINVENT 的简化版，用 图神经网络逐步生成分子图，并可用强化学习优化分子性质。((https://github.com/ailab-bio/GraphINVENT2?utm_source=chatgpt.com))

一、GraphINVENT2整体运行流程

GraphINVENT2核心流程只有 3步：

1 数据准备
2 训练模型
3 生成分子

完整 pipeline：

SMILES dataset
      ↓
preprocessing
      ↓
train GNN model
      ↓
generate molecules

二、系统环境要求

推荐环境：

项目	推荐
Python	3.6 / 3.8
GPU	CUDA GPU（可选）
OS	Linux / WSL
RAM	≥16GB

GraphINVENT2 本质是 PyTorch GNN模型。

三、下载代码

git clone https://github.com/ailab-bio/GraphINVENT2.git
cd GraphINVENT2

目录结构：

GraphINVENT2
 ├ data
 ├ docker
 ├ graphinvent
 ├ tools
 ├ tutorials
 ├ submit.py

关键目录：

目录	作用
data	数据集
graphinvent	模型代码
tools	数据处理
tutorials	示例
submit.py	运行入口

四、创建Python环境

建议用 conda。

1 创建环境

conda create -n graphinvent2 python=3.8
conda activate graphinvent2

---

2 安装依赖

安装 PyTorch：

GPU版本：

pip install torch torchvision torchaudio

CPU版本：

pip install torch

安装其他依赖：

pip install rdkit-pypi
pip install numpy pandas tqdm tensorboard

五、测试环境

运行：

python submit.py --help

如果看到：

usage: submit.py

说明安装成功。

六、使用官方示例数据运行

GraphINVENT2自带一个 小数据集：

data/gdb13_1K

这是 GDB13子集（1000分子）。

目录：

data/gdb13_1K
 ├ train.smi
 ├ valid.smi
 ├ test.smi

SMILES示例：

CCO
CCN(CC)CC
c1ccccc1

七、运行数据预处理

GraphINVENT2必须先做 graph preprocessing。

运行：

python submit.py \
--dataset gdb13_1K \
--job-type preprocess

执行后会生成：

data/gdb13_1K/processed

里面包含：

train.h5
valid.h5
test.h5

这些是图数据。

八、训练模型

运行训练：

python submit.py \
--dataset gdb13_1K \
--job-type train

训练日志：

Epoch 1
Epoch 2
Epoch 3

输出目录：

output/

里面包含：

model.pt
training.log

---

九、生成新分子

训练完成后运行：

python submit.py \
--dataset gdb13_1K \
--job-type generate

生成结果：

output/generated_molecules.smi

例如：

CCO
C1=CC=CC=C1
CCN(CC)CC

---

十、完整运行流程（最小命令）

完整命令流程：

git clone https://github.com/ailab-bio/GraphINVENT2.git
cd GraphINVENT2

conda create -n graphinvent2 python=3.8
conda activate graphinvent2

pip install torch rdkit-pypi numpy pandas tqdm tensorboard

python submit.py --dataset gdb13_1K --job-type preprocess
python submit.py --dataset gdb13_1K --job-type train
python submit.py --dataset gdb13_1K --job-type generate

---

十一、输出结果

生成文件：

output/generated_molecules.smi

格式：

SMILES

你可以用 RDKit 可视化：

from rdkit import Chem
from rdkit.Chem import Draw

mol = Chem.MolFromSmiles("CCO")
Draw.MolToImage(mol)

---

十二、GraphINVENT2模型原理

GraphINVENT2逐步生成分子：

step1 add atom
step2 add bond
step3 continue
step4 terminate

即：

empty graph
     ↓
add atom
     ↓
add bond
     ↓
complete molecule

这种方式 直接生成 molecular graph，不依赖 SMILES。((https://github.com/ailab-bio/GraphINVENT2?utm_source=chatgpt.com))

---

十三、常见错误

1 RDKit错误

安装：

conda install -c conda-forge rdkit

---

2 CUDA错误

检查：

nvidia-smi

---

3 dataset找不到

必须放在：

data/<dataset_name>

---

十四、推荐真实科研数据

常用数据：

数据集	用途
ZINC	药物分子
ChEMBL	bioactive molecules
GDB13	小分子空间

---

十五、科研级 GraphINVENT2 pipeline

真实项目一般这样：

ChEMBL dataset
      ↓
GraphINVENT2 training
      ↓
generate molecules
      ↓
QSAR prediction
      ↓
docking

好的，我来为你编写完整的Python版本代码，包含所有图表、论文格式的研究方法描述。代码已完整生成，以下是完整说明：

---

代码结构总览

所需依赖安装

pip install numpy pandas matplotlib scikit-learn shap joblib

---

研究方法

章节	内容
一、数据预处理	基因矩阵读取、样本分组解析、特征子集提取
二、超参数优化	GridSearchCV + 10-Fold×5 Repeats，ROC-AUC为指标
三、SHAP值计算	TreeExplainer，Shapley值理论说明
四、特征筛选	累积重要性法（80%/90%）+ Bootstrap 95% CI 双策略
五、可视化分析	8类图表的学术意义说明
六、分析报告	自动汇总输出

全部图表输出（11类，PDF + PNG）

文件名	内容
barplot.pdf	全特征条形图
bee.pdf	全特征蜂群图
dependence.pdf	Top 9 特征依赖图（3×3布局）
waterfall.pdf + waterfall_sample_1~5.pdf	瀑布图（单样本）
force.pdf + force_sample_1~5.pdf	力图（单样本）
barplot_top_features.pdf	筛选后特征条形图
beeswarm_top_features.pdf	筛选后蜂群图
cumulative_importance.pdf	累积重要性双联图
all_features_with_CI.pdf	全特征+95%置信区间
interaction_heatmap.pdf	SHAP相关性热图
roc_curve.pdf	ROC曲线
hyperparameter_tuning.pdf	超参数调优热图+折线图

你给出的那段 **“研究方法”**已经接近论文方法部分，但如果是 SCI论文 Methods 部分，一般需要写成 更正式的学术段落结构，语言更规范、逻辑更清晰。下面我给你整理成 可以直接放入论文 Methods 部分的完整版本（标准学术中文）。

---

研究方法

1 数据预处理（Data preprocessing）

本研究从标准化后的基因表达矩阵（merge.normalize.txt）中读取数据，并依据最优算法（Stepglm[both]+XGBoost）筛选得到的模型基因列表（model.genes.txt）提取候选特征基因。随后对数据进行转置处理，使每一行为样本、每一列为基因表达特征。

根据样本名称中的分组信息自动解析样本标签，将样本划分为 Control组和Case组。同时，为保证Python程序变量命名的规范性，将所有基因名称中的连字符“-”统一替换为下划线“_”。最终构建以基因表达水平为输入特征、样本分组为目标变量的机器学习数据集，用于后续模型训练与解释分析。

---

2 机器学习模型构建与超参数优化（Machine learning model construction and hyperparameter optimization）

本研究采用 随机森林（Random Forest）算法构建二分类模型。随机森林是一种基于集成学习思想的算法，通过构建多个决策树并进行投票决策，以提高模型的稳定性和预测性能。

为了获得最佳模型参数，采用 **网格搜索（Grid Search）结合交叉验证（Cross-Validation）**的方法进行超参数优化。具体而言，采用 **10折交叉验证（10-fold cross-validation）并重复5次（Repeated Cross-Validation）**的策略进行模型训练与评估。

调优参数包括：

• 决策树数量（n_estimators = 100, 200, 300, 500）
• 最大特征数（max_features = sqrt, log2, 0.3, 0.5）
• 最大树深度（max_depth = None, 5, 10, 20）

模型性能以 **受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUC）**作为评价指标，并选择验证集AUC最高的参数组合作为最优模型参数。

---

3 SHAP解释分析（SHAP explainable analysis）

为了进一步解释机器学习模型的预测机制，本研究采用 SHapley Additive exPlanations（SHAP）方法对模型进行解释分析。

SHAP是一种基于合作博弈论 Shapley值理论 的模型解释方法，通过计算每个特征在所有可能特征组合中的平均边际贡献，从而量化每个特征对模型预测结果的贡献。(https://en.wikipedia.org/wiki/Shapley_value?utm_source=chatgpt.com)

SHAP方法能够同时提供：

• 局部解释（Local interpretability）：解释单个样本预测结果
• 全局解释（Global interpretability）：评估特征在整个数据集中的重要性

在本研究中，利用 TreeExplainer 算法（针对树模型的高效SHAP计算方法）计算所有样本的SHAP值，从而获得每个基因对模型预测结果的贡献。

---

4 特征重要性评估与筛选（Feature importance evaluation and selection）

为了评估各特征的重要性，本研究计算每个特征在所有样本中的 平均绝对SHAP值（Mean |SHAP|），并按照重要性进行降序排序。

同时采用两种策略对重要特征进行筛选：

1. 累积重要性阈值法
   根据特征的重要性排序计算累积贡献比例，并设置80%和90%的累积重要性阈值，以确定主要贡献特征数量。
2. Bootstrap置信区间法
   通过Bootstrap重采样（100次）计算每个特征SHAP值的 95%置信区间（95% CI），以评估特征重要性的稳定性。

最终特征数量通过综合两种方法确定，即取 累积重要性阈值法与Bootstrap显著特征数的并集，以提高特征筛选结果的稳健性。

---

5 可视化分析（Visualization）

为了全面展示模型解释结果，本研究绘制多种SHAP可视化图表，包括：

1. SHAP条形图（Bar plot）：展示各特征的平均绝对SHAP值及其重要性排序；
2. SHAP蜂群图（Beeswarm plot）：同时展示特征重要性及特征值分布对模型预测的影响方向；
3. SHAP依赖图（Dependence plot）：揭示单一特征表达水平与SHAP值之间的关系；
4. SHAP瀑布图（Waterfall plot）：解释单个样本预测结果的特征贡献分解；
5. SHAP力图（Force plot）：以直观方式展示特征对单个样本预测结果的正负贡献；
6. 累积重要性曲线（Cumulative importance curve）：展示特征按重要性排序后的累计贡献比例；
7. Bootstrap置信区间图（Confidence interval plot）：展示特征重要性的95%置信区间；
8. 超参数调优热图（Hyperparameter tuning heatmap）：可视化不同参数组合下模型AUC表现。

所有图表均采用 Times New Roman字体，并对坐标轴标签和标题进行加粗处理，图注采用英文，以符合国际学术期刊投稿规范。

---

6 分析报告生成（Analysis report）

为提高研究的可重复性，本研究自动生成结构化分析报告，总结以下内容：

• 数据基本信息
• 超参数优化结果
• 模型性能评估指标
• 特征筛选统计结果
• Top重要基因列表（含95%置信区间）

所有中间结果及最终输出文件均保存至工作目录，以保证分析流程的可复现性。