add mole predcit module

Data/mole/README.md

@@ -0,0 +1,163 @@
+## convert old xgboots pickle format
+
+```bash
+cd Data/mole/pretrained_model/model_ginconcat_btwin_100k_d8000_l0.0001
+ipython
+```
+
+```python
+import xgboost as xgb
+import pickle
+from pathlib import Path
+ckpt = Path('MolE-XGBoost-08.03.2024_14.20.pkl')
+out_ckpt = Path('./')
+
+# 加载旧模型
+with open(ckpt, 'rb') as f:
+    model = pickle.load(f)
+
+# 用新格式保存（推荐）
+model.get_booster().save_model(out_ckpt.joinpath('MolE-XGBoost-08.03.2025_10.17.json'))
+
+# 或者继续用pickle但清晰格式
+booster = model.get_booster()
+booster.feature_names = None
+with open(out_ckpt.joinpath('MolE-XGBoost-08.03.2025_10.17.pkl'), 'wb') as f:
+    pickle.dump(model, f)
+```
+
+## 完整预测流程
+
+```mermaid
+SMILES 分子（输入CSV文件）
+    ↓
+[MolE 模型]
+    ├── config.yaml（模型配置）
+    └── model.pth（模型权重）
+    ↓
+分子特征表示（1000维向量）
+    ↓
+构建"分子-菌株对"（笛卡尔积）
+    └── maier_screening_results.tsv.gz（菌株列表）
+    ↓
+[XGBoost 模型]
+    └── MolE-XGBoost-08.03.2025_10.17.json（或.pkl）
+    ↓
+对每一对预测：是否抑制生长
+    ↓
+获得原始预测结果（对每个菌株的预测）
+    ↓
+[聚合分析]
+    ├── maier_screening_results.tsv.gz（菌株列表）
+    └── strain_info_SF2.xlsx（革兰染色信息）
+    ↓
+最终预测结果
+    ↓
+输出CSV文件
+```
+
+## 所需文件清单
+
+| 步骤 | 文件名 | 用途 | 备注 |
+|------|--------|------|------|
+| **MolE 模型** | `config.yaml` | 定义MolE网络结构 | YAML配置文件 |
+| | `model.pth` | MolE模型权重 | PyTorch格式 |
+| **构建菌株对** | `maier_screening_results.tsv.gz` | 提供40个菌株列表 | 压缩的TSV文件 |
+| **XGBoost 预测** | `MolE-XGBoost-08.03.2025_10.17.json` | 预测分子-菌株对 | JSON格式（新）或PKL格式（旧） |
+| **聚合分析** | `maier_screening_results.tsv.gz` | 菌株名称和统计 | 复用（与构建菌株对同一文件） |
+| | `strain_info_SF2.xlsx` | 革兰染色分类信息 | Excel格式 |
+
+## 文件存放位置
+
+所有文件应位于：
+```
+Data/mole/pretrained_model/model_ginconcat_btwin_100k_d8000_l0.0001/
+├── config.yaml
+├── model.pth
+├── MolE-XGBoost-08.03.2025_10.17.json
+├── maier_screening_results.tsv.gz
+└── strain_info_SF2.xlsx
+```
+
+## 代码中的对应关系
+
+```python
+# PredictionConfig 中的配置
+@dataclass
+class PredictionConfig:
+    xgboost_model_path = "MolE-XGBoost-08.03.2025_10.17.json"
+    mole_model_path = "model_ginconcat_btwin_100k_d8000_l0.0001"  # 目录（包含config.yaml + model.pth）
+    strain_categories_path = "maier_screening_results.tsv.gz"
+    gram_info_path = "strain_info_SF2.xlsx"
+```
+
+## 数据流向总结
+
+1. **输入**：CSV文件中的SMILES分子
+2. **MolE处理**：分子 → 1000维特征向量
+3. **菌株配对**：1个分子 × 40个菌株 = 40对
+4. **XGBoost预测**：每对 → 抑制概率
+5. **聚合分析**：统计和分类（按革兰染色）
+6. **输出**：CSV文件中的预测结果（包含8个指标）
+
+## 参考文件
+
+1. `maier_screening_results.tsv.gz` - 菌株列表和筛选数据
+
+```python
+self.maier_screen = pd.read_csv(
+    self.config.strain_categories_path, sep='\t', index_col=0
+)
+self.strain_ohe = self._prep_ohe(self.maier_screen.columns)  # 独热编码
+```
+
+包含所有已知菌株的名称（40个菌株）
+用于与每个分子做笛卡尔积（分子×菌株），生成所有"分子-菌株对"
+XGBoost为每一对预测：是否能抑制该菌株的生长
+
+2. `strain_info_SF2.xlsx` - 革兰染色信息
+
+```python
+self.maier_strains = pd.read_excel(self.config.gram_info_path, ...)
+gram_dict = self.maier_strains[["Gram stain"]].to_dict()["Gram stain"]
+```
+
+记录每个菌株的革兰染色属性：阳性(positive) 或 阴性(negative)
+用于将预测结果按革兰染色分类统计
+
+预测结果示例：
+某分子 mol1 的预测结果会包括：
+
+```python
+BroadSpectrumResult(
+    chem_id='mol1',
+    apscore_total=2.5,              # 对所有菌株的抗菌分数
+    apscore_gnegative=2.1,          # 仅对革兰阴性菌的分数
+    apscore_gpositive=2.8,          # 仅对革兰阳性菌的分数
+    ginhib_total=25,                # 抑制的菌株总数
+    ginhib_gnegative=12,            # 抑制的革兰阴性菌数
+    ginhib_gpositive=13,            # 抑制的革兰阳性菌数
+    broad_spectrum=1                # 是否广谱（≥10个菌株）
+)
+```
+
+结果解读：
+
+## BroadSpectrumResult 字段说明表
+
+| 字段名 | 数据类型 | 计算方法 | 含义说明 |
+|--------|----------|----------|---------|
+| `chem_id` | 字符串 | 输入的化合物标识符 | 化合物的唯一标识，如 "mol1"、"compound_001" 等 |
+| `apscore_total` | 浮点数 | `log(gmean(所有40个菌株的预测概率))` | 总体抗菌潜力分数：所有菌株预测概率的几何平均数的对数。值越高表示抗菌活性越强；负值表示整体抑制概率较低 |
+| `apscore_gnegative` | 浮点数 | `log(gmean(革兰阴性菌株的预测概率))` | 革兰阴性菌抗菌潜力分数：仅针对革兰阴性菌株计算的抗菌分数。用于判断对阴性菌的特异性 |
+| `apscore_gpositive` | 浮点数 | `log(gmean(革兰阳性菌株的预测概率))` | 革兰阳性菌抗菌潜力分数：仅针对革兰阳性菌株计算的抗菌分数。用于判断对阳性菌的特异性 |
+| `ginhib_total` | 整数 | `sum(所有菌株的二值化预测)` | 总抑制菌株数：预测被抑制的菌株总数（概率 ≥ 0.04374 的菌株数量）。范围 0-40 |
+| `ginhib_gnegative` | 整数 | `sum(革兰阴性菌株的二值化预测)` | 革兰阴性菌抑制数：预测被抑制的革兰阴性菌株数量。范围 0-20 |
+| `ginhib_gpositive` | 整数 | `sum(革兰阳性菌株的二值化预测)` | 革兰阳性菌抑制数：预测被抑制的革兰阳性菌株数量。范围 0-20 |
+| `broad_spectrum` | 整数 (0/1) | `1 if ginhib_total >= 10 else 0` | 广谱抗菌标志：如果抑制菌株数 ≥ 10，判定为广谱抗菌药物（1），否则为窄谱（0） |
+
+说明
+
+- **apscore_* 类字段**：基于预测概率的连续评分，反映抗菌活性强度
+- **ginhib_* 类字段**：基于二值化预测的离散计数，反映抑制范围
+- **broad_spectrum**：基于 ginhib_total 的布尔判定，快速标识广谱特性

Data/mole/pretrained_model/model_ginconcat_btwin_100k_d8000_l0.0001/config.yaml

@@ -0,0 +1,28 @@
+batch_size: 1000                         # batch size
+warm_up: 10                             # warm-up epochs
+epochs: 1000                             # total number of epochs
+
+load_model: None                        # resume training
+eval_every_n_epochs: 1                  # validation frequency
+save_every_n_epochs: 5                  # automatic model saving frequecy
+
+fp16_precision: False                   # float precision 16 (i.e. True/False)
+init_lr: 0.0005                         # initial learning rate for Adam
+weight_decay: 1e-5                      # weight decay for Adam
+gpu: cuda:0                             # training GPU 
+
+model_type: gin_concat                         # GNN backbone (i.e., gin/gcn)
+model: 
+  num_layer: 5                          # number of graph conv layers
+  emb_dim: 200                          # embedding dimension in graph conv layers
+  feat_dim: 8000                          # output feature dimention
+  drop_ratio: 0.0                         # dropout ratio
+  pool: add                            # readout pooling (i.e., mean/max/add)
+
+dataset:
+  num_workers: 50                       # dataloader number of workers
+  valid_size: 0.1                      # ratio of validation data
+  data_path: data/pubchem_data/pubchem_100k_random.txt # path of pre-training data
+
+loss:
+  l: 0.0001 # Lambda parameter