🧪 深度学习 × 生物信息学 — 从 DNA 甲基化到分子性质预测的复现与优化实验
| 项目 | 方向 | 方法 | 规模 |
|---|---|---|---|
| ⚗️ MoleculeFormer | 分子结构 → 理化性质 | GCN + EGNN + Transformer + 指纹 | 44 组实验, 24 数据集 |
| 🧬 DeepMethyGene | DNA 甲基化 → 基因表达 | 自适应 CNN + ResNet | 4 种癌症, 13,982 基因 |
| 🧫 P34 | 药物-疾病关联预测 | LR / SVM / 随机森林 | 1,029 药物 × 275 疾病 |
📄 论文: MoleculeFormer: A Graph Transformer Architecture for Molecular Property Prediction
🎯 目标: 从分子结构预测毒性、溶解度、代谢稳定性等理化性质
┌─→ 原子图 ──→ GCN ──→ EGNN ────────────┐
│ │
分子 (SMILES) ────┼─→ 键图 ──→ GCN ──→ Transformer ──────┼──→ 拼接 ──→ MLP ──→ 预测
│ │
└─→ 分子指纹 ──→ MLP (FPN) ───────────────┘
| 模型 | 组件 | 适用场景 |
|---|---|---|
moleculeformer |
原子 + 键 + 指纹 + EGNN | 🌕 完整版，需要 3D 坐标 |
moleculeformer_mini |
原子 + 键 + 指纹（无 EGNN） | 🌗 轻量版，纯 2D 拓扑 |
FPonly |
纯分子指纹 + MLP | 🌑 极简基线，几分钟训练 |
FPGNN |
指纹 + GNN 混合 | 🌒 论文提出的混合模型 |
GCN / GAT |
纯图神经网络 | 基线对比 |
| 实验模块 | 数据集 | 核心发现 |
|---|---|---|
| 🧪 MoleculeNet 基准 | bace, clintox, esol, freesolv, bbbp, sider, lipo, tox21 (8 个) | mini 版在小样本回归上反超完整版 |
| 🎗️ 乳腺癌药物敏感性 | 12 个细胞系 (MCF-7, MDA-MB-231, …) | 指纹模型在多数细胞系上优于 GNN |
| 💊 ADME 消融实验 | HLM, RLM, MDR1-MDCK, Solubility (4 任务 × 3 模型) | FPonly 在 ADME 任务上全面领先 GCN |
💡 关键发现: 小样本场景下（<2000 条），分子指纹的信息密度 > GNN 从零学习；EGNN 的 3D 坐标在代谢稳定性等构象敏感任务上不可替代。
# 编辑 train_main.py 第 23-36 行配置实验后运行
cd MoleculeFormer && nohup python train_main.py > /dev/null 2>&1 &
# 查看实验进度
./check_progress.sh
# 监控 GPU
watch -n 5 nvidia-smi📖 详细文档: MoleculeFormer/PLAN.md | MoleculeFormer/Result.md | 📕 实验报告 PDF
📄 论文: DeepMethyGene: A Deep Learning Model Utilizing DNA Methylation to Predict Gene Expression
🎯 目标: 从 CpG 位点甲基化水平（Beta/M 值）预测对应基因的表达量
CpG 甲基化数据 ──→ 自适应 CNN 编码器 ──→ ResNet 残差块 ──→ 基因表达预测值
│
└── 自动学习 CpG 位点间空间依赖关系
| 实验 | 模型 | 数据集 | 状态 |
|---|---|---|---|
| 主体复现 | DeepMethyGene | BRCA | ✅ R²=0.718 |
| 基线对比 | SVM | BRCA | ✅ |
| 基线对比 | Random Forest | BRCA | ✅ |
| 基线对比 | geneEXPLORE (Elastic Net) | BRCA | ✅ |
| 消融实验 | NoConvLayer (纯全连接) | BRCA | ✅ |
| 跨数据集验证 | DeepMethyGene | COAD / GBM / LUAD | ✅ |
| 正常样本训练 | normal_train | BRCA | ✅ |
| 特征分析 | CpG 数量 / TSS 距离 | BRCA | ✅ |
- 🐍 Python 3.12 + PyTorch (GPU)
- 📊 R 4.6 + Bioconductor (
minfi,REMP,glmnet,IlluminaHumanMethylation450k) - 🗂️ 数据: TCGA 450K 甲基化芯片 + RNA-seq 表达数据
# 数据预处理（R 环境）
cd DeepMethyGene/data/Cancer_Data/BRCA && Rscript preprocess.R
# 训练模型
cd DeepMethyGene/Model && python DeepMethyGene.py --cancer_type BRCA
# 运行基线对比
python SVM.py && python "Random Forest.py"
Rscript geneEXPLORE.r
# 生成分析图表
python analysis_figures.py📖 详细文档: DeepMethyGene/README.md | DeepMethyGene/Result.md
📄 论文: Gottlieb et al. PREDICT: a method for inferring novel drug indications (MSB, 2011)
📊 数据集: Réda, PREDICT drug repurposing dataset v2.0.1 (Zenodo, 2023)
🎯 目标: 对比逻辑回归、SVM、随机森林在药物重定位（Drug Repositioning）中的预测效果
- 1,029 种药物 × 275 种疾病的关联预测，提取 16 维特征
- 对比模型: 逻辑回归、SVM (RBF)、随机森林，5 折交叉验证
- 随机森林最优: AUC=0.9523，F1=0.7268
📖 详见: P34/report.md
GeneX/
├── ⚗️ MoleculeFormer/ # 分子性质预测
│ ├── model/ # 模型 / 训练 / 工具 / 数据加载
│ ├── Data/ # MoleculeNet + ADME + 乳腺癌细胞系
│ ├── log/ # 实验日志（双通道: 训练 + 控制台）
│ ├── report/ # LaTeX 实验报告 (33 页)
│ └── model_save_*/ # 模型 checkpoint + sentinel 断点
│
├── 🧬 DeepMethyGene/ # DNA 甲基化 → 基因表达预测
│ ├── Model/ # 模型代码（PyTorch + R）
│ ├── data/ # 数据与预处理脚本
│ └── file/ # 论文原文
│
├── 🧫 P34/ # 药物重定位（Drug Repositioning）
│ ├── dataset/ # PREDICT v2.0.1 数据集
│ └── figures/ # 结果图表
│
├── 📖 docs/ # 补充文档
├── 🔧 scripts/ # 运维脚本
│ ├── sync-to-gitee.sh # 同步到 Gitee
│ ├── sync-to-github.sh # 同步到 GitHub
│ ├── init-claude.sh # Claude Code 配置初始化
│ ├── init-codex.sh # CodeX CLI 配置初始化
│ └── R.sh # DeepMethyGene R 环境安装
├── 🐳 Dockerfile # 容器化环境
└── 📄 README.md # 你在这里
docker pull docker.cnb.cool/orionseeker/genex:latest镜像预装: CUDA 12.4 + PyTorch 2.6 + RDKit + PyG + R 4.6 + Bioconductor
本项目基于 MIT License 开源。
Made with 🧬 by OrionSeeker · 中南大学计算机学院 · 2026