embedding_atlas/README.md

设置启动时候的环境准备

准备 uv 虚拟环境与国内 huggingface mirror 镜像

UV_PYTHON=python3.12 uv venv .venv
source .venv/bin/activate
uv pip install embedding-atlas ipykernel anywidget notebook rdkit pandas selfies==2.1.1 -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
streamlit run app.py
export HF_HUB_OFFLINE=1
export HF_ENDPOINT=https://hf-mirror.com

命令行生成嵌入可视化交互

embedding-atlas data/drugbank_pre_filtered_mordred_qed_id_selfies.csv --text smiles
embedding-atlas data/drugbank_pre_filtered_mordred_qed_id_selfies.csv --export-application data/my_visualization.zip

embedding-atlas命令行使用方法

本地文件：embedding-atlas dataset.parquet
Hugging Face 数据集：embedding-atlas huggingface_org/dataset_name
指定文本列：embedding-atlas dataset.parquet --text text_column
预计算坐标：embedding-atlas dataset.parquet --x projection_x --y projection_y

划分 MolGen 第一轮微调数据集

python script/split_drugbank.py \
  --in-csv data/drugbank_pre_filtered_mordred_qed_id_selfies.csv \
  --out-dir splits_v2 --seed 20250922 \
  --train-ratio 0.8 --val-ratio 0.1 --test-ratio 0.1 \
  --n_qed_bins 5 --n_mw_bins 5 --largest-first

产物：split_train.csv / split_val.csv / split_test.csv 其中 split_val/test 中的分子绝不出现在训练，且整体 QED/MW 分布接近训练集，便于后续“用未见参考分子做条件生成并观察邻域覆盖”。

合并分割的数据集进行可视化

合并数据集

python3 ./script/merge_splits.py --input-dir splits_v2/ --output data/drugbank_split_merge.csv

可视化

embedding-atlas data/drugbank_split_merge.csv --text smiles