معرفی شرکت ها

drug-smile-fet-1.0.5

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
1.0.5
1.0.4
1.0.3
1.0.2
1.0.1
0.2
0.1
0.0
1.0.5
1.0.4
1.0.3
1.0.2
1.0.1
0.2
0.1
0.0

توضیحات

This tool provides methods to extract meaningful features from drug SMILES for AI-Based Drug Development.
ویژگی مقدار
سیستم عامل -
نام فایل drug-smile-fet-1.0.5
نام drug-smile-fet
نسخه کتابخانه 1.0.5
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Rahul Sharma
ایمیل نویسنده rahul_rs.sharma@hotmail.com
آدرس صفحه اصلی https://github.com/rahulsharma-rs/drug-smile-fet
آدرس اینترنتی https://pypi.org/project/drug-smile-fet/
مجوز MIT
## Pre-requisites Install RdKit library: - instllation through [anaconda](https://anaconda.org/rdkit/rdkit) - instllation through [pip](https://pypi.org/project/rdkit-pypi/) ## Usage - Make sure you have Python installed in your system. - Run Following command in the CMD. ``` pip install drug-smile-fet ``` ## Example ``` # example.py from dsfet import fe_1mol import pandas as pd train_smiles = {'DRUG_NAME': {0: 'Luminespib', 1: 'Trametinib', 2: 'Venetoclax', 3: 'Olaparib', 4: 'Axitinib'}, 'PUBCHEM_ID': {0: 135539077.0, 1: 11707110.0, 2: 49846579.0, 3: 23725625.0, 4: 6450551.0}, 'SMILES': {0: 'CCNC(=O)C1=NOC(=C1C2=CC=C(C=C2)CN3CCOCC3)C4=CC(=C(C=C4O)O)C(C)C', 1: 'CC1=C2C(=C(N(C1=O)C)NC3=C(C=C(C=C3)I)F)C(=O)N(C(=O)N2C4=CC=CC(=C4)NC(=O)C)C5CC5', 2: 'CC1(CCC(=C(C1)C2=CC=C(C=C2)Cl)CN3CCN(CC3)C4=CC(=C(C=C4)C(=O)NS(=O)(=O)C5=CC(=C(C=C5)NCC6CCOCC6)[N+](=O)[O-])OC7=CN=C8C(=C7)C=CN8)C', 3: 'C1CC1C(=O)N2CCN(CC2)C(=O)C3=C(C=CC(=C3)CC4=NNC(=O)C5=CC=CC=C54)F', 4: 'CNC(=O)C1=CC=CC=C1SC2=CC3=C(C=C2)C(=NN3)/C=C/C4=CC=CC=N4'} } train_smiles_df = pd.DataFrame(data=train_smiles) test_smile = train_smiles test_smile_df = pd.DataFrame(test_smile) #Example 1: to call NLP-based feature extraction method #Train, Test, feature_sequences, feature_to_token_map = fe_1mol.oneMolFeatureExtraction(trainSMILES=train_smiles_df, testSMILES=train_smiles_df,ngram_list=[1,2,3,4,5,6,7,8]) Train, Test, feature_sequences, feature_to_token_map = fe_1mol.oneMolFeatureExtraction(trainSMILES=train_smiles_df, testSMILES=None,ngram_list=[1,2,3,4,5,6,7,8]) #Example 2: to call Morgan Fingerprints based feature extraction method #nBits is the number of bits in the fingerprint result= fe_1mol.morganFingerPrint(train_smiles_df, nBits=1024) ``` ### Note: The input to the method ```oneMolFeatureExtraction() and morganFingerPrint()``` must be a pandas DataFrame and the Drug SMILES column name must be in uppercase: - e.g., SMILES ### Cite us at: Rahul Sharma, & Jake Y. Chen. (2022). Drug SMILE Feature Extraction Tool (1.0.3). Zenodo. [https://doi.org/10.5281/zenodo.7072304](https://doi.org/10.5281/zenodo.7072304)


نیازمندی

مقدار نام
- scikit-learn
- pandas


زبان مورد نیاز

مقدار نام
>=3.8 Python


نحوه نصب


نصب پکیج whl drug-smile-fet-1.0.5:

    pip install drug-smile-fet-1.0.5.whl


نصب پکیج tar.gz drug-smile-fet-1.0.5:

    pip install drug-smile-fet-1.0.5.tar.gz