The code was built based on D2. Thanks a lot for their code sharing!
0.2smile_simplification.py:切分data为32份 | script | function | parameter | | 0.2smile_simplification.py | 切分data为32份 |-tp:进程数
Line number | script | function | parameter |
---|---|---|---|
1 | 0.2smile_simplification.py | 切分data为32份 | -tp:进程数,-fn:下载下来zinc路径, zd:切分后保存的路径 |
2 | 0.3Morgan_fing.py | 利用smiles得到morgan | -tp:进程数,-zd:smiles路径,-dd:morgan路径 |
3 | 1.count_lines.py | 统计每次迭代抽剩的data数量和当前迭代要sample的数量 | -n_it:第n次迭代, -s:sample_num |
4 | 2.sampling.py | sample id,即XXX_set | -n_it:第n次迭代, -s:sample_num |
5 | 3.sanity_check.py | 去掉与之前n_it重合的,去掉与tr,v之间重合的 | -n_it:第n次迭代 |
6 | 4.Extracting_smiles.py | 找出n_it的tr,v, tsample出来的smiles | -n_it:第n次迭代 |
7 | 4.2add_a2ar_smi.py | 加入a2ar的smiles | |
8 | 5.docking_run.py | 用4sample的smiles去docking得到labels | -n_it:第n次迭代, -ds:分成多少个smiles为一个文件 |
9 | submitjobs.sh、submit.sh | 提交docking | submitjobs.sh里的-N可改 |
10 | 6.Extracting_labels.py | 去掉docking为空的 | -n_it:第n次迭代 |
11 | 7.Extracting_morgan.py | 取出morgan | -n_it:第n次迭代 |
12 | 7.2add_a2ar_mor.py | 加入a2ar的morgan | |
13 | 8.1simple_job_models_noslurm.py | 生成12组超参数的.sh文件 | -n_it:第n次迭代, -vl |
14 | 8.2progressive_docking.py | 定义model | |
15 | 9.run_all_bash_in_a_dic.sh | 训练12个sh | |
16 | 10.hyperparameter_result_evaluation.py | 用n_it=1d的v和t选best model | |
17 | 11.1simple_job_predictions_noslurm.py | 生成预测剩下的32个morgan.txt | -n_it:第n次迭代,-chs |
18 | 11.2Prediction_morgan_1024.py | 预测脚本 | |
19 | 12.run_all_prediction.sh | 运行步骤11的64个sh |