PPI数据集分析

从今天开始正式进入针对药物发现的相关数据集的介绍与应用。文章中所有的代码都是依托PYG来实现的。

PPI数据集下载地址：https://data.dgl.ai/dataset/ppi.zip

1. 数据集介绍

蛋白质 - 蛋白质相互作用网络，包含位置基因集，基序基因集和免疫特征作为特征（共50个）和基因本体集作为标签（共121个）。

graphs	nodes	edges	features	tasks
20	~2,245	~61,318	50	121

# 加载数据集
dataset = PPI(root='E:/data/ppi')# 若是先前已经存在数据集，那么就把对应的数据集的文件放在以raw命名的文件夹中即可

print(f'数据集包含图的数量是:{len(dataset)}')
print(f'一共有{dataset.num_classes}类')
print(f'节点的特征{dataset.num_node_features}')
print(f'边的特征{dataset.num_edge_features}')
print(f'取出第一个图的参数{dataset[0]}')
print(f'取出特征{dataset[0].x}')
print(f'取出边{dataset[0].edge_index}')
print(f'取出标签{dataset[0].y}')

2. 视图化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

# 加载数据集
dataset = PPI(root='E:/data/ppi')# 若是先前已经存在数据集，那么就把对应的数据集的文件放在以raw命名的文件夹中即可

#先取PPI中的第一个图来进行可视化
g = dataset[0]
g = to_networkx(g)
nx.draw(g,with_labels=g.nodes)
plt.show()

2.2 t-SNE

t-SNE是一种集降维与可视化于一体的技术，它是基于SNE可视化的改进，解决了SNE在可视化后样本分布拥挤、边界不明显的特点，是目前最好的降维可视化手段。

关于t-SNE的历史和原理详见 从SNE到t-SNE再到LargeVis (bindog.github.io)

2.2.1 参数

parameters	描述
n_components	嵌入空间的维度
perpexity	混乱度，表示t-SNE优化过程中考虑邻近点的多少，默认为30，建议取值在5到50之间
early_exaggeration	表示嵌入空间簇间距的大小，默认为12，该值越大，可视化后的簇间距越大
learning_rate	学习率，表示梯度下降的快慢，默认为200，建议取值在10到1000之间
n_iter	迭代次数，默认为1000，自定义设置时应保证大于250
min_grad_norm	如果梯度小于该值，则停止优化。默认为1e-7
metric	表示向量间距离度量的方式，默认是欧氏距离。如果是precomputed，则输入X是计算好的距离矩阵。也可以是自定义的距离度量函数。
init	初始化，默认为random。取值为random为随机初始化，取值为pca为利用PCA进行初始化（常用），取值为numpy数组时必须shape=(n_samples, n_components)
verbose	是否打印优化信息，取值0或1，默认为0=>不打印信息。打印的信息为：近邻点数量、耗时、$\sigma$、KL散度、误差等
random_state	随机数种子，整数或RandomState对象
method	两种优化方法：barnets_hut和exact。第一种耗时$O(NlogN)$，第二种耗时$O(N^2)$但是误差小，同时第二种方法不能用于百万级样本
angle	当method=barnets_hut时，该参数有用，用于均衡效率与误差，默认值为0.5，该值越大，效率越高&误差越大，否则反之。当该值在0.2-0.8之间时，无变化。

返回对象的属性表：

Atrtributes	描述
embedding_	嵌入后的向量
kl_divergence_	KL散度
n_iter_	迭代的轮数

2.2.2 转换后维度

tsne = manifold.TSNE(n_components=3,init='pca',random_state=2022)
x_tsne = tsne.fit_transform(labels.x)
print(f'原始的数据嵌入维度{labels.x[-1]}\n转换后维度嵌入{x_tsne[-1]}')

tsne = manifold.TSNE(n_components=2,init='pca',random_state=2022)
x_tsne = tsne.fit_transform(labels.x)
# print(f'原始的数据嵌入维度{labels.x[-1]}\n转换后维度嵌入{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()

附则

由于PPI的标签信息是一个121位的二进制编码，这里所以就无法使用，下面是我将这个1767X121编码转化为1767X1的过程

重点感谢我的同学：万亮和钰杰。

因为他们的出谋划策，我才能顺利的完成这一小节的工作。

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=[]
# 建立一个可以将标签中相同节点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:
            continue
    dic1[i]=v
    v= []

# 去出字典中的重复项
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的键
pa = []
for i in dicv:
    if len(dic1[i]) >1:
        pa.append(i)


# 对照字典里面的值对标签进行修改
dicp = [i for i in range(1767)]
labelp =pd.read_csv('E:\data\ppi/label_onehot1.csv')
labelp['index']=dicp

for 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)