Deepchem的分子特征化方法之图神经网络特征化 （ConvMolFeaturizer / WeaveFeaturizer）解析

by wufeil

在Deepchem提供的分子特征化方法中，有两个方法是适用于图神经网络的，分别为：ConvMolFeaturizer 和WeaveFeaturizer。

本期我们就来解析一下这两种图神经网络分子特征化的方法。

一、ConvMolFeaturizer

根绝官方文档的介绍，这是基于“Duvenaud, David K., et al. “Convolutional networks on graphs for learning molecular fingerprints.” Advances in neural information processing systems. 2015.”文章打造的图卷积分子特征化的API接口。其模型原理与fingerprint的对比如下：

仔细一看原理还是比较简单的。感兴趣的可以取查看一下原文献。

ConvMolFeaturizer目前还没有中文名字，这里我暂且叫它图卷积特征化。

有时候，我们会觉得deepchem中的模型并不好用，希望可以用到自己使用torch或者tensorflow编写的模型，但是deepchem中的特征化化以后是一个convmol对象，而没有直接给出邻接矩阵节点特征矩阵等信息；此外，模型好不好，输入也是一个很关键的因素，了解输入包含了哪些信息，在分子特征化过程中丢失了那些信息，是进一步改进模型的基础。所以，这里我们更关心它的用法，特别是其返回的邻接矩阵，节点特征如何提取，以及它到底包含了一个分子什么样的信息。

1.1 ConvMolFeaturizer的用法

import deepchem as dc
import rdkit

#分子指纹表示的化学分子
mols=['C', 'CC', 'CCC', 'CCCN', 'CCNC']
#分子指纹转化为mol对象
mols = [rdkit.Chem.MolFromSmiles(i) for i in mols]
#先补个氢
mols = [rdkit.Chem.AddHs(i) for i in mols]

实例化ConvMolFeaturizer，并调用featurize方法实现分子特征化

#实例化ConvMolFeaturizer
feature = dc.feat.ConvMolFeaturizer()
X = feature.featurize(mols)
X

X是一个列表，保存了四个分子图卷积特征化以后的ConvMol对象。

1.2 提取ConvMolFeaturizer的邻接矩阵和节点特征矩阵

图卷积特征化以后产生的ConvMol对象保存了用于表示分子的邻接矩阵，节点特征矩阵的信息。先来来提取它， 提取成我们经常看见的np.array矩阵。

'''
首先，我们先提取一个ConvMol对象
'''
conmol = X[2]
conmol

conmol就是一个图卷积特征化（ConvMolFeaturizer）产生的ConvMol对象。其原来的分子是一个丙烷CH3CH2CH3。

分子中原子的数量

conmol.get_num_atoms()

输出为11，因为丙烷有11个原子。

邻接矩阵

k = conmol.get_adjacency_list()
k

输出为：

输出还是比较奇怪的，并不是正常的邻接矩阵 （丙烷有11个原子，所以其邻接矩阵应该是一个11*11的矩阵）。

其实，conmol.get_adjacency_list()的返回值的邻接矩阵要这么理解：首先，deepchem已经将原子按照度有小到大的顺序排列，所以最后尾的节点的长度要长。此外，例如矩阵中0号节点，也就是[8]第一行，只与8号节点相邻，在邻接矩阵k中k[0,8]=1。这样子那就好理解了，现在就来复原成我们熟悉的稀疏矩阵表示的邻接矩阵。

import scipy
k = conmol.get_adjacency_list()
#k转换为正常矩阵
k_ = np.zeros((len(k), len(k)))
for i in range(len(k)):
    for j in k[i]:
        k_[i,j] = 1
k = k_
print (k)

复原的邻接矩阵为：

那么，复原的邻接矩阵对不对呢？我们可以通过DGL构建一个图，然后用networkx来可视化一下，看它是不是一个丙烷。

import dgl
import networkx as nx
k = scipy.sparse.coo_matrix(k)
graph = dgl.DGLGraph(k)
nx.draw(graph.to_networkx(), with_labels=True)

根绝输出的结果来看，这确实是一个丙烷。其中，0~7号节点都是H，8，9，10三个节点分别C。这样看来，我们对图卷积特征化的邻接矩阵的理解是没有错的。

原子节点的特征矩阵

# 每个原子的特征，已经按照度的由小到大顺序进行排列
atom_feature = conmol.get_atom_features()
print('每个原子的特征长度为:',atom_feature.shape[1])
atom_feature

输出为 （特征矩阵输出并不完整）：

关于节点特征的一些思考

下面来检查一下，8，9，10号节点的特征向量，是否都一致？
通过分子图的构象，8，9，10号节点都是碳原子，但是9号碳原子的与8，10号是有差别的。在图卷积特征化过程中能体现出这一点吗？我们现在来检查一下。

atom_feature_8 = atom_feature[8]
atom_feature_9 = atom_feature[9]
atom_feature_10 = atom_feature[10]

assert all(atom_feature_10 == atom_feature_9)
assert all(atom_feature_8 == atom_feature_9)

运行结果没有报错，图卷积特征化认为，8，9，10号节点都是C原子，其特征都是一致的。

再来检验一次，这次使用分子指纹为：'CCNC’的分子检验一下。

conmol=X[3]
k = conmol.get_adjacency_list()
#获取原子的特征
feature = conmol.get_atom_features()
#k转换为正常矩阵
k_ = np.zeros((len(k), len(k)))
for i in range(len(k)):
    for j in k[i]:
        k_[i,j] = 1
k = k_
print (k)
k = scipy.sparse.coo_matrix(k)
graph = dgl.DGLGraph(k)
nx.draw(graph.to_networkx(), with_labels=True)

'''
判断一下，N原子旁边相邻的C原子（12号节点）与其他C原子特征之间的差别
'''
feature_c_12 = feature[12]
feature_c_11 = feature[11]
feature_c_10 = feature[10]

assert all(feature_c_12 == feature_c_11)
assert all(feature_c_12 == feature_c_10)

#N原子的特征
feature_N = feature[9]
assert all(feature_N == feature_c_11), 'Atom Features not exactly same'
assert all(feature_N == feature_c_10), 'Atom Features not exactly same'

从分子结构上看，9号节点是一个N原子。12,11,10号节点都是C原子。但是，12,11,10号节点的特征都是相同！！！其实我们明眼一看，12号C原子由于旁边是一个N原子，其环境自然是不一样的，其节点特征也应该是不一样的。
也许是，节点的特征仅仅是考虑了键的类型，这里C周围的价键都是单键。

对于不同的原子类型，例如9号节点与11号节点的特征确实是不同的。也就是说图卷积特征化的方法，可以区分分子中不同原子的种类，赋予不同的特征。

小伙伴们可以再拿其他的例子试一下，把结果告诉我。
另外，我们也看到，节点的特征长度高达，75位。这75位我怀疑是基于fingerprint产生的，依据其都为R范围以内的Fingerprint。这一点有人研究明白了也留言告诉我哈。

二、WeaveFeaturizer

WeaveFeaturizer，叫它编织卷积特征化吧。WeaveFeaturizer是另一种deepchem提供的分子图神经网络特征化的方法。其用法与ConvMolFeaturizer类似。

#分子指纹表示的化学分子
mols=['C', 'CC', 'CCC', 'CCCN', 'CCNC']
#分子指纹转化为mol对象
mols = [rdkit.Chem.MolFromSmiles(i) for i in mols]
mols = [rdkit.Chem.AddHs(i) for i in mols]

#实例化ConvMolFeaturizer
feature = dc.feat.WeaveFeaturizer()
X = feature.featurize(mols)

conmol=X[4]
print(type(conmol))

要注意，WeaveFeaturizer编织卷积特征化的方法产生的是deepchem.feat.mol_graphs.WeaveMol对象，与ConvMolFeaturizer产生的ConvMol对象是不一样的。

关于WeaveMol对象中的特征，使用方法，以后在分析。因为deepchem中的这一模块似乎是新开发的，接口信息很不明确，需要看源代码。WeaveFeaturizer好像要比ConvMolFeaturizer要复杂不少。

看了WeaveFeaturizer的源代码发现，WeaveFeaturizer也可以生成节点的特征，节点的特征与ConvMolFeaturizer相同。此外，WeaveFeaturizer也可以生成边的特征。下面就来解析一下WeaveFeaturizer产生的那些特征和用法。

节点特征

conmol.nodes

输出的形状为：(13,75)

conmol.get_num_features() #特征的数量也为75个

输出为：75

边的特征

print('边的特征：', conmol.get_pair_features().shape)

输出为：边的特征： (13, 13, 14)
注意：根据原文档的解释，即使两个节点（原子）之间， 即使没有价键连接也是有特征的。

其边特征计算了：

bond_feats = [
      bt == Chem.rdchem.BondType.SINGLE, bt == Chem.rdchem.BondType.DOUBLE,
      bt == Chem.rdchem.BondType.TRIPLE, bt == Chem.rdchem.BondType.AROMATIC,
      bond.GetIsConjugated(),
      bond.IsInRing()
  ]
if use_chirality:
    bond_feats = bond_feats + one_of_k_encoding_unk(
        str(bond.GetStereo()), GraphConvConstants.possible_bond_stereo)

包括：是否是单键，双键，三键，共轭，环， 还有就是关于手性的信息。

总结：
deepchem中有两种分子适用于图神经网络特征化的方法：ConvMolFeaturizer和WeaveFeaturizer两种。ConvMolFeaturizer仅计算了节点的特征；WeaveFeaturizer不仅计算了节点的特征，还计算了边的特征。注意，ConvMolFeaturizer与WeaveFeaturizer的节点特征的计算方法是一致的。

美中不足的是，这些特征都是one-hot类型的。这些特征实际上就是RDKIT的描述符。