chemprop

Chemprop 分子性质模型训练技能,基于图神经网络(GNN)。适用于:分子 SMILES 数据训练、多靶点毒性模型训练、分子性质模型训练、Tox21 格式数据处理。当用户需要对分子进行毒性/性质模型训练时使用本技能。

SKILL.md

GitHub

Chemprop 分子性质模型训练

通过调用 Chemprop 图神经网络工作站,对输入的分子 SMILES 数据进行多靶点毒性/性质模型训练。

前置条件

  • 工作站 API 地址:http://114.214.211.25:30082
  • 镜像地址:114.214.255.82:18080/internal/job:yaml.arm

触发关键词

  • Chemprop、分子性质训练、毒性模型训练
  • SMILES 训练、分子毒性模型训练
  • Tox21 格式、多靶点训练
  • 对分子进行性质/毒性模型训练

工作流程概述

所有 Chemprop 训练计算遵循三步流程:

  1. 上传文件:将输入数据文件(CSV)上传至文件服务器,获取文件 URL
  2. 提交任务:将文件 URL 和计算参数提交至工作站 API,获取任务 ID
  3. 下载结果:通过任务 ID 下载计算结果 ZIP 压缩包(包含训练好的模型和日志)

功能:Chemprop 分子性质模型训练

1. 收集参数

参数 必填 说明
inputfile 是 输入数据文件的 URL 地址(CSV 格式)。第一列必须为 smiles(分子 SMILES 字符串),后续列为各靶点标签(0/1,空值表示未测定),如 Tox21 格式
objective 是 模型模板标识,当前固定填写 "chemprop"

CSV 文件格式要求:

  • 第一列必须为 smiles(分子 SMILES 字符串)
  • 后续列为各靶点标签(0/1,空值表示未测定)
  • 建议至少包含 50 条以上的数据以获得稳定的训练效果
  • 空值可以用空字符串、NA、null 等表示

CSV 格式示例:

smiles,target1,target2,target3
CCO,0,1,NA
c1ccccc1,1,0,1
CC(C)CC(C)(C)C,0,0,0
CC(=O)OC1=CC=CC=C1C(=O)O,1,1,NA
CN1C=NC2=C1C(=O)N(C(=O)N2C)C,0,1,1

如果用户未提供输入文件,必须询问用户需要训练哪些分子的性质模型。

2. 执行计算(推荐使用 Python 脚本)

python scripts/chemprop_run.py \
  --inputfile http://example.com/input.csv \
  --objective chemprop

3. 手动调用 REST API(备选方案)

3a. 上传文件

curl -s -X POST http://114.214.215.131:40080/worker/file/upload \
  -H "identifies: 691c9f24af764bd6ac955a0e8dd0dba9" \
  -F "file=@input.csv"

响应示例:

{
  "code": 0,
  "data": "http://114.214.215.131:40080/files/pan-dev/20260330165337547input.csv",
  "message": ""
}

data 字段即为文件 URL,后续作为 inputfile 参数使用。

3b. 提交任务

curl -X POST 'http://114.214.211.25:30082/api/jobs' \
  -H 'Content-Type: application/json' \
  -d '{
    "params": {
      "inputfile": "http://114.214.215.131:40080/files/pan-dev/20260330165337547input.csv",
      "objective": "chemprop"
    },
    "image": "114.214.255.82:18080/internal/job:yaml.arm",
    "parentId": "<task-id>",
    "taskId": "<task-id>",
    "createdBy": "<用户名>"
  }'

<task-id> 为 UUID 格式的任务标识符,可使用 Python 的 uuid.uuid4() 生成。


查询任务状态

任务提交后,通过以下 API 轮询查询任务状态:

API:GET http://114.214.211.25:30082/api/jobs?id=<job_id>

<job_id> 为提交任务时返回的 data.id(integer)。

任务状态说明:

状态 含义 是否终态
PENDING 等待调度 否
DISPATCHED 已下发到集群 否
RUNNING 执行中 否
SUCCEEDED 执行成功 ✅ 是
FAILED 执行失败 ✅ 是
CANCELLED 已取消 ✅ 是
TIMEOUT 超时终止 ✅ 是

轮询建议:非终态(PENDING / DISPATCHED / RUNNING)时持续轮询,直到变为终态。

响应格式:

{
  "code": 200,
  "status": true,
  "data": {
    "id": 12345,
    "taskId": "e3a0a335-17db-44ea-8b39-a3c7f02572j6",
    "status": "SUCCEEDED",
    "output": {}
  }
}

data.output 为空对象 {},执行结果通过下载接口获取。


下载计算结果

任务进入终态(SUCCEEDED / FAILED 等)后,通过 taskId 下载该任务工作目录的 zip 压缩包。

API:GET http://114.214.211.25:30082/api/tasks/download?taskId=<task_id>

<task_id> 为提交任务时请求体中的 taskId(UUID),与查询时的 data.id(integer)不同。

下载示例:

curl -OJ 'http://114.214.211.25:30082/api/tasks/download?taskId=e3a0a335-17db-44ea-8b39-a3c7f02572j6'

返回 application/octet-stream 二进制流,Content-Disposition 为 attachment; filename="{taskId}.zip"。


输出结果

向用户汇报:

  • 任务提交是否成功
  • API 返回的任务信息(任务 ID、状态等)
  • 计算完成后,提供结果下载链接
  • 计算参数确认(objective、inputfile 等)

错误处理

错误 原因 处理
文件上传失败 网络问题或文件过大 检查网络连接,确认文件大小合理
HTTP 404 API 地址或镜像错误 确认使用正确的镜像地址
HTTP 400 参数缺失或格式错误 检查 inputfile、objective 是否正确
CSV 格式错误 输入文件不符合要求 确认第一列为 smiles,后续列为靶点标签(0/1)
连接被拒绝 工作站服务未启动 提示用户确认服务状态
任务状态为 FAILED 计算执行失败 查看 data.message 字段排查原因
Job has reached the specified backoff limit 数据量不足或训练配置问题 确认数据量是否足够(建议至少 50 条),或联系管理员检查镜像配置

注意事项

  • 输入文件必须先上传到文件服务器获取 URL,不能直接传本地路径
  • 输入文件格式为 CSV,第一列必须为 smiles(分子 SMILES 字符串)
  • 后续列为各靶点标签(0/1,空值表示未测定),如 Tox21 格式
  • 任务本身不返回结构化数据,data.output 为空对象 {},执行结果通过下载接口获取
  • 工作站计算为异步任务,提交后需要等待服务器完成计算
  • 查询任务状态使用 data.id(integer),下载结果使用 taskId(UUID)

与其他技能联动

典型工作流:

  1. 使用 mol-qc(molatom/xTB)或 mol-toolkit 生成/处理分子结构
  2. 导出分子 SMILES 列表为 CSV 格式(包含靶点标签)
  3. 使用本技能进行多靶点毒性/性质模型训练
  4. 训练完成后,使用训练好的模型进行预测(需要额外的预测接口)