---

文档 | 外部资源 | 数据集 | 示例

ChemicalX 是一个用于药物相互作用、多药联用副作用及协同效应预测的深度学习库。该库包含数据加载器和集成的基准数据集，同时还提供了能够解决 药物对评分任务 的先进深度神经网络架构。实现的方法涵盖了传统的基于 SMILES 字符串的技术以及基于神经消息传递的模型。

---

引用

如果您在研究中发现 ChemicalX 和新数据集很有用，请考虑添加以下引用：

@inproceedings{10.1145/3534678.3539023,
  author = {Rozemberczki, Benedek and Hoyt, Charles Tapley and Gogleva, Anna and Grabowski, Piotr and Karis, Klas and Lamov, Andrej and Nikolov, Andriy and Nilsson, Sebastian and Ughetto, Michael and Wang, Yu and Derr, Tyler and Gyori, Benjamin M.},
  title = {ChemicalX: A Deep Learning Library for Drug Pair Scoring},
  year = {2022},
  isbn = {9781450393850},
  publisher = {Association for Computing Machinery},
  address = {New York, NY, USA},
  url = {https://doi.org/10.1145/3534678.3539023},
  doi = {10.1145/3534678.3539023},
  booktitle = {Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining},
  pages = {3819–3828},
  numpages = {10},
  keywords = {chemistry, neural networks, deep learning},
  location = {Washington DC, USA},
  series = {KDD '22}
}

---

药物对评分详解

我们的框架解决了计算化学中的 药物对评分任务。在这个任务中，机器学习模型需要预测在生物或化学环境中同时使用两种药物时的结果。解决这一任务的深度学习模型通常具有两个显著的部分：

1. 药物编码层，它以一对药物作为输入（下图中的蓝色和红色药物）。
2. 输出层，在给定的用药情境下输出评分——在我们的示意图中是多药联用的情境。

快速入门

chemicalx 的 API 提供了一个高级函数，用于训练和评估模型，其设计深受 PyKEEN 训练与评估流程的影响：

from chemicalx import pipeline
from chemicalx.models import DeepSynergy
from chemicalx.data import DrugCombDB

model = DeepSynergy(context_channels=112, drug_channels=256)
dataset = DrugCombDB()

results = pipeline(
    dataset=dataset,
    model=model,
    # 数据参数
    batch_size=5120,
    context_features=True,
    drug_features=True,
    drug_molecules=False,
    # 训练参数
    epochs=100,
)

# 将 AUC-ROC 等信息输出到控制台。
results.summarize()

# 保存模型、损失、评估结果及其他元数据。
results.save("~/test_results/")

---

案例研究教程

我们在文档中提供了深入的案例研究类教程，每篇都涵盖了 ChemicalX 功能的一个方面。

---

包含的方法

具体来说，实现了以下药物对评分模型。

2018年

• DeepDDI 来自论文《深度学习提升药物-药物及药物-食物相互作用的预测》（PNAS）

• DeepSynergy 来自论文《DeepSynergy：利用深度学习预测抗癌药物协同作用》（Bioinformatics）

2019年

• MR-GNN 来自论文《MR-GNN：用于预测结构化实体交互的多分辨率与双图神经网络》（IJCAI）

• MHCADDI 来自论文《基于图联合注意力的药物-药物不良反应预测》（ICML）

2020年

• CASTER 来自论文《CASTER：基于化学子结构表示的药物相互作用预测》（AAAI）

• SSI-DDI 来自论文《SSI–DDI：用于药物-药物相互作用预测的子结构-子结构交互》（Briefings in Bioinformatics）

• EPGCN-DS 来自论文《基于表达式图卷积网络和 Deep Sets 的结构化药物-药物相互作用检测》（AAAI）

• DeepDrug 来自论文《DeepDrug：一种通用的基于图的深度学习框架，用于药物关系预测》（PMC）

• GCN-BMP 来自论文《GCN-BMP：探究图表示学习在 DDI 预测任务中的应用》（Methods）

2021年

• DeepDDS 来自论文《DeepDDS：带有注意力机制的深度图神经网络，用于预测协同药物组合》（Briefings in Bioinformatics）

• MatchMaker 来自论文《MatchMaker：一种用于药物协同作用预测的深度学习框架》（ACM TCBB）

---

请前往我们的文档了解更多关于安装、数据集创建以及已实现方法和可用数据集的完整列表。若想快速入门，可查看 examples/ 目录下的示例。

如果您发现任何异常情况，请提交一个问题。如果您希望添加特定方法，也欢迎提出功能请求。

---

安装

PyTorch 1.10.0

要为 PyTorch 1.10.0 安装，只需运行以下命令：

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.10.0+${CUDA}.html
pip install torchdrug
pip install chemicalx

其中 ${CUDA} 应根据您的 PyTorch 安装情况替换为 cpu、cu102 或 cu111。

	cpu	cu102	cu111
Linux	✅	✅	✅
Windows	✅	✅	✅
macOS	✅

---

运行测试

$ tox -e py

---

许可证

• Apache 2.0 许可证

ChemicalX 快速上手指南

ChemicalX 是一个专为药物相互作用、多药副作用及协同效应预测设计的深度学习库。它集成了多种前沿的深度神经网络架构（如 DeepSynergy、DeepDDI 等），支持基于 SMILES 字符串和神经消息传递的模型，旨在解决计算化学中的“药物对评分”任务。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, Windows, 或 macOS
• Python 版本：建议 Python 3.7+
• 核心依赖：PyTorch 1.10.0
• CUDA 支持（可选）：若需使用 GPU 加速，请根据显卡驱动安装对应的 CUDA 版本（支持 cu102, cu111 或 CPU 模式）。

注意：macOS 用户仅支持 CPU 模式运行。

安装步骤

推荐使用 pip 进行安装。请根据您的 PyTorch 环境选择对应的命令。

1. 安装基础依赖

首先安装 torch-scatter 和 torchdrug。请将命令中的 ${CUDA} 替换为您的实际环境标识：

• cpu：纯 CPU 环境
• cu102：CUDA 10.2
• cu111：CUDA 11.1

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.10.0+${CUDA}.html
pip install torchdrug

(国内用户如遇下载缓慢，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华镜像源)

2. 安装 ChemicalX

依赖安装完成后，执行以下命令安装主库：

pip install chemicalx

基本使用

ChemicalX 提供了类似 PyKEEN 的高级 pipeline 接口，可一键完成数据加载、模型训练与评估。以下是一个使用 DeepSynergy 模型在 DrugCombDB 数据集上进行训练的最小化示例：

from chemicalx import pipeline
from chemicalx.models import DeepSynergy
from chemicalx.data import DrugCombDB

# 初始化模型
# context_channels: 上下文特征维度，drug_channels: 药物特征维度
model = DeepSynergy(context_channels=112, drug_channels=256)

# 加载内置数据集
dataset = DrugCombDB()

# 启动训练流水线
results = pipeline(
    dataset=dataset,
    model=model,
    # 数据参数
    batch_size=5120,
    context_features=True,   # 启用上下文特征
    drug_features=True,      # 启用药物特征
    drug_molecules=False,    # 是否使用分子图结构
    # 训练参数
    epochs=100,
)

# 在控制台输出评估指标（如 AUC-ROC）
results.summarize()

# 保存模型、损失曲线、评估结果及元数据
results.save("~/test_results/")

运行上述代码后，系统将自动下载数据集（首次运行）、训练模型并输出性能报告。更多模型（如 DeepDDI, CASTER, MatchMaker 等）只需替换 chemicalx.models 中的类名即可使用。