2021SC@SDUSC
一，简述：
在对数据集进行标准化处理之后，第一步就是通过CNN学习化合物和药物的特征，因此要分析这部分需要CNN相关知识，接下来将分为
1，CNN综述
2，实验分析
3，原码分析
三个部分。
二，CNN综述
1，概念
卷积神经网络（Convolutional Neural Network, CNN） 是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，[1]对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，[2]卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型[3]也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
?2，基本流程
?
?3，基本计算
? ①卷积
?②池化
???③全联结
4，损失函数
①最小二乘法
?②极大似然估计法
?③交叉熵(计算思路和极大似然估计法不同，但化简后公式一致)
?5，反向传播
使用方法：梯度下降法
①梯度定义
?②层次分析
下面展示了如何从最后一层，依次修改上一层的参数，直到第一层
主要分为三种情况。
1)output->l层
?2）l层->l-1层
3）2层->1层
?
?
三，试验分析
试验流程图如下，这里我们仅关注红色框的内容
本次试验引入了两个CNN模块，每个块都旨在从 SMILES 字符串和蛋白质序列中学习表示。对于每个 CNN 块，我们使用了三个连续的 1D 卷积层，并增加了过滤器的数量。 第二层有两倍，第三层卷积层的过滤器数量是第一层的三倍。 卷积层之后是最大池化层。 最大池化层的最终特征被连接并馈入三个 FC 层。
本次试验使用了两个数据集合的输入：
Davis 数据集：输入为化合物和蛋白质的 (85,128) 和 (1200, 128) 维矩阵。
KIBA 数据集：输入为化合物的 (100,128) 维矩阵和蛋白质的 (1000, 128) 维矩阵。
输出：
化合物和蛋白质矩阵卷积后的结果仍然是矩阵，连接后传下DeepDTA块中。
(截取自论文DeepDTA: Deep Drug-Target Binding Affinity Prediction )
?四，代码分析
1，读取蛋白质和化合物文件，并初始化为相应的矩阵
分析：两个read，分别读入蛋白质和化合物文件数据，if os.path.exists(XXX)，判断文件是否存在，后面的if test，这里可以用是否使用test数据集，这里可以改成自己的其他数据集。
def prepare_new_data(fpath, test=True):
prots = read_proteins(fpath)
chems = read_chemicals(fpath)
Y = np.zeros((len(chems), len(prots)))
if os.path.exists(fpath + AFF_FILE):
Y = np.loadtxt(fpath + AFF_FILE)
pickle.dump(Y, open(fpath + "Y","wb"), protocol=pickle.HIGHEST_PROTOCOL)
label_row_inds, label_col_inds = np.where(np.isnan(Y)==False)
#json.dump(linepos, open(FLAGS.test_path + "csv_pos_match.txt","w"))
indic = set(range(len(label_row_inds)))
indic = sorted(indic, key=os.urandom)
if not os.path.exists(fpath + "folds/"):
os.makedirs(fpath + "folds/")
if test:
json.dump(indic, open(fpath + "folds/test_fold.txt","w"))
else:
json.dump(indic, open(fpath + "folds/train_fold.txt","w"))2，读取化合物文件，得到一个化合物对象
分析：python语法with打开文件，用到了两个for循环遍历，对数据规范处理后其次填入矩阵中
def read_chemicals(datafolder):
counter =0
filepath = datafolder + CHEM_FILE
chemicals = {}
with open(filepath) as file:
next(file)
for row in file:
chem_id = row.split('\t')[0]
smiles = (row.split('\t')[1]).strip()
chemicals[chem_id] = smiles
counter +=1
print("%d number(s) of chemical(s)" % counter)
json.dump(chemicals, open(datafolder + 'ligands.txt', 'w'))
return chemicals3，读取蛋白质文件，得到一个蛋白质对象
?分析：和上文规范处理化合物对象操作一致
def read_proteins(datafolder):
proteins = {}
counter =0
fa=""
filename = datafolder + PROT_FILE
print(filename)
with open("C:\\Users\\86187\\Desktop\\DTI预测工作\\DeepDTA Deep Drug-Target Binding Affinity Prediction\\DeepDTA\\DeepDTA\\deepdta-toy\\data\\mytest\\"+filename) as f:
fa = f.readlines()
idindex=[]
for i, line in enumerate(fa):
if ">" in line:
idindex.append(i)
idindex.append(i)
for i, idx in enumerate(idindex):
if i < len(idindex)-1:
idx1 = idindex[i+1]
info = fa[idx].split()
pid = info[0][4:10]
seq = "".join(fa[idx+1:idx1])
seq = seq.replace("\n","")
proteins[pid] = seq
counter +=1
print("%d number(s) of protein(s)" % counter)
json.dump(proteins, open(datafolder + 'proteins.txt', 'w'))
return proteins4，选定数据集，将化合物和蛋白质分别规范化成相应规格的矩阵
分析：调用内置的charseqset_size和charsmiset_size方法初始化FLAGS的charseqset_size和charsmiset_size参数。
?
dataset = DataSet( fpath = FLAGS.train_path,
fpath_test = FLAGS.test_path,
setting_no = FLAGS.problem_type,
seqlen = FLAGS.max_seq_len,
smilen = FLAGS.max_smi_len,
need_shuffle = False )
# set character set size
FLAGS.charseqset_size = dataset.charseqset_size
FLAGS.charsmiset_size = dataset.charsmiset_size
#XD, XT, Y = dataset.parse_data(fpath = FLAGS.dataset_path)
tr_XD, tr_XT, tr_Y, te_XD, te_XT, te_Y = dataset.parse_train_test_data(FLAGS)
tr_XD = np.asarray(tr_XD)
tr_XT = np.asarray(tr_XT)
tr_Y = np.asarray(tr_Y)
te_XD = np.asarray(te_XD)
te_XT = np.asarray(te_XT)
te_Y = np.asarray(te_Y)
?5，部分运行结果
分析：
如图：训练药物数据集大小11902，蛋白质大小1353，本次测试用2批次的药物和2批次的蛋白质进行试验
五，总结
因为CNN提取特征仅为该项目的第一部分，且在计算之前，需要对数据进行处理，由于CNN本身系统知识比较多，本周主要花时间先去学习了CNN先关知识，而项目中本段仅为一个中间值，并未有太多过程结果的输出。
在接下来的博客中，将会对项目中更多的关键代码进行分析。