[python][deepchem]Deep learning for the Life Sciences, python library, tutorial

1. 생명과학을 위한 딥러닝

2. install

3. tutorial

---

1. 생명과학을 위한 딥러닝

- from ChatGPT

『생명과학을 위한 딥러닝』은 딥러닝과 생명과학 분야의 교차점을 탐구하는 책이다. Bharath Ramsundar, Peter Eastman, Patrick Walters 및 Vijay Pande가 작성했으며 2019년에 출판되었습니다.

이 책은 딥 러닝에 대한 포괄적인 소개와 약물 발견, 유전체학, 단백질 구조 예측과 같은 생명 과학의 다양한 문제에 대한 적용을 제공합니다. 기계 학습 및 프로그래밍에 대한 기본적인 이해가 있는 독자를 위해 설계되었으며 실습 예제 및 코드 스니펫을 통해 딥 러닝에 대한 실용적인 접근 방식을 제공합니다.

책은 세 부분으로 나뉩니다.
첫 번째 부분에서는 딥 러닝과 생명 과학에서의 응용 프로그램에 대한 소개와 책에서 사용된 도구 및 프레임워크에 대한 개요를 제공합니다.
두 번째 부분은 약물 발견 및 단백질 구조 예측과 같은 생명 과학에서 딥 러닝의 특정 응용 프로그램에 중점을 둡니다.  세 번째 부분에서는 생명 과학에서 실제 문제를 해결하는 데 딥 러닝을 사용하는 방법을 설명하는 일련의 사례 연구를 제공합니다.

전반적으로 "생명 과학을 위한 딥 러닝"은 생명 과학 문제에 딥 러닝을 적용하는 데 관심이 있는 모든 사람에게 유용한 리소스입니다. 실용적인 접근 방식과 실제 응용 프로그램에 중점을 두어 연구자, 학생 및 실무자 모두에게 유용한 가이드가 됩니다.

---

- 실습 코드

https://github.com/AcornPublishing/dl-life-sciences

GitHub - AcornPublishing/dl-life-sciences: 생명과학을 위한 딥러닝 [생물학, 유전체학, 신약 개발에 적용하

---

2. install

- pip install

!pip install --pre deepchem[tensorflow]

---

- version check

import deepchem as dc
dc.__version__

---

3. tutorial (p44-55)

- 기본 데이터셋 만들어 보기

1) library import

import deepchem as dc
import numpy as np

---

2) array 생성

x = np.random.random((4, 5))
y = np.random.random((4, 1))

---

3) array 확인

x

y

---

4) dataset으로 합쳐주기

dataset = dc.data.NumpyDataset(x,y)

---

5) 생성된 dataset과 array가 같은지 확인해보기

print(np.array_equal(x,dataset.X))
print(np.array_equal(y,dataset.y))

---

- 독성 분자 예측 모델 만들기

1) import

import numpy as np
import deepchem as dc

---

2) dataset load

tox21_tasks, tox21_datasets, transformers = dc.molnet.load_tox21()

---

3) dataset check

tox21_tasks

tox21_datasetsb

---

4) train, valid, test dataset 

train_dataset, valid_dataset, test_dataset = tox21_datasets

---

5) shape check

train_dataset.X.shape
valid_dataset.X.shape
test_dataset.X.shape

 

np.shape(train_dataset.y)
np.shape(valid_dataset.y)
np.shape(test_dataset.y)

---

6) transformers check

transformers

---

7) model load

model = dc.models.MultitaskClassifier(
    n_tasks=12, n_features=1024, layer_sizes=[1000]
)

---

8) model fit

model.fit(train_dataset, nb_epoch=10)

---

9) metric 계산식 설정

metric = dc.metrics.Metric(dc.metrics.roc_auc_score, np.mean)

---

10) train, test 에서 score 계산

train_scores = model.evaluate(train_dataset, [metric], transformers)
test_scores = model.evaluate(test_dataset, [metric], transformers)

---

11) performance check

print(train_scores)
print(test_scores)