赛题介绍
链接：Bohrium 案例广场 (dp.tech)
中枢神经系统类疾病长期以来存在着重要的临床未满足需求。据统计，在当前人口老龄化趋势下，阿兹海默（AD）、帕金森病（PD）等神经退行性疾病和脑癌、中风等疾病的治疗费用将达到数万亿美元，由此产生巨额的医疗保健支出。因此，获得高质量、有效的中枢神经系统药物在当前被普遍视为具有重要的科学和商业价值。
随着AI for science的兴起，AI可以在大规模化合物库中筛选具有潜在治疗作用的药物，基于计算机模拟的方法预测药物的药理活性、毒性和药代动力学特性。通过这种方式，AI可以筛选出最有前景的药物候选者，并优化其化学结构，以提高安全性和有效性。
本次学习赛将提供一批分子信息数据，选手需要以AI方法对分子是否可作为CNS（Central Nervous System）药物进行检测，实现AI助力下的CNS药物筛选和研发工作。
原理简介
中枢神经系统(CNS)包括大脑和脊髓，负责处理和调控身体的各种功能。非中枢神经系统（non-CNS）则包括神经元以外的组织，如内分泌系统和免疫系统等。
由于血脑屏障及其上各类转运体的存在，中枢神经系统用药通常需要满足一些特定的特征。药物化学家会根据特定的指标来判断一个药物是否具有成为中枢神经系统药物的潜力，如分子量和拓扑极性表面积（TPSA）不能过大，N原子和极性H原子数量不能过多，溶剂可及表面需在特定范围内等。这些特征为药物发现和优化阶段中判断分子作为CNS药物的潜力提供了启示。
SMILES 分子表达式中包含了丰富的信息。我们可以利用 SMILES 表达式构建 CNS 药物预测的机器学习模型，并可帮助研究人员深入理解中枢神经系统（CNS）药物和非中枢神经系统（non-CNS）口服药物在众多理化性质方面的差异。这将有助于加速 CNS 药物的筛选和研发过程。
赛题教程
请点击下方链接进入本次学习赛的课程主页，本赛题的一系列教程学习资料会陆续上传，请大家关注。
教程链接：https://nb.bohrium.dp.tech/courses/detail/2718054507
赛题理解及科学知识补充
背景知识
研发一款成功上市的药物需要大约10年的时间，花费10亿美金，平均研发25款药物只有1款能成功提交到药监局，所以迫切希望AI能辅助药物的设计
靶点：导致疾病发生的问题的根源，通常是生物体内某些蛋白质出现了功能的失活或失调
人们通过设计药物去有效的调节这些靶点的生物功能
对于AD阿茨海默这类疾病，大部分靶点分布在脑部、脊椎等中枢神经系统
吸收、分布、代谢、排泄、毒性
本次赛题研究的血脑屏障BBB对应着distribution，也就是药物能否顺利的送入中枢神经系统，这是药物能否成为CNS药物的关键
QSAR
QSAR模型的建立需要分子的结构和分子的某些性质，并没有加入任何和这个靶点相互作用的信息
分子结构的表示
赛题背后的逻辑是：比较不同化合物，根据这些化合物的相似性去判断新的化合物与哪些类型的化合物性质相似
对于人来说，系统命名法等方法方便人们去理解，但是对于计算机就不是这回事了
对于计算机来说，SMILES是常用的表示分子结构的方法
上图是各种分子结构的表示方法
分子特征的表示
常见的定量分子描述符
常见的定性分子描述符
ECFP分子指纹计算流程
参考文献解读
baseline
# 需要挂载 bohr CNS 数据集
DIR_PATH = '/bohr/ai4scup-cns-5zkz/v3/'
!pip install lightgbm numpy pandas rdkit scikit-learn
import lightgbm as lgb
import numpy as np
import pandas as pd
from rdkit import Chem # 导入RDKit中的Chem模块，用于分子对象转换
from rdkit.Chem.rdMolDescriptors import GetMorganFingerprintAsBitVect # 从RDKit中导入GetMorganFingerprintAsBitVect函数，用于生成分子指纹（位向量转换）
from sklearn.model_selection import train_test_split # 从scikit-learn中导入train_test_split函数，用于拆分数据集
from sklearn.metrics import fbeta_score # 从scikit-learn中导入fbeta_score函数，用于 F2 Score 计算
raw_data = pd.read_csv(f"{DIR_PATH}/mol_train.csv")
test_data = pd.read_csv(f"{DIR_PATH}/mol_test.csv")
# 拆分训练数据为训练集与验证集，验证集占比 20%，设定固定随机种子
train_data, valid_data = train_test_split(
raw_data, test_size=0.2, random_state=hash("Datawhale") % 2023
)
def smile2fingerprint(smile: str):
"""将 SMILE 分子式表示为指纹数据
参数:
smile (string): SMILE 分子式
返回:
fp (Explict BitVect): 分子式的 Morgan 指纹位向量
"""
molecular = Chem.MolFromSmiles(smile) # 将字符串转换为分子式对象
finger_print = GetMorganFingerprintAsBitVect(molecular, 5, nBits=1024) # 获得分子式的 Morgan 指纹位向量
return finger_print
# 批量将位向量转换为特征矩阵，形状为 (n, 1024)，n 代表数据个数，1024 在位向量转换时指定
train_X = np.array([smile2fingerprint(smile) for smile in train_data["SMILES"]])
valid_X = np.array([smile2fingerprint(smile) for smile in valid_data["SMILES"]])
test_X = np.array([smile2fingerprint(smile) for smile in test_data["SMILES"]])
# 将数据特征矩阵转换为 LightGBM 指定格式，(特征向量，对应标签)
lgb_train = lgb.Dataset(train_X, label=train_data["TARGET"])
lgb_valid = lgb.Dataset(valid_X, label=valid_data["TARGET"])
# 设定 LightGBM 训练参，查阅参数意义：https://lightgbm.readthedocs.io/en/latest/Parameters.html
lgb_params = {
"objective": "binary", # 指定任务类别为二分类
"seed": hash("Datawhale") % 2023, # 设定随机种子
"verbose": -1, # 禁用输出（可选）
}
# 训练模型，参数依次为：导入模型设定参数、导入训练集、设定模型迭代次数（100）、导入验证集
model = lgb.train(lgb_params, lgb_train, num_boost_round=100, valid_sets=lgb_valid)
threshold = 0.5 # 模型输出的是类别概率，设定概率的判断阙值
# 用验证集进行模型预测（选择训练中最好的一次）
valid_pred = model.predict(valid_X, num_iteration=model.best_iteration)
# 生成预测标签结果，如果概率大于阈值则为 1，否则为 0
valid_result = [1 if x > threshold else 0 for x in valid_pred]
# 计算验证集 F2 Score 分数
valid_score = fbeta_score(valid_data["TARGET"], valid_result, beta=2)
print(f"Valid Score: {valid_score}")
# 预测测试集数据并获得预测结果
pred = model.predict(test_X, num_iteration=model.best_iteration)
result = [1 if x > threshold else 0 for x in pred]
submission = pd.DataFrame()
submission["SMILES"] = test_data["SMILES"]
submission["TARGET"] = result
submission.to_csv("./submission.csv", index=False)把finger_print = GetMorganFingerprintAsBitVect(molecular, 5, nBits=1024)中的5改成2，上了一点点分
特征工程与可视化
pass
Uni-Mol及进阶版Baseline
pass
图神经网络
pass
