武藤さん修論_backup の履歴(No.6) | 奥原研究室・Rene研究室ログ

研究背景

有機合成では効率性や環境面から化学反応の設計に生体触媒(酵素)が利用される機会が増加
- 酵素は化学触媒よりも環境に優しく，特定の反応物に強く作用して化学反応を早く進める
酵素は4桁のEC番号で分類されている
EC番号を機械学習で予測することで，酵素分析(以下)を行う実験コストや時間の削減になる
- 代謝経路の解析で得られた未知の酵素の性質の特定()
- 特定の化学反応を触媒する酵素の探索

本プログラムはAnaconda上で実装する

Anacondaは通常"base"と呼ばれるチャネル(仮想環境)を用いるが，新しいチャネル"rdkit"を作る
バージョンが1.0.2(2021年版)のscikit-learnを用いるため，メイン環境として"base"，本研究の再現環境として"rdkit"を用いることを推奨

WindowsボタンからAnaconda Promptを開く

バージョン取得

python -V

rdkitチャネル作成

conda create -n rdkit python=3.8.8 -y

※baseチャネルからrdkitチャネルに変更(Anaconda Prompt)

conda activate rdkit

rdkitライブラリの導入(pipでは不可)

conda install rdkit -c conda-forge

jupyterカーネル導入

pip install jupyter environment_kernels

jupyter起動

jupyter notebook

「ECprediction_dataset.ipynb」を実行

anaconda promptを起動し，(base)の部分で以下を入力

(base) C:\Users\～～～>activate rdkit

base→rdkitに切り替わったら，Jupyter起動

(rdkit) C:\Users\～～～>jupyter notebook

保存したフォルダまで行き，「ECprediction_dataset.ipynb」を起動する

pip install rdkit

「ECprediction_model.ipynb」を実行

pip install scikit-learn==1.0.2
pip install imblearn

2021年12月バージョンをインストール
- 通常インストールすると1.3.2が入る(2024年2月現在に作成したrdkit仮想環境)
分類モデルを圧縮保存した「pickle.gz」が1.0.2で作られており，最新バージョンで読んだ際，以下の互換性エラーが生じるのを回避している https://stackoverflow.com/questions/76612971/serialized-machine-learning-model-pickle-on-streamlit-web-app-throws-an-error
```
ValueError: node array from the pickle has an incompatible dtype:
```
今後，1.0.2のモデルファイルが使えなくなった場合は，新バージョンでモデルを再構築する必要あり？

層化5分割交差検証を実行するためにはデータ6個以上必要
- 6個では学習:テスト = 4:1分割で，学習5個/テスト1個となり，学習データのみに交差検証を行うため
10分割などの場合も，どのクラスもテストデータに最低1個は含まれる必要がある
【未実施】確率で同じデータを抽出する層化シャッフル抽出の場合は学習データが3個でも可能

現状のデータはEC T.X.X.X (T=1,2, ... ,7)でラベル付けされている．
本研究では3桁目の予測のため，3桁まで分かっているデータのみ用いる
- 遺伝子配列の手法では4桁まで予測されており，いずれはフィンガープリント・物理化学特性値でも開発されると予想(or 開発する必要がある)
正規表現のor記法(|)を用い，EC X.X.X.X，EC X.X.X.-，EC X.X.X.S(Sは MetaNetX 固有の文字区別)のデータを抽出する

4桁までのクラスで層化抽出したデータを1桁or1～3桁に変更した場合，各クラスの学習データとテストデータの割合は一定かどうか(層化抽出が崩れていないか)