PaddleHelix 分子模型上手指南GeoGNN 与 SD VAE 两个核心组件从原理到跑通【免费下载链接】PaddleHelixBio-Computing Platform Featuring Large-Scale Representation Learning and Multi-Task Deep Learning “螺旋桨”生物计算工具集项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleHelix做药物计算的同学通常会卡在同两个地方拿到一堆分子想预测它们的性质却不知道该喂什么特征、怎么聚合手里只有少量已知分子想造出新的候选分子又怕生成出来的结构根本不合法。PaddleHelix 恰好把这两件事拆给了两个核心组件——pahelix/model_zoo/gem_model.py 里的 GeoGNN 负责看懂分子pahelix/model_zoo/sd_vae_model.py 里的 SD VAESyntax-Directed VAE基于语法的变分自编码器负责生成分子。下面用仓库里真实存在的几个文件把这两个组件的原理和跑法一次讲清楚。它是什么预测和生成两个组件各管一头一句话定位pahelix/model_zoo/是 PaddleHelix 的模型库model zoo仓库里开箱即用的模型集合GeoGNN 与 SD VAE 是其中两条最常用的模型线。GeoGNN分子表示模型把分子读成图并学习整体表征GEM基于 GeoGNN 的自监督预训练任务集SD VAE语法约束的分子生成模型产出新 SMILESfeaturizer把分子转成图结构的翻译官finetune_*.py拿预训练权重做下游微调的入口它怎么工作一个读分子一个写分子GeoGNN把分子当社交网络来读GeoGNN 先把分子画成一张图原子是节点、化学键是边再额外补一张键角图。类比成读微信群聊——节点每轮更新都像把邻居发来的消息看一遍再发言仓库里这个楼层由 apps/pretrained_compound/ChemRL/GEM/model_configs/geognn_l8.json 的layer_num: 8控制。和普通图网络的区别在于它同时处理原子-键图和键角图键长、键角这些连续数值由 RBF径向基函数把数值映射成向量的小工具编码分子三维摆姿里的几何信息就进了表征。最后用均值池化readout: mean把整张图压成一个向量交给任务头做预测。在 GeoGNN 之上GEM 挂了 5 个自监督预训练任务见 model_configs/pretrain_gem.json原子上下文掩码预测Cm、功能团分类Fg、键角回归Bar、键长回归Blr、原子间距分类Adc。相当于不花一分钱标注就让模型自己学会这个分子在空间里长什么样。SD VAE让分子生成受语法约束变分自编码器VAE的一般套路是编码器把输入压成一个潜在分布解码器从分布里采样再还原。PaddleHelix 的 SD VAE 把输入换成了分子语法树CFG parse tree的决策序列先按分子文法把分子解析成写分子说明书的决策sd_vae_model.py 里的 CNNEncoder 编码这串决策、输出均值与方差再经重参数化采样出 zGRU 解码器逐步把决策还原出来。因为每一步决策都受文法规则约束PerpCalculator 里用 rule_masks 屏蔽非法选项生成结果天然更可能拼成合法分子。关键超参在 apps/molecular_generation/SD_VAE/model_config.jsonlatent_dim潜在空间维度为 56、max_decode_steps为 278、编码器类型 cnn、解码器类型 gru。怎么用起来准备 → 运行 → 验证三步准备按 installation_guide.md 装好环境GEM 依赖 paddlepaddle2.0.0、pgl2.1.5 等。运行GEM 预训练apps/pretrained_compound/ChemRL/GEM/scripts/pretrain.sh 会自动下载 demo Zinc 数据并启动pretrain.py模型落在./pretrain_models不想自己跑可以直接下官方预训练权重。SD VAE先用data_preprocessing/里的make_dataset_parallel.py、dump_cfg_trees.py把原始 SMILES 编译成二进制这一步不能省再执行 train_zinc.py 训练python make_dataset_parallel.py -info_fold ../data/data_SD_VAE/context_free_grammars \ -grammar_file .../mol_zinc.grammar -smiles_file .../250k_rndm_zinc_drugs_clean.smi验证GEM 微调完成后结果保存在./log/pretrain-$dataset/final_result脚本 scripts/finetune_class.sh、finetune_regr.shSD VAE 训练好后用 paddle_eval/sample_prior.py 从先验采样新分子官方 README 给出的基准是 valid 0.49、reconstruction accuracy 0.92可对照自己的结果。怎么选、怎么搭配GeoGNNGEMSD VAE输入分子图 三维几何需 featurizer 转换SMILES 语法树决策序列任务属性预测分类/回归分子生成、重构关键配置geognn_l8.json / pretrain_gem.jsonmodel_config.json训练脚本GEM/pretrain.pySD_VAE/train_zinc.py要预测分子性质 → 用 GEM先拿预训练权重再走 finetune_class.py分类或 finetune_regr.py回归微调。要生成新分子 → 用 SD VAE训好后从先验采样或在已知分子附近重构探索。两者能串起来SD VAE 生成 → GeoGNN 打分筛选组成生成 筛选的闭环。⚠️ 两个提醒GEM 的 demo 数据需要跑 MMFF 力场优化README 明确说单卡要数小时别期待分钟级出结果SD VAE 的数据必须先编译成二进制跳过预处理脚本会直接报错。更多细节看 docs/ 下的 API 文档和两个 README 即可。【免费下载链接】PaddleHelixBio-Computing Platform Featuring Large-Scale Representation Learning and Multi-Task Deep Learning “螺旋桨”生物计算工具集项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleHelix创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
