DeepPurpose 实战指南用 10 行代码跑通药物-靶点相互作用预测全流程【免费下载链接】DeepPurposeA Deep Learning Toolkit for DTI, Drug Property, PPI, DDI, Protein Function Prediction (Bioinformatics)项目地址: https://gitcode.com/gh_mirrors/de/DeepPurposeDeepPurpose 是一个面向药物-靶点相互作用预测DTI的深度学习工具包适合想用小数据快速起步、又不想自己写训练流水线的你。如果你需要降低 DTI 筛选成本这个项目可以直接进工具箱。DeepPurpose DTI 药物-靶点相互作用预测数据流示意图它到底解决了什么痛点药物研发里最贵的一步往往不是设计而是验证。判断一个化合物能不能结合某个靶点蛋白通常要靠体外结合实验单次成本高、周期以周计而候选化合物有百万级、靶点蛋白有上千个组合空间大到天文数字根本不可能逐一测。你需要先用模型把候选集从百万筛到几百。可自己搭深度学习模型又得从头处理分子编码、序列编码、数据划分、评估指标重复劳动很多。它就是针对这些麻烦做的15 种药物与蛋白质编码、50 多种模型组合都打包好了还会自动判断你的任务是回归预测亲和力还是分类预测是否结合让你把精力放在数据和结果上。 核心能力速览三项核心能力全部按输入→处理→输出来用它主要干三件事DTI 预测输入一条药物 SMILES 和一个靶点蛋白序列输出结合亲和力分数或 0~1 的相互作用概率。比如药物重定位案例会输出化合物-靶点-预测 Kd的排名表前几名可直接送去湿实验验证入口在DeepPurpose/DTI.py。分子生成配合药物性质预测模块DeepPurpose/CompoundPred.py它能为新结构提供可计算的活动反馈让你围绕目标性质生成并筛选候选分子。预训练微调输入自己的小数据、加载预训练权重跑几个 epoch 微调就得到一个适配你特定靶点的模型省去从零训练的麻烦。技术路线为什么是这两条线为什么是这两条线两句话讲清。先说为什么用 Transformer蛋白序列动辄上千个氨基酸药物结合常常取决于相距很远的残基类似理解一句话的关键往往在首尾呼应。卷积只能看局部邻居而 Transformer 的自注意力让任意两个位置直接交互长程依赖不会丢。再说为什么用 Multi-task同一个药物常在多个靶点、多个检测上有实测数据把这些相关任务放在一起训练、共享特征一次训练就覆盖更广的候选集小数据下比每个任务各训一个模型更稳。预训练权重从哪来来自大规模公开数据的预训练它附带了在 BindingDB 等数据上训好的预训练权重一键下载。所以工作流固定为预训练→微调→评估加载权重用自己的数据微调几个 epoch最后在测试集上输出 ROC-AUC、MSE、R² 等指标还有冷靶点划分专门考察模型在没见过蛋白上的表现更贴近真实用法。DeepPurpose DTI 微调与评估结果对比示意图从数据到结果一条最小可跑通的路如何快速完成 DTI 微调以 DTI 预测为例五步就够准备数据DeepPurpose/dataset.py里的process_BindingDB()一行加载数据集自己的数据也有对应的读取函数不用写解析选模型在data_process()里填上药物和蛋白的编码名如 CNN Transformer数据自动切分为 train/val/test加载预训练权重models.model_pretrained(MODEL_PATH_DIR)直接载入 DeepDTA 等预训练权重微调net.train(train, val, test)一行训练过程自动输出看指标result文件夹存验证损失、AUC 曲线和指标表再调models.repurpose()直接得到排名候选表。配套可运行的 notebook 都在DEMO/目录按顺序点开跑就行。 为什么值得试 快速启动它帮你省了四处省写训练流水线的力气——oneliner.repurpose()一行调用聚合多个预训练模型的结果就能完成对新靶点的药物重定位省调模型的工夫——换编码只是改一个名字50 多种组合从经典指纹一路覆盖到图神经网络省算力与工程细节——PyTorch 支持 CPU/GPU指标和早停都随训练流程自带省卡壳的成本——方法发表于 Bioinformatics 期刊社区活跃DEMO/里 30 多个可运行 notebook 覆盖 DTI、药物性质、重定位、虚拟筛选。最短调用示例对 SARS-CoV-2 3CL 蛋白酶做药物重定位from DeepPurpose import oneliner from DeepPurpose.dataset import * oneliner.repurpose(*load_SARS_CoV2_Protease_3CL(), *load_antiviral_drugs(no_cidTrue))克隆仓库即可开始git clone https://gitcode.com/gh_mirrors/de/DeepPurpose现在就打开DEMO/目录跑通第一条药物重定位流程几分钟内拿到属于你的第一张候选排名表。【免费下载链接】DeepPurposeA Deep Learning Toolkit for DTI, Drug Property, PPI, DDI, Protein Function Prediction (Bioinformatics)项目地址: https://gitcode.com/gh_mirrors/de/DeepPurpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/24 8:28:51 · 阅读 1.2k DeepPurpose 实战指南：用 10 行代码跑通药物-靶点相互作用预测全流程
DeepPurpose 实战指南用 10 行代码跑通药物-靶点相互作用预测全流程【免费下载链接】DeepPurposeA Deep Learning Toolkit for DTI, Drug Property, PPI, DDI, Protein Function Prediction (Bioinformatics)项目地址: https://gitcode.com/gh_mirrors/de/DeepPurposeDeepPurpose 是一个面向药物-靶点相互作用预测DTI的深度学习工具包适合想用小数据快速起步、又不想自己写训练流水线的你。如果你需要降低 DTI 筛选成本这个项目可以直接进工具箱。DeepPurpose DTI 药物-靶点相互作用预测数据流示意图它到底解决了什么痛点药物研发里最贵的一步往往不是设计而是验证。判断一个化合物能不能结合某个靶点蛋白通常要靠体外结合实验单次成本高、周期以周计而候选化合物有百万级、靶点蛋白有上千个组合空间大到天文数字根本不可能逐一测。你需要先用模型把候选集从百万筛到几百。可自己搭深度学习模型又得从头处理分子编码、序列编码、数据划分、评估指标重复劳动很多。它就是针对这些麻烦做的15 种药物与蛋白质编码、50 多种模型组合都打包好了还会自动判断你的任务是回归预测亲和力还是分类预测是否结合让你把精力放在数据和结果上。 核心能力速览三项核心能力全部按输入→处理→输出来用它主要干三件事DTI 预测输入一条药物 SMILES 和一个靶点蛋白序列输出结合亲和力分数或 0~1 的相互作用概率。比如药物重定位案例会输出化合物-靶点-预测 Kd的排名表前几名可直接送去湿实验验证入口在DeepPurpose/DTI.py。分子生成配合药物性质预测模块DeepPurpose/CompoundPred.py它能为新结构提供可计算的活动反馈让你围绕目标性质生成并筛选候选分子。预训练微调输入自己的小数据、加载预训练权重跑几个 epoch 微调就得到一个适配你特定靶点的模型省去从零训练的麻烦。技术路线为什么是这两条线为什么是这两条线两句话讲清。先说为什么用 Transformer蛋白序列动辄上千个氨基酸药物结合常常取决于相距很远的残基类似理解一句话的关键往往在首尾呼应。卷积只能看局部邻居而 Transformer 的自注意力让任意两个位置直接交互长程依赖不会丢。再说为什么用 Multi-task同一个药物常在多个靶点、多个检测上有实测数据把这些相关任务放在一起训练、共享特征一次训练就覆盖更广的候选集小数据下比每个任务各训一个模型更稳。预训练权重从哪来来自大规模公开数据的预训练它附带了在 BindingDB 等数据上训好的预训练权重一键下载。所以工作流固定为预训练→微调→评估加载权重用自己的数据微调几个 epoch最后在测试集上输出 ROC-AUC、MSE、R² 等指标还有冷靶点划分专门考察模型在没见过蛋白上的表现更贴近真实用法。DeepPurpose DTI 微调与评估结果对比示意图从数据到结果一条最小可跑通的路如何快速完成 DTI 微调以 DTI 预测为例五步就够准备数据DeepPurpose/dataset.py里的process_BindingDB()一行加载数据集自己的数据也有对应的读取函数不用写解析选模型在data_process()里填上药物和蛋白的编码名如 CNN Transformer数据自动切分为 train/val/test加载预训练权重models.model_pretrained(MODEL_PATH_DIR)直接载入 DeepDTA 等预训练权重微调net.train(train, val, test)一行训练过程自动输出看指标result文件夹存验证损失、AUC 曲线和指标表再调models.repurpose()直接得到排名候选表。配套可运行的 notebook 都在DEMO/目录按顺序点开跑就行。 为什么值得试 快速启动它帮你省了四处省写训练流水线的力气——oneliner.repurpose()一行调用聚合多个预训练模型的结果就能完成对新靶点的药物重定位省调模型的工夫——换编码只是改一个名字50 多种组合从经典指纹一路覆盖到图神经网络省算力与工程细节——PyTorch 支持 CPU/GPU指标和早停都随训练流程自带省卡壳的成本——方法发表于 Bioinformatics 期刊社区活跃DEMO/里 30 多个可运行 notebook 覆盖 DTI、药物性质、重定位、虚拟筛选。最短调用示例对 SARS-CoV-2 3CL 蛋白酶做药物重定位from DeepPurpose import oneliner from DeepPurpose.dataset import * oneliner.repurpose(*load_SARS_CoV2_Protease_3CL(), *load_antiviral_drugs(no_cidTrue))克隆仓库即可开始git clone https://gitcode.com/gh_mirrors/de/DeepPurpose现在就打开DEMO/目录跑通第一条药物重定位流程几分钟内拿到属于你的第一张候选排名表。【免费下载链接】DeepPurposeA Deep Learning Toolkit for DTI, Drug Property, PPI, DDI, Protein Function Prediction (Bioinformatics)项目地址: https://gitcode.com/gh_mirrors/de/DeepPurpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考