一、程序代碼簡介

1.1. 文獻(xiàn)：

1.2. 代碼：gitee倉庫（大陸推薦）、github倉庫

1.3. 功能：

集成急性經(jīng)口全身毒性二元/多元分類回歸模型的層次H-QSAR建模方法的實現(xiàn)

1.4. 數(shù)據(jù)集

本研究中使用的大鼠急性經(jīng)口毒性數(shù)據(jù)由國家毒理學(xué)計劃機(jī)構(gòu)間替代毒理學(xué)方法評價中心（NICEATM）和美國環(huán)保署國家計算毒理學(xué)中心（NCCT）從許多公共可用數(shù)據(jù)集和資源中收集。完整的描述和實際的數(shù)據(jù)集可以在這里找到。整個數(shù)據(jù)集由11992個化合物組成，被半隨機(jī)分成一個訓(xùn)練集（75%）和一個外部測試集（25%），項目組織者對LD50分布的覆蓋率相當(dāng)。
訓(xùn)練集和測試數(shù)據(jù)在train_test_sets文件夾中。

1.5. 建模策略

image

上圖顯示了構(gòu)建層次QSAR模型的總體工作流程。利用機(jī)器學(xué)習(xí)算法和化學(xué)描述符/指紋的不同組合，建立了基本回歸模型、二元模型和多類模型（共60個模型）。通過10次交叉驗證生成基礎(chǔ)模型的偏離預(yù)測。折疊外的預(yù)測被連接在一起，并作為輸入（元特征）用于構(gòu)建分層回歸、二元和多類模型。

1.6. Jupyter Notebook代碼本使用流程

1.6.1 準(zhǔn)備標(biāo)簽：

• （1）labels.ipynb

1.6.2 基礎(chǔ)模型：

• （2）計算基本模型的化學(xué)描述符/指紋：descriptors.ipynb
• （3）描述符選擇：descriptors_selections.ipynb
• （4）基礎(chǔ)模型的超參數(shù)搜索：Base_models_selection.ipynb
• （5）用最優(yōu)超參數(shù)建立基礎(chǔ)模型：Base_models.ipynb

1.6.3 分層模型

• （6）元特征：Hierarchical_features.ipynb
• （7）層次模型的超參數(shù)調(diào)整：Hierarchical_models_selection.ipynb
• （8）用最優(yōu)超參數(shù)建立層次模型：Hierarchical_models.ipynb

1.6.4 模型評價

• （9）評估交叉驗證和測試集性能：Model_evaluation.ipynb

二、代碼運行與理解

2.1. labels.ipynb

• （1）導(dǎo)入庫或模塊

# 導(dǎo)入庫/模塊
import pandas as pd
import numpy as np
import math
import joblib
from rdkit import Chem
from rdkit.Chem import PandasTools
from rdkit.Chem import Descriptors
from sklearn.preprocessing import LabelEncoder

• （2）導(dǎo)入訓(xùn)練集和測試集

train = pd.read_csv('../data/train_test_sets/train.csv', index_col = 'CASRN') # 訓(xùn)練集
test = pd.read_csv('../data/train_test_sets/test.csv', index_col = 'CASRN') # 測試集

# 探索數(shù)據(jù)
train # 或者用下述語句中的任一條
train.head(1)
train.head()
train.shape

• （3）添加RoMol列

# 利用PandasTools中AddMoleculeColumnToFrame方法添加分子結(jié)構(gòu)圖列
PandasTools.AddMoleculeColumnToFrame(train,smilesCol='SMILES')
PandasTools.AddMoleculeColumnToFrame(test,smilesCol='SMILES')

• （4）添加Mw描述符列

train['MW'] = train.apply(lambda x: Descriptors.MolWt(x['ROMol']), axis=1)
test['MW'] = test.apply(lambda x: Descriptors.MolWt(x['ROMol']), axis=1)

• （5）定義logLD50轉(zhuǎn)換函數(shù)（單位由mgkg轉(zhuǎn)換為mmolkg）

def logLD50(df):
    logLD50_mmolkg = []
    for i in range(df.shape[0]):
        if pd.isna(df['LD50_mgkg'][i]):
            logLD50_mmolkg.append(df['LD50_mgkg'][i])
        else:
            logLD50_mmolkg.append(math.log10(float(df['LD50_mgkg'][i])/float(df['MW'][i])))
    return logLD50_mmolkg

• （6）轉(zhuǎn)換logLD50，并新增1列

train['logLD50_mmolkg'] = logLD50(train)
test['logLD50_mmolkg'] = logLD50(test)

• （7）定義二元毒性和二元劇毒函數(shù)

def binary_toxic(df):
    toxic = []
    for i in range(df.shape[0]):
        if pd.isna(df['nontoxic'][i]):
            toxic.append(df['nontoxic'][i])
        else:
            toxic.append(1 if df['nontoxic'][i] is False else 0)
    return toxic

def binary_verytoxic(df):
    verytoxic = []
    for i in range(df.shape[0]):
        if pd.isna(df['very_toxic'][i]):
            verytoxic.append(df['very_toxic'][i])
        else:
            verytoxic.append(0 if df['very_toxic'][i] is False else 1)
    return verytoxic

• （8）將化合毒性和劇毒性質(zhì)轉(zhuǎn)換為0/1值，并新增兩列

train['toxic'] = binary_toxic(train)
test['toxic'] = binary_toxic(test)

train['verytoxic'] = binary_verytoxic(train)
test['verytoxic'] = binary_verytoxic(test)

• （9）刪除不需要的列

train = train.drop(['nontoxic', 'very_toxic', 'ROMol', 'MW', 'LD50_mgkg'], axis=1)
test = test.drop(['nontoxic', 'very_toxic', 'ROMol', 'MW', 'LD50_mgkg'], axis=1)

• （10）數(shù)據(jù)集的列重排

columnsTitles = ['SMILES', 'logLD50_mmolkg', 'verytoxic', 'toxic', 'EPA_category', 'GHS_category'] #新列順序

train = train.reindex(columns=columnsTitles)
test = test.reindex(columns=columnsTitles)

• （11）保存數(shù)據(jù)（csv格式）

train.to_csv('../data/train_test_sets/train_labels.csv')
test.to_csv('../data/train_test_sets/test_labels.csv')

• （12）定義編碼函數(shù)

def get_labelencoder(df_labels):
    
    encoder_verytoxic = LabelEncoder().fit(df_labels[~df_labels['verytoxic'].isnull()]['verytoxic'].values)
    encoder_toxic = LabelEncoder().fit(df_labels[~df_labels['toxic'].isnull()]['toxic'].values)
    encoder_epa = LabelEncoder().fit(df_labels[~df_labels['EPA_category'].isnull()]['EPA_category'].values)
    encoder_ghs = LabelEncoder().fit(df_labels[~df_labels['GHS_category'].isnull()]['GHS_category'].values)
    
    return encoder_verytoxic, encoder_toxic, encoder_epa, encoder_ghs

• （13）編碼

2.2. descriptors.ipynb