Torchdrug

TorchDrug

Visão Geral

TorchDrug é uma caixa de ferramentas abrangente de aprendizado de máquina baseada em PyTorch para descoberta de fármacos e ciência molecular. Aplique redes neurais de grafos, modelos pré-treinados e definições de tarefas em moléculas, proteínas e grafos de conhecimento biológico, incluindo predição de propriedades moleculares, modelagem de proteínas, raciocínio em grafos de conhecimento, geração molecular, planejamento de retrossíntese, com 40+ conjuntos de dados curados e 20+ arquiteturas de modelo.

Quando Usar Esta Skill

Esta skill deve ser usada ao trabalhar com:

Tipos de Dados:

• Cadeias SMILES ou estruturas moleculares
• Sequências de proteína ou estruturas 3D (arquivos PDB)
• Reações químicas e retrossíntese
• Grafos de conhecimento biomédicos
• Conjuntos de dados de descoberta de fármacos

Tarefas:

• Predição de propriedades moleculares (solubilidade, toxicidade, atividade)
• Predição de função ou estrutura de proteína
• Predição de ligação alvo-fármaco
• Geração de novas estruturas moleculares
• Planejamento de rotas de síntese química
• Predição de links em bases de conhecimento biomédicas
• Treinamento de redes neurais de grafos em dados científicos

Bibliotecas e Integração:

• TorchDrug é a biblioteca principal
• Frequentemente usado com RDKit para quiminformática
• Compatível com PyTorch e PyTorch Lightning
• Integra-se com AlphaFold e ESM para proteínas

Começando

Instalação

uv pip install torchdrug
# Ou com dependências opcionais
uv pip install torchdrug[full]

Exemplo Rápido

from torchdrug import datasets, models, tasks
from torch.utils.data import DataLoader

# Carregar conjunto de dados molecular
dataset = datasets.BBBP("~/molecule-datasets/")
train_set, valid_set, test_set = dataset.split()

# Definir modelo GNN
model = models.GIN(
    input_dim=dataset.node_feature_dim,
    hidden_dims=[256, 256, 256],
    edge_input_dim=dataset.edge_feature_dim,
    batch_norm=True,
    readout="mean"
)

# Criar tarefa de predição de propriedade
task = tasks.PropertyPrediction(
    model,
    task=dataset.tasks,
    criterion="bce",
    metric=["auroc", "auprc"]
)

# Treinar com PyTorch
optimizer = torch.optim.Adam(task.parameters(), lr=1e-3)
train_loader = DataLoader(train_set, batch_size=32, shuffle=True)

for epoch in range(100):
    for batch in train_loader:
        loss = task(batch)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

Capacidades Principais

1. Predição de Propriedades Moleculares

Prediga propriedades químicas, físicas e biológicas de moléculas a partir da estrutura.

Casos de Uso:

• Propriedades de semelhança a fármacos e ADMET
• Triagem de toxicidade
• Propriedades de química quântica
• Predição de afinidade de ligação

Componentes Principais:

• 20+ conjuntos de dados moleculares (BBBP, HIV, Tox21, QM9, etc.)
• Modelos GNN (GIN, GAT, SchNet)
• Tarefas PropertyPrediction e MultipleBinaryClassification

Referência: Consulte references/molecular_property_prediction.md para:

• Catálogo completo de conjuntos de dados
• Guia de seleção de modelo
• Fluxos de trabalho de treinamento e melhores práticas
• Detalhes de engenharia de atributos

2. Modelagem de Proteínas

Trabalhe com sequências, estruturas e propriedades de proteínas.

Casos de Uso:

• Predição de função enzimática
• Estabilidade e solubilidade de proteína
• Localização subcelular
• Interações proteína-proteína
• Predição de estrutura

Componentes Principais:

• 15+ conjuntos de dados de proteína (EnzymeCommission, GeneOntology, PDBBind, etc.)
• Modelos de sequência (ESM, ProteinBERT, ProteinLSTM)
• Modelos de estrutura (GearNet, SchNet)
• Múltiplos tipos de tarefas para diferentes níveis de predição

Referência: Consulte references/protein_modeling.md para:

• Conjuntos de dados específicos de proteína
• Modelos de sequência vs estrutura
• Estratégias de pré-treinamento
• Integração com AlphaFold e ESM

3. Raciocínio em Grafos de Conhecimento

Prediga elos faltantes e relações em grafos de conhecimento biológico.

Casos de Uso:

• Reposicionamento de fármacos
• Descoberta de mecanismos de doença
• Associações gene-doença
• Raciocínio biomédico multi-hop

Componentes Principais:

• KGs gerais (FB15k, WN18) e biomédicos (Hetionet)
• Modelos de embedding (TransE, RotatE, ComplEx)
• Tarefa KnowledgeGraphCompletion

Referência: Consulte references/knowledge_graphs.md para:

• Conjuntos de dados de grafo de conhecimento (incluindo Hetionet com 45k entidades biomédicas)
• Comparação de modelos de embedding
• Métricas e protocolos de avaliação
• Aplicações biomédicas

4. Geração Molecular

Gere novas estruturas moleculares com propriedades desejadas.

Casos de Uso:

• Design de novo de fármacos
• Otimização de líderes
• Exploração de espaço químico
• Geração guiada por propriedades

Componentes Principais:

• Geração autorregressiva
• GCPN (geração baseada em política)
• GraphAutoregressiveFlow
• Fluxos de trabalho de otimização de propriedade

Referência: Consulte references/molecular_generation.md para:

• Estratégias de geração (incondicional, condicional, baseada em scaffold)
• Otimização multi-objetivo
• Validação e filtragem
• Integração com predição de propriedade

5. Retrossíntese

Prediga rotas sintéticas de moléculas-alvo para materiais de partida.

Casos de Uso:

• Planejamento de síntese
• Otimização de rota
• Avaliação de acessibilidade sintética
• Planejamento multi-etapa

Componentes Principais:

• Conjunto de dados de reação USPTO-50k
• CenterIdentification (predição de centro de reação)
• SynthonCompletion (predição de reagente)
• Pipeline de Retrosynthesis ponta-a-ponta

Referência: Consulte references/retrosynthesis.md para:

• Decomposição de tarefa (ID do centro → conclusão de synthon)
• Planejamento de síntese multi-etapa
• Verificação de disponibilidade comercial
• Integração com outras ferramentas de retrossíntese

6. Modelos de Rede Neural de Grafos

Catálogo abrangente de arquiteturas GNN para diferentes tipos de dados e tarefas.

Modelos Disponíveis:

• GNNs gerais: GCN, GAT, GIN, RGCN, MPNN
• Cientes de 3D: SchNet, GearNet
• Específicos de proteína: ESM, ProteinBERT, GearNet
• Grafo de conhecimento: TransE, RotatE, ComplEx, SimplE
• Generativo: GraphAutoregressiveFlow

Referência: Consulte references/models_architectures.md para:

• Descrições detalhadas de modelo
• Guia de seleção de modelo por tarefa e conjunto de dados
• Comparações de arquitetura
• Dicas de implementação

7. Conjuntos de Dados

40+ conjuntos de dados curados abrangendo química, biologia e grafos de conhecimento.

Categorias:

• Propriedades moleculares (descoberta de fármacos, química quântica)
• Propriedades de proteína (função, estrutura, interações)
• Grafos de conhecimento (gerais e biomédicos)
• Reações de retrossíntese

Referência: Consulte references/datasets.md para:

• Catálogo completo de conjuntos de dados com tamanhos e tarefas
• Guia de seleção de conjunto de dados
• Carregamento e pré-processamento
• Estratégias de divisão (aleatória, scaffold)

Fluxos de Trabalho Comuns

Fluxo de Trabalho 1: Predição de Propriedades Moleculares

Cenário: Prediga penetração da barreira hematoencefálica para candidatos a fármacos.

Etapas:

1. Carregue conjunto de dados: datasets.BBBP()
2. Escolha modelo: GIN para grafos moleculares
3. Defina tarefa: PropertyPrediction com classificação binária
4. Treine com divisão de scaffold para avaliação realista
5. Avalie usando AUROC e AUPRC

Navegação: references/molecular_property_prediction.md → Seleção de conjunto de dados → Seleção de modelo → Treinamento

Fluxo de Trabalho 2: Predição de Função de Proteína

Cenário: Prediga função enzimática a partir da sequência.

Etapas:

1. Carregue conjunto de dados: datasets.EnzymeCommission()
2. Escolha modelo: ESM (pré-treinado) ou GearNet (com estrutura)
3. Defina tarefa: PropertyPrediction com classificação multi-classe
4. Fine-tune modelo pré-treinado ou treine do zero
5. Avalie usando acurácia e métricas por classe

Navegação: references/protein_modeling.md → Seleção de modelo (sequência vs estrutura) → Estratégias de pré-treinamento

Fluxo de Trabalho 3: Reposicionamento de Fármacos via Grafos de Conhecimento

Cenário: Encontre novos tratamentos de doença em Hetionet.

Etapas:

1. Carregue conjunto de dados: datasets.Hetionet()
2. Escolha modelo: RotatE ou ComplEx
3. Defina tarefa: KnowledgeGraphCompletion
4. Treine com amostragem negativa
5. Consulte predições "Compound-treats-Disease"
6. Filtre por plausibilidade e mecanismo

Navegação: references/knowledge_graphs.md → Conjunto de dados Hetionet → Seleção de modelo → Aplicações biomédicas

Fluxo de Trabalho 4: Geração de Novo de Moléculas

Cenário: Gere moléculas semelhantes a fármacos otimizadas para ligação-alvo.

Etapas:

1. Treine preditor de propriedade em dados de atividade
2. Escolha abordagem de geração: GCPN para otimização baseada em RL
3. Defina função de recompensa combinando afinidade, semelhança a fármacos, sintetizabilidade
4. Gere candidatos com restrições de propriedade
5. Valide química e filtre por semelhança a fármacos
6. Classifique por pontuação multi-objetivo

Navegação: references/molecular_generation.md → Geração condicional → Otimização multi-objetivo

Fluxo de Trabalho 5: Planejamento de Retrossíntese

Cenário: Planeje rota de síntese para moléculas-alvo.

Etapas:

1. Carregue conjunto de dados: datasets.USPTO50k()
2. Treine modelo de identificação de centro (RGCN)
3. Treine modelo de conclusão de synthon (GIN)
4. Combine em pipeline de retrossíntese ponta-a-ponta
5. Aplique recursivamente para planejamento multi-etapa
6. Verifique disponibilidade comercial de blocos de construção

Navegação: references/retrosynthesis.md → Tipos de tarefa → Planejamento multi-etapa

Padrões de Integração

Com RDKit

Converta entre moléculas TorchDrug e RDKit:

from torchdrug import data
from rdkit import Chem

# SMILES → moléculas TorchDrug
smiles = "CCO"
mol = data.Molecule.from_smiles(smiles)

# TorchDrug → RDKit
rdkit_mol = mol.to_molecule()

# RDKit → TorchDrug
rdkit_mol = Chem.MolFromSmiles(smiles)
mol = data.Molecule.from_molecule(rdkit_mol)

Com AlphaFold/ESM

Use estruturas previstas:

from torchdrug import data

# Carregue estrutura prevista por AlphaFold
protein = data.Protein.from_pdb("AF-P12345-F1-model_v4.pdb")

# Construa grafo com arestas espaciais
graph = protein.residue_graph(
    node_position="ca",
    edge_types=["sequential", "radius"],
    radius_cutoff=10.0
)

Com PyTorch Lightning

Envolva tarefas para treinamento Lightning:

import pytorch_lightning as pl

class LightningTask(pl.LightningModule):
    def __init__(self, torchdrug_task):
        super().__init__()
        self.task = torchdrug_task

    def training_step(self, batch, batch_idx):
        return self.task(batch)

    def validation_step(self, batch, batch_idx):
        pred = self.task.predict(batch)
        target = self.task.target(batch)
        return {"pred": pred, "target": target}

    def configure_optimizers(self):
        return torch.optim.Adam(self.parameters(), lr=1e-3)

Detalhes Técnicos

Para aprofundamentos na arquitetura do TorchDrug:

Conceitos Principais: Consulte references/core_concepts.md para:

• Filosofia de arquitetura (modular, configurável)
• Estruturas de dados (Graph, Molecule, Protein, PackedGraph)
• Interface de modelo e assinatura de função forward
• Interface de tarefa (predict, target, forward, evaluate)
• Fluxos de trabalho de treinamento e melhores práticas
• Funções de perda e métricas
• Armadilhas comuns e debugging

Folha de Referência Rápida

Escolha Conjunto de Dados:

• Propriedade molecular → references/datasets.md → Seção Molecular
• Tarefa de proteína → references/datasets.md → Seção Protein
• Grafo de conhecimento → references/datasets.md → Seção Knowledge graph

Escolha Modelo:

• Moléculas → references/models_architectures.md → Seção GNN → GIN/GAT/SchNet
• Proteínas (sequência) → references/models_architectures.md → Seção Protein → ESM
• Proteínas (estrutura) → references/models_architectures.md → Seção Protein → GearNet
• Grafo de conhecimento → references/models_architectures.md → Seção KG → RotatE/ComplEx

Tarefas Comuns:

• Predição de propriedade → references/molecular_property_prediction.md ou references/protein_modeling.md
• Geração → references/molecular_generation.md
• Retrossíntese → references/retrosynthesis.md
• Raciocínio KG → references/knowledge_graphs.md

Entenda a Arquitetura:

• Estruturas de dados → references/core_concepts.md → Data Structures
• Design de modelo → references/core_concepts.md → Model Interface
• Design de tarefa → references/core_concepts.md → Task Interface

Resolução de Problemas Comuns

Problema: Erros de incompatibilidade de dimensão → Verifique se model.input_dim corresponde a dataset.node_feature_dim → Consulte references/core_concepts.md → Essential Attributes

Problema: Desempenho ruim em tarefas moleculares → Use divisão de scaffold, não aleatória → Tente GIN em vez de GCN → Consulte references/molecular_property_prediction.md → Best Practices

Problema: Modelo de proteína não está aprendendo → Use ESM pré-treinado para tarefas de sequência → Verifique construção de aresta para modelos de estrutura → Consulte references/protein_modeling.md → Training Workflows

Problema: Erros de memória com grafos grandes → Reduza tamanho do lote → Use acumulação de gradiente → Consulte references/core_concepts.md → Memory Efficiency

Problema: Moléculas geradas são inválidas → Adicione restrições de validade → Pós-processe com validação RDKit → Consulte references/molecular_generation.md → Validation and Filtering

Recursos

Documentação Oficial: https://torchdrug.ai/docs/ GitHub: https://github.com/DeepGraphLearning/torchdrug Artigo: TorchDrug: A Powerful and Flexible Machine Learning Platform for Drug Discovery

Resumo

Navegue até o arquivo de referência apropriado com base em sua tarefa:

1. Predição de propriedades moleculares → molecular_property_prediction.md
2. Modelagem de proteínas → protein_modeling.md
3. Grafos de conhecimento → knowledge_graphs.md
4. Geração molecular → molecular_generation.md
5. Retrossíntese → retrosynthesis.md
6. Seleção de modelo → models_architectures.md
7. Seleção de conjunto de dados → datasets.md
8. Detalhes técnicos → core_concepts.md

Cada referência fornece cobertura abrangente de seu domínio com exemplos, melhores práticas e casos de uso comuns.