90 lines
3.5 KiB
Markdown
90 lines
3.5 KiB
Markdown
Your Filtered Macrolactone Database
|
||
|
||
11036 compounds have been filtered from MacrolactoneDB based on your specified inputs.
|
||
|
||
```bash
|
||
uv run embedding-atlas data/ring12_20/temp_with_macrocycles_with_ecfp4.parquet --text ecfp4_binary
|
||
uv run embedding-atlas data/ring12_20/temp_with_macrocycles_with_ecfp4.parquet --text tanimoto_top_neighbors
|
||
uv run embedding-atlas data/ring12_20/temp_with_macrocycles_with_ecfp4.parquet --text smiles
|
||
```
|
||
|
||
## 嵌入和投影优化
|
||
|
||
### projection_x 和 projection_y 的生成过程
|
||
|
||
UMAP 降维计算
|
||
这两个坐标是通过 _run_umap() 函数生成的，该函数使用 UMAP 算法将高维嵌入向量降维到 2D 空间 projection.py:64-88 。
|
||
|
||
具体流程如下：
|
||
|
||
计算最近邻 - 首先使用 nearest_neighbors() 计算每个点的 k 个最近邻 projection.py:76-83
|
||
UMAP 投影 - 然后使用预计算的邻居信息进行 UMAP 降维 projection.py:85-86
|
||
坐标分配 - 结果的第一列成为 projection_x，第二列成为 projection_y projection.py:259-260
|
||
默认参数设置
|
||
UMAP 算法使用以下默认参数：
|
||
|
||
邻居数量: 15 个最近邻 projection.py:74
|
||
距离度量: cosine 距离 projection.py:73
|
||
在不同数据类型中的应用
|
||
文本数据处理
|
||
对于您的 SMILES 分子数据，系统首先使用 SentenceTransformers 生成文本嵌入，然后通过 UMAP 降维 projection.py:251-260 。
|
||
|
||
预计算向量处理
|
||
如果您有预计算的 ECFP4 向量，系统会直接对这些向量进行 UMAP 降维 projection.py:311-318 。
|
||
|
||
可视化中的作用
|
||
在前端可视化界面中，这些坐标用作：
|
||
|
||
散点图的 X/Y 轴 - 每个数据点在 2D 空间中的位置
|
||
颜色编码的基础 - 可以根据坐标值进行颜色映射 embedding-atlas.md:68-70
|
||
演示数据示例
|
||
在项目的演示数据生成中，可以看到相同的处理流程：使用 SentenceTransformers 计算嵌入，然后通过 UMAP 生成 projection_x 和 projection_y 坐标 generate_demo_data.py:42-43 。
|
||
|
||
Notes
|
||
|
||
这些投影坐标的质量很大程度上取决于原始嵌入的质量和 UMAP 参数的选择。对于化学分子数据，使用专门的分子嵌入模型通常会产生更有意义的 2D 投影，其中化学结构相似的分子会在投影空间中聚集在一起。
|
||
|
||
### UMAP 参数调优
|
||
|
||
您可以通过调整 UMAP 参数来获得更好的可视化效果：
|
||
|
||
```bash
|
||
# 调整邻居数量和距离参数
|
||
uv run embedding-atlas data/ring12_20/temp_with_macrocycles_with_ecfp4.parquet --text smiles \
|
||
--umap-n-neighbors 30 \
|
||
--umap-min-dist 0.1 \
|
||
--umap-metric cosine \
|
||
--umap-random-state 42
|
||
```
|
||
|
||
## 自定义嵌入模型
|
||
|
||
对于化学分子数据，您可能想使用专门的模型：
|
||
|
||
并且符合：
|
||
|
||
模型支持范围
|
||
embedding-atlas 支持两种类型的自定义模型：
|
||
|
||
文本嵌入模型
|
||
对于文本数据（如您的 SMILES 分子数据），系统使用 SentenceTransformers 库 projection.py:118-126 。这意味着您可以使用任何与 SentenceTransformers 兼容的 Hugging Face 模型。
|
||
|
||
图像嵌入模型
|
||
对于图像数据，系统使用 transformers 库的 pipeline 功能 projection.py:168-180 。
|
||
|
||
模型格式要求
|
||
SentenceTransformers 兼容性
|
||
文本模型必须与 SentenceTransformers 库兼容 projection.py:98-99 。这包括：
|
||
|
||
专门训练用于句子嵌入的模型
|
||
支持 .encode() 方法的模型
|
||
能够输出固定维度向量的模型
|
||
|
||
|
||
```bash
|
||
uv run embedding-atlas data/ring12_20/temp_with_macrocycles_with_ecfp4.parquet --text smiles \
|
||
--umap-n-neighbors 30 \
|
||
--umap-min-dist 0.1 \
|
||
--umap-metric cosine \
|
||
--umap-random-state 42
|
||
``` |