SIME/Data/mole

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