Ubuntu 下用 PyTorch 做生物信息学分析

一、环境准备与工具链

• 建议使用 Conda 管理环境，Ubuntu 终端依次执行：
  • 创建环境：conda create -n bio-torch python=3.12
  • 激活环境：conda activate bio-torch
  • 安装 PyTorch（示例为 CUDA 11.8）：pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 -f https://mirrors.aliyun.com/pytorch-wheels/cu118
  • 安装常用库：pip install numpy pandas scikit-learn matplotlib seaborn biopython rdkit tqdm ipykernel
  • 图神经网络与蛋白序列建模：pip install torch-geometric fair-esm
  • 蛋白序列嵌入：pip install bio_embeddings
  • 可选：基因调控模型 pip install enformer-pytorch
• 说明：上述组合覆盖 蛋白/核酸嵌入、分子特征、图网络、基因表达预测 等常见任务，适合在 Ubuntu 20.04/22.04 上开展深度学习驱动的生物信息学分析。

二、典型任务与推荐模型

三、端到端示例

• 示例一 蛋白序列嵌入与功能分类
  • 安装：pip install bio_embeddings scikit-learn
  • 思路：用预训练模型生成嵌入，接 SVM 做二分类（示例演示流程，实际需准备标签与交叉验证）。
  • 代码：

    • from bio_embeddings import embed from sklearn.svm import SVC from sklearn.model_selection import cross_val_score import numpy as np

      假设 sequences, labels 已准备好，且为 list/ndarray

      sequences: list of str, labels: list/ndarray of 0/1

      model_name 可选: “prottrans_bert_bfd”, “esm1b_t33_650M_UR50S” 等

      model_name = “prottrans_bert_bfd” X = [embed(seq, model_name) for seq in sequences] X = np.vstack(X) # (N, D)

      clf = SVC(kernel=“rbf”, C=1.0) scores = cross_val_score(clf, X, labels, cv=5) print(“CV accuracy:”, scores.mean(), “+/-”, scores.std())

• 示例二 基因表达预测（Enformer）
  • 安装：pip install enformer-pytorch
  • 思路：准备 one-hot 编码的长序列，切窗送入模型，得到 896 bp 窗口的靶基因表达。
  • 代码：

    • import torch from enformer_pytorch import Enformer

      model = Enformer.from_hparams( dim=1536, depth=11, heads=8, output_heads=dict(human=5313, mouse=1643), target_length=896 ) seq = torch.randint(0, 5, (1, 196_608)) # (batch, len) out = model(seq) # dict: ‘human’, ‘mouse’ print(out[“human”].shape) # (1, 896, 5313)

• 示例三 分子性质预测（RDKit + 简单 MLP）
  • 安装：pip install rdkit scikit-learn
  • 思路：SMILES 标准化 → Morgan 指纹 → MLP 分类/回归。
  • 代码：

    • from rdkit import Chem from rdkit.Chem import AllChem from sklearn.neural_network import MLPClassifier from sklearn.model_selection import train_test_split import numpy as np

      def smiles_to_fp(smiles, radius=2, n_bits=1024): mol = Chem.MolFromSmiles(smiles) if mol is None: return None return np.array(AllChem.GetMorganFingerprintAsBitVect(mol, radius, n_bits), dtype=np.uint8)

      X: list of fingerprints, y: labels

      X = np.array([smiles_to_fp(s) for s in smiles_list]) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

      clf = MLPClassifier(hidden_layer_sizes=(256,128), max_iter=300, random_state=42) clf.fit(X_train, y_train) print(“Test accuracy:”, clf.score(X_test, y_test)) 以上示例展示了 序列嵌入—表达预测—分子性质 三类常见任务的“数据→模型→评估”闭环，可直接在 Ubuntu + PyTorch 环境复现与扩展。

四、数据处理与结果解读要点

• 序列与分子标准化
  • 蛋白序列：统一 FASTA 格式、去除异常字符与低复杂度片段；核酸序列：统一大小写与 N 的处理策略。
  • 分子：SMILES 去盐、去异构体歧义、用 InChIKey 判等，保证样本一致性；必要时进行 标准化/去重。
• 标签与评估
  • 分类任务使用 交叉验证、报告 AUC/PR-AUC/F1；回归任务关注 MAE/RMSE 与分布一致性。
  • 类别不均衡时采用 加权损失/重采样/平衡准确率。
• 模型与可解释性
  • 序列模型可用 注意力权重 定位关键位点；图模型可结合 节点中心性 与模块分析；分子模型可分析 指纹贡献/子结构重要性。
• 资源与加速
  • 长序列（如 Enformer）建议使用 GPU；批量生成嵌入时控制 batch size 与序列长度，避免 OOM。
  • 图数据规模大时采用 采样/分块 与 稀疏张量。

五、常见坑与优化建议

• 版本兼容：PyTorch、CUDA、Python 与库版本需匹配；优先使用 conda 与稳定版本组合。
• 数据泄漏：严格 训练/验证/测试 集划分，特征工程与归一化只在训练集拟合。
• 长序列建模：Enformer 输入需 196,608 bp 的 one-hot；若序列不足需 padding/截断 并合理设置窗口与步长。
• 分子表示选择：指纹（如 Morgan）与图表示（RDKit → DGL/PyG）各有优势，结合任务与算力选择。
• 复现性：固定 随机种子、记录 环境依赖 与 预处理参数，便于团队协作与审稿复现。