(English) TFM MSc Bioinformatics and biostatistics UB-UOC Language: Python // Author: Aramis Adriana Rojas Mena

In the following repository you will find the scripts used to carry out the execution of the machine learning models for the prediction of the inhibitory activity on this particular 5-HT2A receptor. The original data used is in this repository under the extension ".csv" and has been obtained through the Postgres manager with a dump of the entire ChEMBL database (v.26). The necessary input data are provided to reproduce the study in an identical way to that carried out by the author.

If you want to carry out a study with different data, the essential descriptor variable would be to have the molecules in SMILES notation (which will later be transformed to a ROMol class object), and as the regressor variable (to predict) the Ki, which here is " pchembl_value "(inhibition constant; logarithmic normalization recommended if it is not)

#*Morgan fingerprints by default*
PandasTools.AddMoleculeColumnToFrame(df_final,smilesCol='canonical_smiles')
mfps = rdFingerprintGenerator.GetFPs(list(df_final['ROMol']))
df_final['MFPS'] = mfps

• tfm_script_balanced.py (balancing classification models)
• regression_script.py (rolling regression models)
• graphics_script.py (graphics)
• 5ht2a_definitive_nosalts.csv (clean data set)
• inchikeys_2.txt (InChiKeys notation that imports the code to add one of the columns; necessary to eliminate duplicates) It is recommended to run it in this order: 1) regression_script.py, 2) tfm_script_balanced.py, 3) graphics_script.py

The Spyder IDE has been used within the Anaconda environment, but Jupyter notebooks could also be used. The rdkit module needs to be previously installed https://www.rdkit.org/docs/Install.html#how-to-install-rdkit-with-conda and may be necessary if there are problems recognizing the rdkit module in Spyder / Jupyter, inside the rdkit environment, install ipython (Anaconda prompt).

conda create -c rdkit -n my-rdkit-env rdkit
conda activate my-rdkit-env
conda install ipython

When opening the first script it is important to establish a working directory on the machine where you are working, where the 5ht2a_definitive_nosalts.csv and inchikeys_2.txt files must also be located. Here is an example of the path where these files were on the original machine:

import os 
os.chdir(r"C:/Users/usuario/OneDrive/EstadisticaUOC/4-SEMESTRE/TFM/Datos_recuperados_ChEMBL")

** It is recommended to run it in this order: 1) regression_script.py, 2) tfm_script_balanced.py, 3) _graphics_script.py _ **

If you want to reproduce the study exactly the same, it is convenient not to make changes; especially, do not modify the lines related to warnings.

from warnings import simplefilter # import warnings filter
simplefilter(action='ignore', category=FutureWarning) # ignore all future warnings

For the rest of the code, it should be able to run sequentially without problems. The necessary libraries are in the different scripts, with their respective calls when they are needed. They appear: pandas, numpy, yellowbrick, yellowbrick.classifier, yellowbrick.model_selection, rdkit, rdkit.Chem, seaborn, matplotlib.pyplot, sklearn.cluster, sklearn, sklearn.model_selection, rdkit.DataStructs.cDatanlearstrics. linear_model, sklearn.ensemble, imblearn.under_sampling, sklearn.neighbors, sklearn.naive_bayes.

If you find a bug in the code or you want to make a comment, write to: aramisrojas.farmacia@gmail.com

(Spanish) TFM MSc Bioinformática y bioestadística UB-UOC Lenguaje: Python // Autor@: Aramis Adriana Rojas Mena

En el siguiente repositorio se encuentran los scripts utilizados para llevar a cabo la ejecución de los modelos de machine learning para la predicción de la actividad inhibitoria sobre este receptor 5-HT2A particular. Los datos originales utilizados se encuentran en este repositorio bajo la extension ".csv" y han sido obtenidos mediante el gestor Postgres con volcado de toda la BBDD de ChEMBL (v.26). Se facilitan los datos de entrada (input) necesarios para reproducir el estudio de forma idéntica al ejecutado por la autora.

Si se desea realizar un estudio con datos diferentes, la variable descriptora esencial sería disponer de las moléculas en notación SMILES (que posteriormente será transformada a un objeto de clase ROMol), y como variable regresora (a predecir) la Ki, que aquí es "pchembl_value" (constante de inhibición; recomendable su normalización logaritmica si no lo estuviera)

#*Morgan fingerprints by default*
PandasTools.AddMoleculeColumnToFrame(df_final,smilesCol='canonical_smiles')
mfps = rdFingerprintGenerator.GetFPs(list(df_final['ROMol']))
df_final['MFPS'] = mfps

• tfm_script_balanced.py (modelos de clasificación con balanceo)
• regression_script.py (modelos de regresión con balanceo)
• graphics_script.py (gráficos)
• 5ht2a_definitive_nosalts.csv (set de datos limpio)
• inchikeys_2.txt (notación InChiKeys que importa el código para adicionar una de las columnas; necesario para eliminar los duplicados) Se recomienda ejecutarlo en este orden: 1) regression_script.py, 2) tfm_script_balanced.py, 3) graphics_script.py

Se ha utilizado el IDE Spyder dentro del entorno Anaconda, pero también se podría utilizar Jupyter notebooks. Es necesario instalar previamente el módulo rdkit https://www.rdkit.org/docs/Install.html#how-to-install-rdkit-with-conda y quizá sea necesario, si existen problemas para reconocer el módulo rdkit en Spyder/Jupyter, dentro del environment de rdkit, instalar ipython (Anaconda prompt).

conda create -c rdkit -n my-rdkit-env rdkit
conda activate my-rdkit-env
conda install ipython

Al abrir el primer script es importante establecer un directorio de trabajo en la máquina en la que se trabaje, donde también han de estar localizados los archivos 5ht2a_definitive_nosalts.csv y inchikeys_2.txt
A continuación, se muestra como ejemplo la ruta donde estaban estos archivos en la máquina original:

import os 
os.chdir(r"C:/Users/usuario/OneDrive/EstadisticaUOC/4-SEMESTRE/TFM/Datos_recuperados_ChEMBL")

Se recomienda ejecutarlo en este orden: 1) regression_script.py, 2) tfm_script_balanced.py, 3) graphics_script.py

Si se quiere reproducir el estudio exactamente igual, es conveniente no realizar cambios; especialmente, no modificar las líneas relativas a los warnings.

from warnings import simplefilter # import warnings filter
simplefilter(action='ignore', category=FutureWarning) # ignore all future warnings

Por el resto de código, se debería de poder ejecutar de forma secuencial sin problemas. Las librerías necesarias están en los diferentes scripts, con sus respectivas llamadas cuando son necesitadas.
Aparecen: pandas, numpy, yellowbrick, yellowbrick.classifier, yellowbrick.model_selection, rdkit, rdkit.Chem, seaborn, matplotlib.pyplot, sklearn.cluster, sklearn, sklearn.model_selection, rdkit.DataStructs.cDataStructs, sklearn.metrics, sklearn.linear_model, sklearn.ensemble, imblearn.under_sampling, sklearn.neighbors, sklearn.naive_bayes.

Si se encuentra algún bug en el código o se quiere hacer algún comentario, escribe a: aramisrojas.farmacia@gmail.com