Lesson1:酶预测大赛1

1. 参加比赛的意义

• 工业界
  • 通过奖金方式，寻求业务痛点的解决方案。
• 学术界
  • 提高学科影响力，比如某些大学的实验室。
• 个人
  • 模型设计创新 & 快速解决问题能力 & 不断积累，减少试错成本。

八个步骤建模

• 数据预处理：针对不同存储格式，如何处理、读进来
• build_transform，dataset，dataloader，
  • albumentation 这个库基本包括了所有的数据增强
• build loss
• build metric
• train one epoch
• vaild/test one epoch
• result post preprocess

2. Kaggle 平台介绍

3. 赛题介绍

酶稳定性预测，去识别出酶里面的一个耐热性的突变，

3.4 比赛目的

去预测各种酶变体的耐热性（熔化温度），

3.5 评价指标

衡量一个集体的情况，一般会采用均值和方差，但是有时候均值和方差，，变异系数=均值/方差，，

tm：

4. 开发环境搭建

买一个 3090 的矿卡，
清华源也要用，

4.1 目录组织形式

参加比赛的话，要自己创建一个主文件夹（类似下图kaggle），UWMGI和HubMap是上两次比赛的名字，本次比赛的名字叫NESP，这个input和working和kaggle平台是一样的，然后在working里面去编辑。

5. 比赛数据探索性分析

5.1 数据描述

训练集 train.csv 下面有seq_id（第几个蛋白质序列）、protein_sequence（一个蛋白质序列）、pH值，同一个蛋白质在不同的pH值下也会有变化，tm就是一个稳定性，它就是一个值。tm越高越稳定，就是你熔点越高越稳定，

kaggle你每周只能用 16 个小时的 GPU，你需要在你本地搭建一个环境。你不能在kaggle上训练，它有训练时间限制，而且你关了那个网页它就会给你断掉。

test.csv是测试数据，会给你，sequence id 和蛋白质序列，需要预测每一个

提交文件的时候，只需要做的事情是把每一个seq_id和tm的值预测出来，也就是说我们在测试集的时候，有seq_id和protein_sequence蛋白质序列，把tm值预测出来，它是一个离线的值，不像其它图片或者文本的比赛，你要提交代码上去，然后kaggle的后台给你运行。

因为如果你能看到这些测试集的话，有的人就会手动打标签，这会非常恶心。

测试集一旦公布出来，他就找一堆人去标数据，标了数据然后去拟合，因为你训练集永远是100%的准确度，而测试集的话，如果把训练集加入到测试集的话，标了个数据加入到了测试集中，那预测出来的结果比别人费好大劲儿整出来的模型的精度要高，这是作弊行为。但是，这个比赛不存在这种情况。

因为，蛋白质序列你怎么知道它的稳定性呢？不会有人去挨个去试，如下图所示，有2413个蛋白质序列之多，所以它就很放心的把test.csv公布给你，，，最后你只需要本地去生成一个CSV，提交上去就行了。

还提供了有一个 sample_submission.csv ，分位两列，一个是seq_id，一个是熔点 tm。

额外的，它提供了一个 wildtype_structure_prediction_af2.pdb，这个就是它们官方用 AlphaFold 预测的上述酶的三维结构，已经给你预测好了，2413个测试集的

首先，有一个开源的库，它额外的给测试集加了一点东西，原始测试集只是告诉你 seq_id，protein_sequence，pH，data_source，等，如下图所示。

而开源的discussion，它把测试集给扩展了，还标记了每一个蛋白质序列的编辑次数，把编辑的类型也进行了标记。

另外，它也标记了发生插入、删除、替换字符串的索引的位置，也进行了标记。另外，它也把原来的字符里的位置，字符的通配符的索引也给标注了起来。

最后，它也把插入替换的那些字符也给替换出来了。

6. 跑通 baseline & 提交

首先打开 DeepDDG这个网站：网站链接

看一下这个论文，这个论文在下一篇博客讲，它们开发了一个 server，它们把它们训练好的模型放在上面，你每次就把DeepDDG，就是官方已经转化好了蛋白质的三维结构，你写上邮件地址，它就会给你预测出来。

7. code 代码

视频第 53:00 讲 debug，非常重要。
pdb是必须掌握的、debug也必须掌握， VS Code debug方法

为什么不建议使用 PyCharm，因为 PyCharm 如果想要去本地debug远程服务器的一个代码的话，你需要本地和远程的代码的数据是必须要一致的。

这也是意味着有时候你的数据是从服务器上拿不下来的，你就不能用 PyCharm ，而且 PyCharm 切换环境的时候，不如 VS Code 方便。

你把 VS Code 中非常好用的插件，你装上。所以说 VS Code 它其实非常的轻便，