Drug-target binding affinity predict with transformerCPI

空间站广场

论文

Notebooks

比赛

课程

Apps

我的主页

我的Notebooks

我的论文库

我的足迹

我的工作空间

任务

节点

文件

数据集

镜像

项目

数据库

公开

Drug-target binding affinity predict with transformerCPI

AI4S

nickkk

发布于 2023-07-25

数据集

AI4SCUP-CNS-BBB(v1)

点击：开始链接
选择gpu镜像 tcpi:notebook

代码

文本

Download source code from github

代码

文本

[1]

! git clone https://github.com/lifanchen-simm/transformerCPI2.0.git

Cloning into 'transformerCPI2.0'...
remote: Enumerating objects: 77, done.
remote: Counting objects: 100% (77/77), done.
remote: Compressing objects: 100% (76/76), done.
remote: Total 77 (delta 36), reused 2 (delta 0), pack-reused 0
Unpacking objects: 100% (77/77), 1.35 MiB | 680.00 KiB/s, done.

代码

文本

rename

代码

文本

[3]

! mv transformerCPI2.0/ tcpi

代码

文本

copy prepared checkpoint

代码

文本

[4]

! cp /root/transformerCPI2.0/tcpi.pt .

代码

文本

select kernel tcpi from upper right

代码

文本

[1]

import sys

sys.path.append('./tcpi/')

代码

文本

[5]

import torch

from predict import pack

from featurizer import featurizer

model = torch.load('tcpi.pt').to(0)

代码

文本

[8]

sequence = "MPHSSLHPSIPCPRGHGAQKAALVLLSACLVTLWGLGEPPEHTLRYLVLHLA" # Example protein sequence

smiles = "CS(=O)(C1=NN=C(S1)CN2C3CCC2C=C(C4=CC=CC=C4)C3)=O" # Example compound

代码

文本

Featurizer the data

代码

文本

[9]

compounds, adjacencies, proteins = featurizer(smiles, sequence)

代码

文本

predict

代码

文本

[10]

dataset = list(zip(compounds, adjacencies, proteins))

model.eval()

with torch.no_grad():

for data in dataset:

adjs, atoms, proteins = [], [], []

atom, adj, protein= data

adjs.append(adj)

atoms.append(atom)

proteins.append(protein)

data = pack(atoms,adjs,proteins, 0) ### do some data transfer

predicted_scores = model(data)

print(predicted_scores)

[0.6602165]

代码

文本

AI4S

点个赞吧