從今天開始正式進入針對藥物發(fā)現(xiàn)的相關數據集的介紹與應用。文章中所有的代碼都是依托PYG來實現(xiàn)的。

PPI數據集下載地址：https://data.dgl.ai/dataset/ppi.zip

1. 數據集介紹

蛋白質 - 蛋白質相互作用網絡，包含位置基因集，基序基因集和免疫特征作為特征（共50個）和基因本體集作為標簽（共121個）。

graphsnodesedgesfeaturestasks

20	~2,245	~61,318	50	121

# 加載數據集 dataset = PPI(root='E:/data/ppi')# 若是先前已經存在數據集，那么就把對應的數據集的文件放在以raw命名的文件夾中即可print(f'數據集包含圖的數量是:{len(dataset)}') print(f'一共有{dataset.num_classes}類') print(f'節(jié)點的特征{dataset.num_node_features}') print(f'邊的特征{dataset.num_edge_features}') print(f'取出第一個圖的參數{dataset[0]}') print(f'取出特征{dataset[0].x}') print(f'取出邊{dataset[0].edge_index}') print(f'取出標簽{dataset[0].y}')

2. 視圖化PPI

2.1 networkx

from torch_geometric.datasets import PPI from torch_geometric.utils import to_networkx import matplotlib.pyplot as plt import networkx as nx# 加載數據集 dataset = PPI(root='E:/data/ppi')# 若是先前已經存在數據集，那么就把對應的數據集的文件放在以raw命名的文件夾中即可#先取PPI中的第一個圖來進行可視化 g = dataset[0] g = to_networkx(g) nx.draw(g,with_labels=g.nodes) plt.show()

2.2 t-SNE

t-SNE是一種集降維與可視化于一體的技術，它是基于SNE可視化的改進，解決了SNE在可視化后樣本分布擁擠、邊界不明顯的特點，是目前最好的降維可視化手段。

關于t-SNE的歷史和原理詳見 從SNE到t-SNE再到LargeVis (bindog.github.io)

2.2.1 參數

parameters描述

n_components	嵌入空間的維度
perpexity	混亂度，表示t-SNE優(yōu)化過程中考慮鄰近點的多少，默認為30，建議取值在5到50之間
early_exaggeration	表示嵌入空間簇間距的大小，默認為12，該值越大，可視化后的簇間距越大
learning_rate	學習率，表示梯度下降的快慢，默認為200，建議取值在10到1000之間
n_iter	迭代次數，默認為1000，自定義設置時應保證大于250
min_grad_norm	如果梯度小于該值，則停止優(yōu)化。默認為1e-7
metric	表示向量間距離度量的方式，默認是歐氏距離。如果是precomputed，則輸入X是計算好的距離矩陣。也可以是自定義的距離度量函數。
init	初始化，默認為random。取值為random為隨機初始化，取值為pca為利用PCA進行初始化（常用），取值為numpy數組時必須shape=(n_samples, n_components)
verbose	是否打印優(yōu)化信息，取值0或1，默認為0=>不打印信息。打印的信息為：近鄰點數量、耗時、$\sigma$、KL散度、誤差等
random_state	隨機數種子，整數或RandomState對象
method	兩種優(yōu)化方法：barnets_hut和exact。第一種耗時$O(NlogN)$，第二種耗時$O(N^2)$但是誤差小，同時第二種方法不能用于百萬級樣本
angle	當method=barnets_hut時，該參數有用，用于均衡效率與誤差，默認值為0.5，該值越大，效率越高&誤差越大，否則反之。當該值在0.2-0.8之間時，無變化。

返回對象的屬性表：

Atrtributes描述

embedding_	嵌入后的向量
kl_divergence_	KL散度
n_iter_	迭代的輪數

2.2.2 轉換后維度

tsne = manifold.TSNE(n_components=3,init='pca',random_state=2022) x_tsne = tsne.fit_transform(labels.x) print(f'原始的數據嵌入維度{labels.x[-1]}\n轉換后維度嵌入{x_tsne[-1]}')

tsne = manifold.TSNE(n_components=2,init='pca',random_state=2022) x_tsne = tsne.fit_transform(labels.x) # print(f'原始的數據嵌入維度{labels.x[-1]}\n轉換后維度嵌入{x_tsne[-1]}') fig = plt.figure(figsize=(8, 8)) plt.scatter(x_tsne[:, 0], x_tsne[:, 1],c=label_onehot1, cmap=plt.cm.Spectral)plt.show()

附則

由于PPI的標簽信息是一個121位的二進制編碼，這里所以就無法使用，下面是我將這個1767X121編碼轉化為1767X1的過程

重點感謝我的同學：萬亮和鈺杰。

因為他們的出謀劃策，我才能順利的完成這一小節(jié)的工作。

labels = labels.y.numpy() np.savetxt('E:\data\ppi/label_onehot.csv',labels,fmt='%d') label_onehot = np.loadtxt('E:\data\ppi/label_onehot.csv',dtype='int') dic1={} v=[] # 建立一個可以將標簽中相同節(jié)點的值放在一起的字典 for i in range(len(label_onehot)):for j in range(len(label_onehot)):if all(label_onehot[i]==label_onehot[j]):v.append(j)else:continuedic1[i]=vv= []# 去出字典中的重復項 dicv =[i for i in range(1767)]for i in dicv:for j in dicv:if i != j and all(label_onehot[i] == label_onehot[j]):dic1.pop(j)dicv.remove(j)# #找到值大于1的鍵 pa = [] for i in dicv:if len(dic1[i]) >1:pa.append(i)# 對照字典里面的值對標簽進行修改 dicp = [i for i in range(1767)] labelp =pd.read_csv('E:\data\ppi/label_onehot1.csv') labelp['index']=dicpfor p in pa:labelp['index'].replace(dic1[p],p,inplace=True)labelp.to_csv('E:\data\ppi/label_onehot2.csv') label_onehot1 = np.loadtxt('E:\data\ppi/label_onehot3.csv',dtype=int)

總結

以上是生活随笔為你收集整理的PPI数据集分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。