蛋白质FASTA与药物分子SMILES数据集文本数据处理与可视化分析（一）2021SC@SDUSC

最新推荐文章于 2025-06-16 09:09:49 发布
原创 最新推荐文章于 2025-06-16 09:09:49 发布 · 1.8k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python

本文基于davis数据集进行操作2021SC@SDUSC

首先最直接的方式是学习一下别人的项目中是如何处理数据的

在项目代码中，指定了一个ParamList的字典用键值对的方式存储配置信息

下图为所选的数据集ESOL_SMILESValue.txt的结构，每一行数据逗号左侧为分子SMILES序列，右侧为该分子对应的label在这里插入图片描述

下一步就是把刚刚的ParamList（此次已封装到opt里），将opt作为参数送入MolDatasetCreator构造方法中创建一个对应的对象，后续会使用此对象进行进一步处理，接下来看看该构造方法有关opt部分的具体实现
在这里插入图片描述

仅仅是将opt赋值给了self.opt

返回到上一层，下面随即使用maldatasetcreator调用CreateDatasets函数进行处理，接下来看实现
在这里插入图片描述

此函数开头会获取前面paramList里的DataPath键的值，也就是ESOL_SMILESValue.txt的路径，然后创建文件加载

最低0.47元/天 解锁文章

200万优质内容无限畅学
9、数据处理与深度学习在蛋白质基序预测中的应用
xx56789的博客
08-03 13
本博文探讨了数据处理与深度学习技术在蛋白质基序预测中的应用。文章涵盖了从数据处理的关键技术如 Reduce 函数、Hadoop 分布式文件系统（HDFS）和 Hive 数据仓库工具，到深度学习模型的构建与优化，包括卷积神经网络（CNN）和基于自然语言处理（NLP）的特征提取方法。通过使用 motif2vec 和集成词嵌入技术，结合 FASTA 格式蛋白质数据的预处理和特征学习，研究展示了如何提高 DNA 结合基序预测的准确性。实验结果表明，基于 NLP 的特征提取与深度学习模型的结合能够显著提升预测性能，为
2019-3-29药物smiles格式转为fingerprint
qq_43569210的博客
03-29 2386
目的：将药物smiles格式转为fingerprint,储存为csv格式文件 思路： 读取csv 文件，通过设置参数，读取某一列数据，并将数据放在一个列表1中 f=pd.read_csv('Smiles.csv',usecols=[2],squeeze=True) #读取csv文件中的某一列：usecols #squeeze : boolean, default False.如果文件值包含...
蛋白质FASTA与药物分子SMILES数据集文本数据处理与可视化分析（二）2021SC@SDUSC
chy931088287的博客
12-16 1473
2021SC@SDUSC 接续上文，现在来处理我们DTA任务的数据集（图中数据集来自davis数据集的SMILES部分），可以看到我们的数据集只有一行，并且已经形成一个字典形式，所以要处理我们的数据集，仅仅用到刚刚学习到实例中的方法是不够的，现在解决的关键点在于如何将txt文件中的字典转换到python中的字典 DeepDTA中的加载方式如下： 可见其使用了json对txt文件进行了加载，加载后具体形式目前还不清楚，接下来我们进行实验操作 我们参照上述方式加载SMILES文件，打印发现其类型为Order
人脸特征提取实验-笑脸数据集.zip
07-11
数据集就是网上通用的笑脸数据集里面包含笑脸和非笑脸图片 拥有“少量”样本可能意味着从数百到数万张图像。作为一个实际的例子，我们将在包含4000张笑和没笑的图片(2000张笑的，2000没笑的)的数据集中把图像分类为“smile”或“unsmile”。我们将使用2000张图片进行培训，1000张用于验证，最后1000张用于测试。人脸特征提取实验-笑脸数据集
Smile格式详解：高效的二进制JSON兼容数据格式
最新发布
gitblog_00950的博客
06-16 272
Smile格式详解：高效的二进制JSON兼容数据格式 什么是Smile格式 Smile是一种高效的二进制数据格式，它与JSON保持逻辑数据模型的兼容性，可以视为"二进制JSON"。该格式最初由Jackson JSON处理器项目团队开发，旨在提供比文本JSON更高效的序列化和传输性能。 版本历史与演进 当前规范版本为1.0.6（2025年4月18日发布），主要变更包括： 明确了...
★SMILES数据处理+评价指标所有的代码
Drug discovery
10-17 1397
★SMILES数据处理+评价指标所有的代码
SMILES字符串的可视化过程
MGHYN的博客
04-19 681
创建一个Jupyter Notebook文档，将代码和说明整理在一起。这个Jupyter Notebook演示了如何从SMILES字符串中绘制分子结构，并显示相应的ZINC ID。运行这个Jupyter Notebook将显示每个SMILES表示的分子结构，并打印相应的ZINC ID。2. 定义SMILES字符串和对应的ZINC ID。3. 可视化分子结构并显示ZINC ID。# 可视化SMILES表示的分子结构。
PIANO_smiles.zip
08-28
微机原理课程设计 电子琴（全注释、完美版），带界面、21音阶、录音回放，汇编实现、绝对真实。
R语言在基因组分析中的应用：数据处理与可视化
本篇文章将集中讨论使用R语言在基因组分析中的应用，包括如何利用R语言处理从多个来源获得的模糊数据集，进行序列数据分析，以及如何利用R实现复杂数据集的可视化。 首先，了解R语言的背景是必要的。R是一种用于...
FichTV: DNA序列数据分析与可视化工具
6. **数据编辑与导出**：FinchTV支持打印、编辑以及将DNA序列数据导出为fasta格式，fasta是一种广泛使用的文本格式，用于表示核酸序列或蛋白质序列。 ### 知识点二：DNA序列数据处理 DNA序列数据处理是生物信息学...
【亲测免费】 探索SMILES Drawer：化学分子可视化的新工具
gitblog_00021的博客
04-26 847
探索SMILES Drawer：化学分子可视化的新工具 在科学研究和药物开发领域中，化学结构的表示方式至关重要。SMILES (Simplified Molecular Input Line Entry System)是一种广泛使用的字符串编码方式，用于描述分子结构。现在，有了Reymond Group开发的开源项目——SMILES Drawer，我们可以更直观地将这些编码转化为可交互的2D图形。...
SMILES-MaskGAN
03-26
De Novo分子设计的生成对抗网络 该存储库包含论文“ De Novo分子设计的生成对抗网络”的原始PyTorch实现。 A.要求 水蟒（> = 4.8.3） PyTorch（在1.7.0上测试） PyTorch Ligthning（在1.1.2上测试） Tensorboard（在2.4.0上测试） B.数据集 来自以下链接的Donwlonad： ://www.ebi.ac.uk/chembl/ 或从以下链接将ChEMBL版本和数据保存格式更改为csv并运行。 C.参考代码 有关基于PyTorch的MaskGAN源代码，请参阅链接。 Fairseq：此代码使用链接中提供的软件包。 D.SMILES-MaskGAN培训 命令行：python run_maskgan.py
AI医药论文解读--SmileGNN：基于SMILES和GNN的药物相互作用预测
xiao_muyu的博客
12-07 5022
SmileGNN：基于SMILES和GNN的药物相互作用预测 论文题目 SmileGNN: Drug-Drug Interaction Prediction Based on SMILES and Graph Neural Network 论文出自 Research Article（Preprints）,June 10th, 2021 论文链接：SmileGNN 文章目录SmileGNN：基于SMILES和GNN的药物相互作用预测一、SmileGNN模型？二、各模块详细介绍？三、实验？四
【AIDD】基于SMILES的高效大规模药物对接筛选打分方案+代码
huichongkeji的博客
12-15 852
药物研发是一个漫长且昂贵的过程，通常需要数年时间和数亿美元的投入。令人惊叹的是，通过这种简洁的表示法，我们能够轻松地将复杂的分子结构用一串字符来表达。这个工具可以进行大规模的药物分子-靶标多筛选，也可以为AIDD（基于人工智能的。，我们可以在很短的时间内快速筛选出有潜力的候选药物，并专注于那些最有可能成功的方案。这不仅可以节省时间和金钱，而且可以加速药物的研发进程，为全人类带来福音。
IntAct：开源的的分子相互作用数据库
BioITer's World
03-02 7042
The IntAct molecular interaction database in 2012 Samuel Kerrien1, Bruno Aranda1, Lionel Breuza2, Alan Bridge2, Fiona Broackes-Carter3, Carol Chen4, Margaret Duesbury1, Marine Dumousseau1, Marc Feue
Nat. Mach. Intell. | 利用条件循环神经网络生成特定性质分子
DrugOne
05-23 2656
作者 | 陆丰庆今天给大家介绍瑞士知名药企阿斯利康和伯尔尼大学的 Esben Jannik Bjerrum团队在Nature Machine Intelligence上的一篇论文。该研究...
J. Cheminform. | 基于SMILES的利用骨架的分子生成模型
DrugOne
08-12 3449
今天给大家介绍的是瑞典制药公司阿斯利康，伯尔尼大学和广州再生医学与健康中心广东省实验室于2020年2月4日联合发表在Journal of Cheminformatics的一篇论文，这篇文章提出了一种新的基于SMILES的分子生成模型，该模型可从骨架中生成分子，并且可以从任意分子集中进行训练。作者认为这种基于SMILES的生成模型将成为对已经存在的基于SMILES的体系结构的有用补充，并且可以替代基于图的装饰方法。 1 背景 深度生成模型因其可以从有限的数量中生成新数据，目前已成功应用于生成文...
arxiv2017 | 用于分子神经网络建模的数据增强 SMILES Enumeration
justBeHerHero
02-20 1652
用于分子神经网络建模的数据增强 SMILES Enumeration
TorchDrug教程--分子生成
发呆的比目鱼的博客
09-25 2494
TorchDrug教程--分子生成
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

芜湖大司码丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值