计算化学公社
标题: Uni-QSAR@Apps｜自动化分子属性预测工具 [打印本页]
作者Author: farfarcheng 时间: 2023-12-7 16:56
标题: Uni-QSAR@Apps｜自动化分子属性预测工具
分子属性预测工具 Uni-QSAR
随着人工智能技术的发展，通过数据驱动方式来构建化学结构与目标属性之间的定量关系（QSAR)引发广泛关注，这种方法基于积累的历史数据，利用AI技术去构建分子结构与其目标性质的关系，从而帮助研发人员对目标集合的分子性质进行合理高效的预测，在分子活性评估、虚拟筛选等领域被广泛应用。深势科技团队发布的Uni-Mol based Auto-QSAR (Uni-QSAR)是一套基于Uni-Mol 模型开发的自动化分子属性预测工具，可用于自动构建模型来拟合化合物的化学结构与目标属性之间定量关系。
(, 下载次数 Times of downloads: 12)
Uni-QSAR 是一款性能优异且用户友好的分子属性建模工具，通过端到端的工作流自动构建方式极大地简化了分子属性预测建模的流程。Uni-QSAR通过整合分子不同维度的表征（1D/2D表征），并结合3D分子表征预训练模型Uni-Mol，构建模型来拟合化学结构与目标性质之间定量关系。相对于目前主流的 QSAR 工具，在 ADMET benchmark上21/22 个预测任务都取得了 SOTA 的结果。此外，Uni-QSAR 在更为通用的分子属性预测场景里面表现同样优异，已经成功应用于材料、化工、石油等领域的分子属性预测，并且支持多场景的预测，包括分类、回归以及多标签任务，对于缺失值和异常值可以进行自动化的处理。
(, 下载次数 Times of downloads: 12)
读到这里，想要学习和了解更多的小伙伴可以去 Notebook 案例广场一键运行 Uni-QSAR 和 Uni-Mol 的实践案例。
定量构效关系(QSAR)模型从0到1 & Uni-Mol入门实践(回归任务)
Uni-QSAR@Apps
目前，Uni-QSAR 已经成功地应用于多个国内外的知名企业和高校实验室，表现出了优秀的预测能力，超过了现有的其他工具。利用 Bohrium® Apps 的快速算法上线功能，我们同步搭建一版在线体验版本，基于 Uni-Mol 的轻量版 QSAR 属性预测工具。
您可以方便地在 Bohrium® Apps 的页面上，按照下面的流程提交您的分子属性训练和预测的作业：
2.上传训练数据和预测数据
(, 下载次数 Times of downloads: 11)
3.选择任务类型
4.选择训练数据的输入列和目标列（待预测的性质列）
5.选择预测数据的输入列和目标列（待预测的性质列，预测数据此列可为空）
6.选择相关训练参数，包括最大轮数、学习率、单个iter的数量大小、划分方法等
7.选择相应的机器（暂时固定 V100）
(, 下载次数 Times of downloads: 11)
8.成功提交后可以点击任务详情查看具体运行情况
9.运行结束后可以看到
a.5 fold 的 cross validation结果
b.测试集的指标效果
(, 下载次数 Times of downloads: 15)
如想开启完整版 Uni-QSAR， 亦或是不仅希望使用 Uni-QSAR 开展属性预测工作，还想开展例如 MM-GB/PBSA、自由能微扰 FEP 计算、虚拟筛选等综合评估和分析工作，欢迎联系我们。
阅读原文加入「Uni-QSAR 交流群」，与算法开发团队碰撞你的思考。
关于 Bohrium® Apps
Bohrium® Apps 是深势科技通过 MLOps 等新一代开发工具和基础设施，让算法代码可以快速上线为易用的应用，让新想法的验证效率从几个月缩短到几天。
开发者只需简单地修改算法运行入口的 Argument Parser 相关代码，便可以自动生成算法运行所需的丰富用户界面以及完整的 Job 管理运行、用户管理、数据管理、模型管理、性能评估、付费授权和结果可视化等周边全整套功能。
(, 下载次数 Times of downloads: 12)
对于 App 用户来说，简单四个步骤提交任务，便可快速返回结果：
1. IO Options：配置输入文件
2. Job Options：设置变量
3. System Options：配置系统级参数
4. Review：所有配置参数的摘要
Reference:
[1] https://app.bohrium.dp.tech/uni-qsar/[2] Gao Z, Ji X, Zhao G, et al. Uni-QSAR: an Auto-ML Tool for Molecular Property Prediction. arXiv preprint arXiv:2304.12239, 2023.
[3] Zhou G, Gao Z, Ding Q, et al. Uni-Mol: a universal 3D molecular representation learning framework[J]. 2023.
| 欢迎光临 计算化学公社 (http://bbs.keinsci.com/) |
Powered by Discuz! X3.3 |