# 药物-靶点相互作用预测：分子指纹与图神经网络的对比研究 > 基于ChEMBL数据库的EGFR抑制剂活性预测项目，对比Morgan分子指纹+随机森林与图神经网络两种方法，使用RDKit、PyTorch Geometric和SHAP实现完整的机器学习流程。 - 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo) - 发布时间: 2026-05-27T04:43:11.000Z - 最近活动: 2026-05-27T04:52:08.798Z - 热度: 161.8 - 关键词: 药物发现, 药物-靶点相互作用, 分子指纹, 图神经网络, EGFR, ChEMBL, RDKit, 机器学习, 生物信息学 - 页面链接: https://www.zingnex.cn/forum/thread/geo-github-vishnuprabhauvaraj-dti-prediction - Canonical: https://www.zingnex.cn/forum/thread/geo-github-vishnuprabhauvaraj-dti-prediction - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者**: Vishnuprabha Uvaraj - **来源平台**: GitHub - **原始标题**: dti-prediction - **原始链接**: https://github.com/VishnuPrabhaUvaraj/dti-prediction - **发布时间**: 2026年5月27日 --- ## 研究背景 药物-靶点相互作用（Drug-Target Interaction, DTI）预测是药物发现领域的核心问题之一。准确预测化合物与特定蛋白质靶点的结合活性，可以显著加速新药研发进程，降低实验筛选成本。 本项目聚焦于表皮生长因子受体（EGFR）抑制剂的活性预测。EGFR是癌症治疗中的重要靶点，开发高选择性、高活性的EGFR抑制剂对于肿瘤治疗具有重要意义。 --- ## 数据集构建 ### 数据来源 从ChEMBL数据库（CHEMBL203）获取EGFR相关的生物活性数据： - **原始记录数**: 17,723条 - **清洗后化合物数**: 8,728个 - **活性化合物**（IC50 ≤ 1000 nM）: 7,767个（89%） - **非活性化合物**（IC50 ≥ 10000 nM）: 961个（11%） ### 数据特征 - **平均pIC50**: 7.23 - **平均分子量**: 488.1 Da 数据清洗流程：ChEMBL API获取原始数据 → IC50数据提取 → pIC50转换 → 二分类标签生成 --- ## 模型方法对比 项目实现了两种截然不同的分子表示学习方法，并进行系统对比： ### 方法1：Morgan分子指纹 + 随机森林 #### 分子表示 使用RDKit生成Morgan指纹（圆形指纹）： - **指纹半径**: 2 - **指纹长度**: 2048位 - **编码方式**: 二进制向量表示分子子结构 #### 模型配置 - **算法**: 随机森林（Random Forest） - **决策树数量**: 200棵 - **类别平衡**: 使用class_weight='balanced'处理类别不平衡 - **验证策略**: 5折交叉验证 #### 可解释性分析 集成SHAP（SHapley Additive exPlanations）进行特征重要性分析，识别对预测贡献最大的分子子结构。 ### 方法2：图神经网络（GNN） #### 分子图表示 将分子转换为图结构： - **节点**: 原子（15维特征向量） - **边**: 化学键 - **特征维度**: 原子类型、电荷、杂化方式等 #### 模型架构 - **基础架构**: 图卷积网络（GCN） - **层数**: 3层图卷积 - **池化方式**: 全局平均池化（Global Mean Pooling） - **可训练参数**: 31,106个 - **优化器**: Adam - **训练轮数**: 50轮 --- ## 实验结果对比 | 模型 | ROC-AUC | 方法描述 | |------|---------|----------| | 随机森林 | 0.9694 | Morgan指纹（2048位） | | 图神经网络 | 0.8887 | 图卷积网络 | ### 结果分析 **随机森林显著优于GNN**，主要原因包括： 1. **类别不平衡**: 数据集中89%为活性化合物，随机森林的class_weight='balanced'策略有效缓解了这一问题，而GNN未采用类别平衡策略 2. **数据规模限制**: 8,728个样本对于GNN来说相对较小，深度学习模型通常需要更大规模的数据才能充分发挥优势 3. **训练不足**: GNN在50轮训练后AUC仍在上升，表明模型尚未收敛，增加训练轮数可能提升性能 4. **特征工程优势**: Morgan指纹是药物化学领域验证多年的分子表示方法，对于中小规模数据集往往比端到端学习的图表示更有效 --- ## 技术栈与工具 | 工具 | 用途 | |------|------| | RDKit | 分子特征化与化学信息学处理 | | scikit-learn | 随机森林实现与评估指标 | | PyTorch | GNN模型训练框架 | | PyTorch Geometric | 图卷积层实现 | | ChEMBL API | 生物活性数据获取 | | SHAP | 模型可解释性分析 | | pandas, matplotlib | 数据分析与可视化 | --- ## 项目结构 ``` dti-prediction/ ├── README.md ├── environment.yml # Conda环境配置 ├── data/ │ ├── raw/ # ChEMBL原始下载数据 │ └── processed/ # 清洗后的数据集 ├── notebooks/ # 6个阶段的可执行脚本 │ ├── 01_data_download.py │ ├── 02_data_cleaning.py │ ├── 03_eda.py │ ├── 04_random_forest.py │ ├── 05_gnn_model.py │ └── 06_comparison.py ├── src/ │ ├── fingerprints.py # Morgan指纹生成函数 │ ├── mol_graph.py # SMILES到图的转换器 │ └── gnn_model.py # GNN架构定义 ├── models/ # 保存的模型文件 ├── figures/ # 7个输出图表 └── logs/ # 结果CSV文件 ``` --- ## 使用方式 ### 环境配置 ```bash conda env create -f environment.yml conda activate dti-project ``` ### 运行完整流程 按顺序执行6个阶段： ```bash python notebooks/01_data_download.py # 数据下载 python notebooks/02_data_cleaning.py # 数据清洗 python notebooks/03_eda.py # 探索性分析 python notebooks/04_random_forest.py # 随机森林建模 python notebooks/05_gnn_model.py # GNN建模 python notebooks/06_comparison.py # 结果对比 ``` --- ## 可视化输出 项目生成以下分析图表： - **model_comparison.png**: 两模型性能对比 - **gnn_training.png**: GNN训练过程曲线 - **shap_rf.png**: 随机森林的SHAP解释图 - **eda_plots.png**: 探索性数据分析可视化 --- ## 对药物发现研究的启示 ### 1. 方法选择需考虑数据规模 本研究表明，对于中小规模的分子数据集，传统的分子指纹+集成学习方法可能比复杂的深度学习模型更具优势。研究者应根据数据规模合理选择方法。 ### 2. 类别不平衡是常见问题 生物活性数据通常存在严重的类别不平衡（活性化合物远多于非活性），在建模时必须采用适当的处理策略。 ### 3. 可解释性的重要性 SHAP分析不仅能帮助理解模型决策，还能为药物化学家提供关于关键分子特征的洞察，指导后续化合物设计。 ### 4. 完整流程的价值 项目展示了从数据获取到模型对比的完整流程，这种系统化的方法论对于 reproducible research 至关重要。 --- ## 总结 本项目提供了一个完整的EGFR抑制剂活性预测流程，通过对比传统机器学习方法与图神经网络，为药物发现领域的研究者提供了有价值的参考。尽管GNN在复杂结构学习上具有理论优势，但在当前数据规模和类别分布下，Morgan指纹+随机森林的组合展现了更优的预测性能。这一发现提醒我们，方法选择应基于实际问题特点，而非盲目追求最新技术。