제1회 신약개발 AI 경진대회

SMILES 같은 건 너무 어려울 거라 생각했는데, rdkit은 대단한 라이브러리네요.

1. 데이터 불러옵니다.

2. 각각의 분자 구조에서 RDkit, Atompair와 같은 다양한 fingerprint를 추출할 수 있고, Tanimoto Similarity 등으로 두 분자 간 유사도를 측정할 수 있습니다. 
  -  train 분자들의 유사도 분포와, test 분자들의 유사도 분포, train과 test 분자 간의 유사도 분포가 모두 비슷합니다.
  - 혹시라도 test 데이터의 분자들의 fingerprint 속성이 train과 확연히 다르다면 유사도 분포로 달라야 할텐데, 비슷한 것으로 보입니다.

  - 유사도, 거리의 개념을 활용하면 kNN 과 같은 일반적인 분류 알고리즘으로 확장할 수도 있습니다. 그런데 거리는 가까워도 HLM, MLM의 값이 크게 다른 경우가 많았습니다. 아마도 유사도는 모든 fingerprint(보통 2048개)를 활용하지만 실제 약물의 특성은 그 중 일부 요소의 영향이 크기 때문일 겁니다.
  
  - 유사도, 거리의 개념은 군집화(clustering)에도 활용 가능합니다. 두 fingerprint의 유사도 합을 활용해서 train 데이터를 10개 군집으로 나눠봤습니다. 
  - 군집별 평균 HLM, MLM으로 예측 값을 계산해봤지만 역시 별로입니다. 이유는 위의 kNN과 동일할 것 입니다.

3. fingerprint 들은 bit와 count로 구분되더라구요. bit는 0과 1로 count는 해당되는 패턴의 개수(count)로 표현됩니다. 
    다양한 fingerprint 들의 4-layer MLP를 구성했었는데, count의 경우 처리가 애매해서 bit를 썼습니다. 
    트리 기반 모형에는 count가 더 효율적일 것 같고, Descriptors.CalcMolDescriptors()로 이런저런 변수를 추가한 tree 기반의 xgboost를 붙여봅니다.