SIGN算法的数据预处理错误

[chrisxu2016]

1. setxor错误：举例输入 setxor(a=[1, 0], b=[0, 2])，将会得到 [0, 1, 0, 2], []， 实际上按照bond_graph_base的生成方式，只需要取a[0]和 b[1]即可 https://github.com/PaddlePaddle/PaddleHelix/blob/e5578f72c2a203a27d9df7da111f1ced826c1429/apps/drug_target_interaction/sign/dataset.py#L149

2. 这里输出的atoms使用的是atom在特征矩阵的维度， 与后面的atom_type不符, 提供的处理好的数据是没有问题的(https://www.dropbox.com/sh/68vc7j5cvqo4p39/AAB_96TpzJWXw6N0zxHdsppEa) https://github.com/PaddlePaddle/PaddleHelix/blob/e5578f72c2a203a27d9df7da111f1ced826c1429/apps/drug_target_interaction/sign/preprocess_pdbbind.py#L280

存在疑惑的地方：

3. 如果 a边:[0, 1 ], b边[1, 0], 则c边为[0, 0], 如果取dist_mat[0, 0],则c边长度为inf，计算可得夹角为180度（encode为5）但按照其它的边的夹角构造方式，则夹角应该为0度（encode为0） https://github.com/PaddlePaddle/PaddleHelix/blob/e5578f72c2a203a27d9df7da111f1ced826c1429/apps/drug_target_interaction/sign/dataset.py#L152

[chrisxu2016]

更新一下，我修正这些问题之后的结果是 RMSE: 1.238, MAE: 0.978, SD: 1.23, R: 0.824 论文结果: RMSE: 1.316(0.031), MAE: 1.027(0.025), SD: 1.312(0.035), R:0.797(0.012)

[agave233]

感谢指出的问题。

1. 这部分确实是数据处理部分存在的bug，今天进行了修复并重新实验，在我们机器环境下与论文结果相差不大，结果如下：

   RMSE: 1.311(0.021), MAE: 1.021(0.009), SD: 1.312(0.027), R:0.798(0.008)

2. 在特征抽取时针对不同数据格式我们当时尝试了不同的方法，在release代码时放错了函数，实际生成的预处理数据集没有问题

3. 我们在代码中其实有加入去除图中情况的处理策略，来避免a_01和a_10相连，同样在整理发布代码时有所疏忽。

   bond_graph_base[range(num_bonds), [indices.index([x[1],x[0]]) for x in indices]] = 0 

我们会在近期同步修正以上问题后的代码~

[chrisxu2016]

好的，我试下去掉自邻边看看，这样做除了减少计算量，有什么其它好处吗？

PS. 提两个小的建议，可以加速数据预处理

1. bond2bond的邻接矩阵计算，可以采用gpu来加速计算两个矩阵的外积,例如使用cupy

   
   import cupy as cp

bond_graph_base = cp.matmul(cp.array(assignment_b2a, dtype='int8'), cp.array(assignment_a2b, dtype='int8')).get()

https://github.com/PaddlePaddle/PaddleHelix/blob/e5578f72c2a203a27d9df7da111f1ced826c1429/apps/drug_target_interaction/sign/dataset.py#L139

2. 两边的夹角计算可以用numpy来并行计算

我采用了这两个策略后，平均每个样本的处理耗时0.1S左右

[agave233]

好的，我试下去掉自邻边看看，这样做除了减少计算量，有什么其它好处吗？

PS. 提两个小的建议，可以加速数据预处理

1. bond2bond的邻接矩阵计算，可以采用gpu来加速计算两个矩阵的外积,例如使用cupy

import cupy as cp

bond_graph_base = cp.matmul(cp.array(assignment_b2a, dtype='int8'), cp.array(assignment_a2b, dtype='int8')).get()

https://github.com/PaddlePaddle/PaddleHelix/blob/e5578f72c2a203a27d9df7da111f1ced826c1429/apps/drug_target_interaction/sign/dataset.py#L139

1. 两边的夹角计算可以用numpy来并行计算

我采用了这两个策略后，平均每个样本的处理耗时0.1S左右

这里是类似于atom graph里去掉self-loop，主要目的还是让模型学习每个target atom/bond的周围邻居的空间分布。或者单独再划分一个domain来加入这种『自邻边』也是可以的，我们之后也准备进一步尝试一下不同的策略。

特别感谢提出的一系列建议👍🏻