一、賽事背景

在當今科技日新月異的時代，人工智能（AI）技術正以前所未有的深度和廣度滲透到科研領域，特別是在化學及藥物研發中展現出了巨大潛力。精準預測分子性質有助于高效篩選出具有優異性能的候選藥物。以PROTACs為例，它是一種三元復合物由目標蛋白配體、linker、E3連接酶配體組成，靶向降解目標蛋白質。本次大賽聚焦于運用先進的人工智能算法預測其降解效能，旨在激發參賽者創新思維，推動AI技術與化學生物學的深度融合，進一步提升藥物研發效率與成功率，為人類健康事業貢獻智慧力量。通過此次大賽，我們期待見證并孵化出更多精準、高效的分子性質預測模型，共同開啟藥物發現的新紀元。

二、賽事任務

選手根據提供的demo數據集，可以基于demo數據集進行數據增強、自行搜集數據等方式擴充數據集，并自行劃分數據。運用深度學習、強化學習或更加優秀人工智能的方法預測PROTACs的降解能力，若DC50>100nM且Dmax<80% ，則視為降解能力較差（demo數據集中Label=0）；若DC50<=100nM或Dmax>=80%，則視為降解能力好（demo數據集中Label=1）。

下面給出代碼流程：

1. 數據加載：
   • 使用pandas庫從Excel文件中加載訓練和測試數據集。
2. 數據預處理：
   • 刪除訓練集中不需要的列（'DC50 (nM)'和'Dmax (%)'）。
   • 檢查測試集中的列，如果某列的非空值少于10個，則將該列從訓練和測試集中刪除。
   • 將訓練和測試集合并為一個數據集，以便進行統一處理。
3. SMILES轉換：
   • 使用rdkit庫將SMILES字符串轉換為isomeric SMILES，并將其連接成一個字符串。
4. TF-IDF計算：
   • 使用TfidfVectorizer計算SMILES字符串的TF-IDF值，并將其添加到數據集中。
5. 自然數編碼：
   • 對所有對象類型的列進行自然數編碼，即將每個唯一值映射到一個整數。
6. 數據分割：
   • 將帶有標簽的數據分割為訓練集和驗證集，測試集保持不變（包含NaN標簽）。
7. 特征篩選：
   • 選擇除'uuid'、'Label'和'smiles_list'之外的所有列作為特征。
8. 網格搜索優化參數：
   • 使用GridSearchCV進行參數優化，找到最佳的CatBoost分類器參數。
9. 模型訓練和驗證：
   • 使用最佳參數訓練CatBoost分類器，并使用驗證集進行早停，以防止過擬合。
10. 預測和保存結果：
    • 使用訓練好的模型對測試集進行預測，并將預測結果保存為CSV文件。

下面是具體代碼的分享

import numpy as np  
import pandas as pd  
from catboost import CatBoostClassifier  
from sklearn.model_selection import train_test_split  
from sklearn.metrics import f1_score  
from rdkit import Chem  
from rdkit.Chem import Descriptors  
from sklearn.feature_extraction.text import TfidfVectorizer  
import os, gc, warnings 
from sklearn.model_selection import GridSearchCV, KFold  
warnings.filterwarnings('ignore')  # 數據加載  
train_full = pd.read_excel(r'C:\\Users\\admin\\Desktop\\dataset-new\\dataset-new\\traindata-new.xlsx')  
test = pd.read_excel(r'C:\\Users\\admin\\Desktop\\dataset-new\\dataset-new\\testdata-new.xlsx')  # 數據預處理  
train_full = train_full.drop(['DC50 (nM)', 'Dmax (%)'], axis=1)  
drop_cols = []  
for f in test.columns:  if test[f].notnull().sum() < 10:  drop_cols.append(f)  
train_full = train_full.drop(drop_cols, axis=1)  
test = test.drop(drop_cols, axis=1)  data = pd.concat([train_full, test], axis=0, ignore_index=True)  
cols = data.columns[2:]  # 假設前兩列是uuid和Label（或類似的列），這里需要根據實際情況調整  # SMILES轉換  
data['smiles_list'] = data['Smiles'].apply(lambda x: [Chem.MolToSmiles(mol, isomericSmiles=True) for mol in [Chem.MolFromSmiles(x)]])  
data['smiles_list'] = data['smiles_list'].map(lambda x: ' '.join(x))  # TF-IDF計算  
tfidf = TfidfVectorizer(max_df=0.9, min_df=1, sublinear_tf=True)  
res = tfidf.fit_transform(data['smiles_list'])  
tfidf_df = pd.DataFrame(res.toarray())  
tfidf_df.columns = [f'smiles_tfidf_{i}' for i in range(tfidf_df.shape[1])]  
data = pd.concat([data, tfidf_df], axis=1)  # 自然數編碼  
def label_encode(series):  unique = list(series.unique())  return series.map(dict(zip(unique, range(series.nunique()))))  for col in cols:  if data[col].dtype == 'object':  data[col] = label_encode(data[col])  labeled_data = data[data.Label.notnull()]  train, val = train_test_split(labeled_data, test_size=0.01, random_state=42, stratify=labeled_data['Label'])  # 外部驗證集仍然是原始測試集，它包含NaN標簽  
test = data[data.Label.isnull()]   # 特征篩選  
features = [f for f in train.columns if f not in ['uuid', 'Label', 'smiles_list']]  # 構建訓練集和驗證集  
x_train = train[features]  
y_train = train['Label'].astype(int)  
x_val = val[features]  
y_val = val['Label'].astype(int)  # 網格搜索優化參數  
params = {  'learning_rate': [0.1],  'depth': [ 6],  'l2_leaf_reg': [1],  'bootstrap_type': ['Bernoulli'],  'od_type': ['Iter'],  'random_seed': [42]  
}  model = CatBoostClassifier(iterations=20, eval_metric='AUC', verbose=1)  
grid_search = GridSearchCV(model, params, cv=5, scoring='f1', verbose=1, n_jobs=-1)  
grid_search.fit(x_train, y_train)  # 輸出最佳參數  
print("Best parameters:", grid_search.best_params_)  
print("Best score:", grid_search.best_score_)  # 使用最佳參數訓練模型，并使用驗證集進行早停  
best_model = CatBoostClassifier(**grid_search.best_params_, iterations=2, eval_metric='AUC', use_best_model=True, verbose=1)  
best_model.fit(x_train, y_train, eval_set=[(x_val, y_val)])  # 預測  
test_pred = best_model.predict_proba(test[features])[:, 1]  # 保存結果  
pd.DataFrame({  'uuid': test['uuid'],  'Label': np.where(test_pred > 0.5, 1, 0)  
}).to_csv('submit.csv', index=None)

最后是運行結果：