Характеристики

Лицензия: MIT
Библиотека: chemprop
Опубликована: 17 июл 2026

Ссылки

gnn_synth

Языковая модель

Графовая нейросеть оценивает синтезируемость молекул PROTAC по SMILES для ранжирования кандидатов при разработке лекарств.

0скачиваний за 30 дней0лайковвеса обновлены10 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель ailab-bio/gnn_synth — графовая нейронная сеть для оценки синтезируемости молекул PROTAC по их представлению SMILES. Она построена на предобученной CheMeleon — D-MPNN — и дообучена с помощью ChemProp; модель использует графовую структуру молекулы без дополнительных вручную заданных признаков и предсказывает оценку hac_weighted_score, взвешенную по числу тяжёлых атомов.

Модель предназначена для ранжирования кандидатов PROTAC на ранних этапах разработки лекарств по ожидаемой синтезируемости. В карточке указано среднее R² = 0,643 в схеме вложенной кросс-валидации по структурам молекул 5×5. Для загрузки контрольной точки нужны проектный код и совместимые версии ChemProp, Lightning, PyTorch, RDKit и NumPy; версии библиотек могут влиять на воспроизводимость и загрузку.

Веса доступны в формате PyTorch, лицензия — MIT. Оценка синтезируемости является прогнозом модели и сама по себе не подтверждает, что соединение можно получить экспериментально.

Сценарии применения

оценка синтезируемости кандидатов PROTAC
ранжирование молекул PROTAC по прогнозируемой сложности синтеза
отбор соединений для дальнейшей проверки в разработке лекарств

Ограничения

Заявленное среднее R² = 0,643 получено при вложенной кросс-валидации по структурам и не гарантирует качество на новых химических каркасах. Для загрузки контрольной точки требуется совместимая среда ChemProp, Lightning и PyTorch.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PROTAC Synthesizability — CheMeleon GNN

A graph neural network that predicts the heavy-atom-count weighted synthesizability score (hac_weighted_score) of PROTAC molecules from SMILES. Built on the CheMeleon foundation model (a pretrained D-MPNN) fine-tuned via ChemProp — graph-only, no engineered features. Nested 5×5 scaffold cross-validation, Optuna tuning. Mean CV R² = 0.643.

Files

gnn_v3_final.ckpt — fine-tuned model checkpoint (weights + target scaler)
gnn_v3_hparams.yaml — hyperparameters

Usage

Requires the project code: https://github.com/ribesstefano/PROTAC-Synthesizability

Install the package (editable) so protac_synth is importable, then:

from protac_synth.models.gnn.model import CheMeleonRegressor

model  = CheMeleonRegressor.load("gnn_v3_final")   # base path, no extension
smiles = ["O=C(O)c1ccccc1"]
preds  = model.predict(smiles)                     # graph-only: SMILES in, prediction out

The GNN is graph-only: it builds the molecular graph internally, so no fingerprints or descriptors are passed to predict.

Dependencies

The model loads from a torch/ChemProp checkpoint (no .skops/scikit-learn), so loading is sensitive to the ChemProp / Lightning / torch versions rather than scikit-learn. Pin the versions the model was fine-tuned with:

chemprop>=2.2.0 (pin the exact training version for reproducible checkpoint loading)
lightning, torch — pin to the training environment (checkpoint format is torch/Lightning-version dependent)
rdkit, numpy — pin to the training environment

License

MIT

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · chemprop

Нельзя запустить

Графовые модели пока не поддерживаются.

Ревизия весов: 6a72bd6