SIME/Data/mole/README.md

convert old xgboots pickle format

cd Data/mole/pretrained_model/model_ginconcat_btwin_100k_d8000_l0.0001
ipython

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

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

# 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

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

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：

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

---

菌株级别预测详情

使用 --include-strain-predictions 参数

启用此参数后，输出将包含每个分子对所有 40 个菌株的详细预测数据。

命令示例：

python utils/mole_predictor.py input.csv output.csv --include-strain-predictions

菌株级别输出格式

每个分子会产生 40 行数据，每行对应一个菌株的预测结果：

列名	数据类型	说明	示例值
pred_id	字符串	预测ID，格式为 chem_id:strain_name	mol1:Akkermansia muciniphila (NT5021)
chem_id	字符串	化合物标识符	mol1
strain_name	字符串	菌株名称	Akkermansia muciniphila (NT5021)
antimicrobial_predictive_probability	浮点数	XGBoost 预测的抗菌概率（0-1）	0.000102
no_growth_probability	浮点数	不抑制的概率（= 1 - antimicrobial_predictive_probability）	0.999898
growth_inhibition	整数 (0/1)	二值化抑制结果（1=抑制，0=不抑制）	0
gram_stain	字符串	革兰染色类型	negative 或 positive

完整的 40 种测试菌株列表

革兰阴性菌（23 种）

序号	菌株名称	NT编号
1	Akkermansia muciniphila	NT5021
2	Bacteroides caccae	NT5050
3	Bacteroides fragilis (ET)	NT5033
4	Bacteroides fragilis (NT)	NT5003
5	Bacteroides ovatus	NT5054
6	Bacteroides thetaiotaomicron	NT5004
7	Bacteroides uniformis	NT5002
8	Bacteroides vulgatus	NT5001
9	Bacteroides xylanisolvens	NT5064
10	Escherichia coli (3 isolates + Nissle)	NT5028, NT5024, NT5030, NT5011
11	Klebsiella pneumoniae	NT5049
12	Parabacteroides distasonis	NT5023
13	Phocaeicola vulgatus	NT5001
14	其他肠道革兰阴性菌	...

革兰阳性菌（17 种）

序号	菌株名称	NT编号
1	Bifidobacterium adolescentis	NT5022
2	Bifidobacterium longum	NT5067
3	Bifidobacterium pseudocatenulatum	NT5058
4	Clostridium bolteae	NT5005
5	Clostridium innocuum	NT5026
6	Clostridium ramosum	NT5027
7	Clostridium scindens	NT5029
8	Clostridium symbiosum	NT5006
9	Enterococcus faecalis	NT5034
10	Enterococcus faecium	NT5043
11	Lactobacillus plantarum	NT5035
12	Lactobacillus reuteri	NT5032
13	Lactobacillus rhamnosus	NT5037
14	Streptococcus parasanguinis	NT5041
15	Streptococcus salivarius	NT5040
16	其他肠道革兰阳性菌	...

注: 完整列表可从 maier_screening_results.tsv.gz 和 strain_info_SF2.xlsx 文件中查看。

数据访问方式

1. CSV 文件读取

import pandas as pd

# 读取包含菌株预测的结果
df = pd.read_csv('output_with_strains.csv')

# 查看某个分子的所有菌株预测
mol1_strains = df[df['chem_id'] == 'mol1']
print(f"分子 mol1 的预测:")
print(mol1_strains[['strain_name', 'antimicrobial_predictive_probability', 'growth_inhibition']])

# 筛选被抑制的菌株
inhibited = mol1_strains[mol1_strains['growth_inhibition'] == 1]
print(f"\n被抑制的菌株数: {len(inhibited)}")
print(inhibited[['strain_name', 'antimicrobial_predictive_probability']])

2. Python API 访问

from models import ParallelBroadSpectrumPredictor, MoleculeInput

predictor = ParallelBroadSpectrumPredictor()
molecule = MoleculeInput(smiles="CCO", chem_id="ethanol")

# 包含菌株级别预测
result = predictor.predict_batch([molecule], include_strain_predictions=True)[0]

# 访问菌株预测 DataFrame
strain_df = result.strain_predictions
print(f"菌株预测数据形状: {strain_df.shape}")  # (40, 7)
print(f"列名: {strain_df.columns.tolist()}")

# 提取预测概率向量（用于强化学习）
probabilities = strain_df['antimicrobial_predictive_probability'].values
print(f"预测概率向量形状: {probabilities.shape}")  # (40,)

# 筛选特定革兰染色类型
gram_negative = strain_df[strain_df['gram_stain'] == 'negative']
print(f"革兰阴性菌预测数: {len(gram_negative)}")

# 转换为类型安全的列表（可选）
strain_list = result.to_strain_predictions_list()
for strain_pred in strain_list[:3]:
    print(f"{strain_pred.strain_name}: {strain_pred.antimicrobial_predictive_probability:.6f}")

强化学习场景应用

状态表示

# 将 40 个菌株的预测概率作为状态向量
state = result.strain_predictions['antimicrobial_predictive_probability'].values
# state.shape = (40,)

# 或者包含更多特征
state_features = result.strain_predictions[[
    'antimicrobial_predictive_probability',
    'growth_inhibition'
]].values
# state_features.shape = (40, 2)

奖励函数设计

def calculate_reward(strain_predictions_df):
    """
    基于菌株级别预测计算奖励
    
    Args:
        strain_predictions_df: 包含 40 个菌株预测的 DataFrame
        
    Returns:
        reward: 标量奖励值
    """
    # 方案1: 基于抑制菌株数
    reward = strain_predictions_df['growth_inhibition'].sum() / 40.0
    
    # 方案2: 基于预测概率
    reward = strain_predictions_df['antimicrobial_predictive_probability'].mean()
    
    # 方案3: 加权奖励（考虑革兰染色）
    gram_negative_score = strain_predictions_df[
        strain_predictions_df['gram_stain'] == 'negative'
    ]['antimicrobial_predictive_probability'].mean()
    
    gram_positive_score = strain_predictions_df[
        strain_predictions_df['gram_stain'] == 'positive'
    ]['antimicrobial_predictive_probability'].mean()
    
    reward = 0.6 * gram_negative_score + 0.4 * gram_positive_score
    
    return reward

数据可视化

import matplotlib.pyplot as plt
import seaborn as sns

# 读取菌株预测数据
strain_df = result.strain_predictions

# 按预测概率排序
strain_df_sorted = strain_df.sort_values('antimicrobial_predictive_probability', ascending=False)

# 绘制柱状图
plt.figure(figsize=(15, 6))
plt.bar(range(len(strain_df_sorted)), 
        strain_df_sorted['antimicrobial_predictive_probability'],
        color=['red' if x == 1 else 'blue' for x in strain_df_sorted['growth_inhibition']])
plt.xlabel('菌株索引')
plt.ylabel('抗菌预测概率')
plt.title('分子对 40 种菌株的抗菌活性预测')
plt.xticks(rotation=90)
plt.tight_layout()
plt.show()

# 按革兰染色分组可视化
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

for idx, gram_type in enumerate(['negative', 'positive']):
    data = strain_df[strain_df['gram_stain'] == gram_type]
    axes[idx].barh(data['strain_name'], data['antimicrobial_predictive_probability'])
    axes[idx].set_xlabel('预测概率')
    axes[idx].set_title(f'革兰{gram_type}菌')
    axes[idx].tick_params(axis='y', labelsize=8)

plt.tight_layout()
plt.show()

---

性能和存储建议

• 聚合结果: 每个分子 1 行，适合快速筛选
• 菌株级别预测: 每个分子 40 行，适合详细分析和强化学习
• 存储空间: 包含菌株预测的文件约为仅聚合结果的 40 倍大小
• 推荐做法:
  • 初筛时使用聚合结果
  • 对候选分子使用菌株级别预测进行深入分析