目录

mChemprop

misaraty 更新 | 2026-10-06
前言
下载:mChemprop。

mChemprop v3

mChemprop_v3.py 是一个基于 PyTorch 的独立 Chemprop 风格有向消息传递神经网络(D-MPNN),支持根据 SMILES 进行单任务和多任务分子性质回归。

脚本集成了 RDKit 分子解析、Chemprop v2 风格的原子与化学键特征、有向键消息传递、反向边排除、分子级聚合和前馈回归头,不导入官方 Chemprop 软件包或原仓库内部模块。

单任务和多任务模式使用相同的 D-MPNN 主体。单任务数据输出一个性质,多任务数据为每个目标列输出一个性质,并由所有任务共享分子表示。

主要功能

  • 根据一个 Excel 文件自动运行单任务或多任务回归
  • Excel 第一列作为 SMILES,其余各列全部作为连续回归目标
  • 使用掩码 MSE 支持部分任务标签缺失
  • 每个任务独立标准化,且标准化参数仅由训练集拟合
  • 固定并可复用的 80/10/10 训练集、验证集和测试集划分,随机种子为 42
  • 仅使用验证集进行早停、最佳模型选择、学习率调度和可选 Optuna 优化
  • 分别输出每个任务在训练集、验证集和测试集上的 MAE、RMSE 与 R2
  • 分别生成每个任务的奇偶图、预测数据和 RMSE 曲线
  • CUDA 可用时自动使用 GPU 和自动混合精度
  • 提供可导入的 load_trained_model() 和 predict_smiles() 函数
  • 通过 RUN_VERSION 将不同版本的结果保存到独立目录

环境依赖

1
pip install torch rdkit numpy pandas openpyxl scikit-learn matplotlib

仅当 USE_OPTUNA = True 时需要安装 Optuna:

1
pip install optuna

数据准备

在同一目录中准备脚本和 Excel 文件:

1
2
mChemprop_v3.py
data.xlsx

data.xlsx 第一行必须包含非空且不重复的列名。第一列为 SMILES,第二列及之后的所有列均被自动识别为连续回归任务。

单任务示例:

SMILES Activity
CCO 1.23
CC(=O)O 0.87
c1ccccc1 2.15

多任务示例:

SMILES MIC_Ecoli MIC_Saureus Cytotoxicity
CCO 8.0 16.0 120.0
CCN 4.0 85.0
c1ccccc1 32.0 96.0

缺失标签可以留空或写为 NaN。只要至少存在一个有效目标,分子就会被保留;无效 SMILES 和所有目标均无效的行会被跳过并记录在日志中。每个任务在训练集和验证集中都必须至少有一个有效标签。固定划分至少需要 10 个有效分子。

可在脚本开头按照 Excel 目标列的准确名称设置单位:

1
2
3
4
5
TARGET_UNITS = {
    "MIC_Ecoli": "ug/mL",
    "MIC_Saureus": "ug/mL",
    "Cytotoxicity": "uM",
}

不需要单位时保留:

1
TARGET_UNITS = {}

训练与最佳模型选择

每个任务的均值和标准差只根据其训练集有效标签计算。模型在逐任务标准化空间中使用掩码 MSE 训练,缺失标签不参与损失计算。

每个 epoch 结束后,脚本在原始单位下分别计算各任务的 RMSE。多任务运行时,各任务验证集 RMSE 的算术平均值用于:

  • 早停;
  • 最佳 epoch 和 checkpoint 选择;
  • 学习率调度;
  • Optuna 目标函数。

测试集不参与调参或模型选择。由于宏平均 RMSE 直接平均各任务在原始单位下的 RMSE,当目标的物理单位或数值尺度差异很大时,需要谨慎解释该综合指标。

使用方法

1
python mChemprop_v3.py

脚本会依次完成 SMILES 检查与规范化、固定数据划分的创建或复用、D-MPNN 训练、最佳 checkpoint 保存与重新加载、三个数据子集评估以及完整图表和数据文件生成。当 CUDA 可用时自动选择 GPU,否则自动使用 CPU。

Optuna 默认关闭:

1
USE_OPTUNA = False

所有结果保存在由 MODEL_NAME 和 RUN_VERSION 确定的目录中,默认目录为:

1
2
3
4
5
6
7
Chemprop_v3/
|-- Chemprop_best.pt
|-- figure/
|-- dat/
|-- table/
|-- log/
`-- split/

单任务数据保留简洁的主要图名:

1
2
3
4
5
figure/Chemprop_parity_train.jpg
figure/Chemprop_parity_val.jpg
figure/Chemprop_parity_test.jpg
figure/Chemprop_parity_all.jpg
figure/Chemprop_rmse_curve.jpg

多任务数据会为每个任务分别生成奇偶图、DAT 文件和 RMSE 曲线。例如:

1
2
3
4
5
figure/Chemprop_MIC_Ecoli_parity_train.jpg
figure/Chemprop_MIC_Ecoli_parity_val.jpg
figure/Chemprop_MIC_Ecoli_parity_test.jpg
figure/Chemprop_MIC_Ecoli_parity_all.jpg
figure/Chemprop_MIC_Ecoli_rmse_curve.jpg

主要表格与数据文件包括:

1
2
3
4
5
dat/Chemprop_parity_all_tasks.dat
dat/Chemprop_rmse_curve.dat
table/Chemprop_metrics.dat
log/Chemprop_training.log
split/Chemprop_split.csv

Chemprop_metrics.dat 包含各任务指标,并为每个数据子集提供一个 __macro__ 汇总行。Chemprop_rmse_curve.dat 同时记录宏平均和逐任务的训练集/验证集 RMSE。启用 Optuna 后,最佳参数保存为 table/Chemprop_optuna_best_params.json。

在其他 Python 程序中预测

最佳 checkpoint 保存模型配置、任务名称、任务单位、任务数量、目标标准化参数、特征维度、随机种子、运行版本和最佳验证结果。

可以在其他 Python 程序中预测新分子:

1
2
3
4
5
6
7
from mChemprop_v3 import predict_smiles

predictions = predict_smiles(
    ["CCO", "CC(=O)O", "c1ccccc1"],
    "./Chemprop_v3/Chemprop_best.pt",
)
print(predictions)

返回表格会为每个回归任务提供一个 prediction::<task_name> 列。无效 SMILES 仍保留在返回表格中,但预测值为空。

历史发布

v2 是独立的单任务版本,固定读取 Excel 第一列作为 SMILES、第二列作为一个连续目标,并生成一套 checkpoint、奇偶图、RMSE 曲线和指标。v3 保留了这一单任务流程,并在同一 D-MPNN 实现上增加多目标输出和部分缺失标签支持。

引用

原始 Chemprop 文献:

本工作:

论文正式发表后补充。