mean_attr.pt是怎么来的

[llllly26]

您好，我想了解一下文件src\utils\dataset_utils里面的datasetargument、NormalizeProtein以及get_stat函数，尤其是后面两个。里面提到了一个mean_attr.pt 文件。我想知道的是这个文件是怎么来的呢？不同的dataset用的是一样的吗？可以帮忙解释一下吗？ 谢谢！

[tyang816]

您好~ 在处理蛋白质的时候我们需要对坐标等进行正则化，而构建图的时候K近邻的K选择会影响图的正则化，所以这里有10，20，30三种。 这个文件是您找到的get_stat函数计算出来的，构建训练数据集的时候会自动生成。理论上讲不同的dataset应该是不一样的，应该符合目标数据集的分布（比如Alphafold或ESMFold折的和晶体结构肯定不一样），但实际上我们很难获取这个分布，因此这里我们直接使用了CATH数据集，以它算出来的坐标等信息的分布作为正则化的标准文件

[llllly26]

您好~ 在处理蛋白质的时候我们需要对坐标等进行正则化，而构建图的时候K近邻的K选择会影响图的正则化，所以这里有10，20，30三种。 这个文件是您找到的get_stat函数计算出来的，构建训练数据集的时候会自动生成。理论上讲不同的dataset应该是不一样的，应该符合目标数据集的分布（比如Alphafold或ESMFold折的和晶体结构肯定不一样），但实际上我们很难获取这个分布，因此这里我们直接使用了CATH数据集，以它算出来的坐标等信息的分布作为正则化的标准文件

感谢您的解答！还有些问题想要寻求一下您的帮助 我看了一下，get_stat函数首先接收了graph_root函数来生成标准文件的，可是这个graph_root不是生成出来的图存放的路径吗(.pt文件吧)？可是在构建图的时候不是也会利用这个标准化的文件吗？这样难道不就死循环了吗？可能我理解有些偏差，期待能够得到您的解答。 还有个问题，您了解TS50/T500数据集吗？根据您的讲解，我想利用CATH数据集计算出正则化的标准文件来处理这个数数据集，看起来是不是也是可行的呀？目前是都会利用CATH数据集来做一个标准文件吗？此外，是不是可以理解为不同的标准文件，最大区别主要是K近邻的K值选择问题呢？

[tyang816]

不好意思这里是有点误导人，其实不是死循环，代码里面的流程是：

1. 生成正常图 -> 生成正则化文件 -> 生成正则化后的图。
2. 过程中同时保留了正则化前后的图数据。

理论上来说是可以用这个标准文件来处理新数据集。前提是：是同样或类似的KNN建图方法，且基本超参一致，比如也是以10A作为cut off。如果你是构建的BFS或者其他图就不太行了。

目前并不一定是用CATH数据集做标准文件，也有使用Alphafold Database等的，也有不使用标准化的方法，这个需要根据您的场景来选择。

不同的标准文件在本项目中最大的差别是K的选择，但在不同项目中受到建图方式、数据集分布影响很大。

[llllly26]

thanks!

[llllly26]

您好！我看了一下没找到代码中调用get_stat 的部分，可能您已经提前生成好了。我想知道的是，您在使用其来生成cath_k10_mean_attr.pt的时候，这个函数的参数设置是保持默认吗还是设置了什么呢？参数是limited_num=None, num_subgroup=1000 , max_limits=100000.

[tyang816]

您好！我看了一下没找到代码中调用get_stat 的部分，可能您已经提前生成好了。我想知道的是，您在使用其来生成cath_k10_mean_attr.pt的时候，这个函数的参数设置是保持默认吗还是设置了什么呢？参数是limited_num=None, num_subgroup=1000 , max_limits=100000.

在cath_dataset里面是有调用get_stat的，参数是保持默认的