Минитаск 2: Конвейер обработки данных для построения модели QSAR

Описание задачи

🎯 Цель задания — разработать воспроизводимый конвейер обработки данных для построения модели количественной связи "структура-активность" (QSAR) с использованием открытых данных ChEMBL. Задача включает автоматизацию процесса от загрузки сырых данных до создания датасета, пригодного для машинного обучения.

Задание охватывает этапы, начиная с загрузки и предобработки данных, фильтрации, вычисления молекулярных дескрипторов, до снижения размерности и визуализации. Полученный датасет будет использован вами в 3 минитаске.

Ключевые этапы решения задачи

1. Загрузка и предобработка данных

• Загрузка данных через ChEMBL API для рецептора CHEMBL206 с типом активности Ki и единицей измерения nM.
• Фильтрация по типу активности и единице измерения.

2. Преобразование значений

• Преобразование значений Ki в pKi с использованием формулы:

  pKi = -log10(Ki)

  (для дальнейшего удобства записывайте эти значения в столбец pValue)

• Удаление строк с пропущенными значениями.

3. Молекулярные дескрипторы и отпечатки Моргана

• Генерация 1024-битных отпечатков Моргана с радиусом 2 для SMILES-строк.
• Удаление константных признаков с использованием порога дисперсии <0.01.

4. Снижение размерности с PCA

• Применение Principal Component Analysis (PCA) для снижения размерности и определения оптимального числа компонент, объясняющих ≥95% дисперсии.
• Стандартизация данных перед применением PCA.

5. Формирование финального датасета

• Объединение молекулярных структур (SMILES), значений pValue и PCA-компонент.
• Визуализация процесса снижения размерности.

Необходимые библиотеки

Для выполнения задания необходимо установить следующие библиотеки:

pip install rdkit-pypi
pip install pandas numpy matplotlib seaborn scikit-learn requests

📝 Что сдать

Jupyter Notebook (.ipynb) с кодом и пояснениями Файл final_dataset.csv - финальный датасет с признаками:

• molecule_chembl_id: ID молекулы
• smiles: SMILES-представление
• pValue: Значение активности (pKi)
• pca_1, pca_2, ...: PCA-компоненты