化学变形工具
bmetoolkit的Python项目详细描述
< H1>教程
目标预测
支持向量机
46种模式。测试数据的度量：
精度97.59±2.41
灵敏度91.9±8.1
特异性98.6±1.4
215/247 87%独立测试集的正确机制。
化学目标预测 多类分类器 唯一目标数560 离子通道5 kinase 96 核受体21 GPCR 180 其他258 准确性87 AUC 92 灵敏度.76 特异性92 精度.82 225/225独立测试装置上的100%正确机构。注——对于给定目标，1被视为正，0被视为负。
解释输出：对于目标预测，绿色表示分子的正区域，红色表示被测特性的分子的负区域，灰色表示不检测。有关此方法的详细信息，请阅读相似度图--分子指纹的可视化策略和机器学习方法。
在目标预测文件夹中，输出文件夹中的每个微笑都应该有.png图像。确保将目录更改为"图像"菜单下targetPrediction文件夹的输出目录。既然有46款，最好一次只微笑几次。
创建自己的模型：https://pubchem.ncbi.nlm.nih.gov/query=interferon&tab=assay" rel="nofollow">https://pubchem.ncbi.nlm.nih.gov/query=interferon&tab=assay，另请参见Chembl Bioassays。这些分析必须保存为带有两列的.txt文件，第一列用于smiles，下一列用于1或0（分别为active和inactive）。带有smiles、1和0的文本文件应该在targetprediction文件夹中。文本文件名应包含分析的名称。你想要一个既有良好敏感性又有特异性的模型（尽可能接近一个）。需要注意的是，模型可能显示得非常精确，但如果灵敏度为零，则模型不会检测到阳性。
混淆矩阵 TN FP FN TP 需要注意的是，第1列第1行并不像stats类所期望的那样是真的正的。敏感模型的右下角不会有0。如果你没有得到很好的敏感性和特异性，那么你可能需要将惩罚C=500000改为其他值。默认情况下，SVC设置为使用RBF最佳拟合，但这可以根据SCIKIT学习文档进行更改。输出文件将保存为.pkl文件，以后可以加载以备将来使用。
泛分析干扰 参见2017年的《七年之痒：PAN分析干扰化合物（疼痛）》实用程序和限制新的子结构过滤器，用于从筛选库中移除PAN分析干扰化合物（疼痛），并将其排除在生物测定中。pan分析干扰化合物在生物筛选分析中常导致假阳性。 因为它们结合了所有的东西，所以它们不是选择性的，因此不能成为良好的药物靶点。我们发现，data warrior中的药物得分越高，含有疼痛的化合物的频率就越低。使用Data Warrior的进化算法（如果你想修复支架，一定要使用魔杖工具），以药物得分最高的化合物（宏→运行宏→计算属性）为起点，以5个得分最高的化合物作为进化的起点，进化出几次。你得到的毒品分数大于0.9。基于骨架球相似度的选择算法将产生大量药物评分高的化合物，这些化合物通常是无痛的。 程序将告诉你每种化合物的功能组对阳性疼痛试验结果负责。程序还告诉你sp3杂化碳的分数。分数为.47的化合物是更具选择性的粘合剂。注意，双键减少了sp3杂交的一部分，因为它们使化合物更平坦。见逃离平原：增加饱和度作为提高临床成功率的途径。疼痛定义如下： 多夫斯顿R等。50多种分子支架的铅导向合成。奥格生物摩尔化学13（2014）859D65。doi:10.1039/c4ob02287d Jadhav A等，硫醇蛋白酶抑制剂筛选中聚集、自荧光和反应伪影的定量分析。医学化学杂志53（2009）37D51.doi:10.1021/jm901070c
碎片机 输入微笑列表。这些将被重新组合成新的组合。当你从对接程序中取出能量最低的配体并重新组合时，可能会有一些化合物结合的能量比原来的低。
制作电子表格 输入微笑。输出将是包含分子图像的目标预测文件夹中名为test.xlsx的电子表格。
溶解度 预测对数s。大于-4的对数是可溶的。 在-4到4的范围内，均方根误差为1.27。 线性回归
建立sar模型 二元分类问题的交叉熵缺省损失函数。总结了实际概率和预测概率之间的平均差异。 基于支持向量机模型的支持向量机交叉熵二值分类的铰链替代法 用于回归问题的mse默认损失。以预测值和实际值之间的平方差的平均值计算 回归问题的mae。用于有异常值的情况。实际值和预测值之间绝对差的平均值
欢迎加入QQ群-->： 979659372
