Add SEA prediction module

[Hinna0818]

添加基于SEA的化合物靶点预测。

1. dataloader.py是从google drive下载数据库和配置文件到本地，如果本地已经有的话脚本就默认跳过这个步骤。
2. runsea.py是实现SEA预测过程的模块。
3. main.py是主脚本，导入前面两个模块进行靶点预测。用户可以自己修改该脚本的输出化合物信息，最后会保存一个靶点预测结果的csv文件到文件夹下。

详细的说明可以见该目录的readme文件。

[Hinna0818]

这个pr的冲突也解决了，可以作为第二个审阅的对象

[GuangchuangYu]

SEA官方python文件？

[Hinna0818]

SEA官方python文件？

https://sea.bkslab.org/datasets SEA官方提供的数据集如下：

一个是化合物的rdata文件，另一个是化合物-靶点的rdata文件，另外一个是模型背景参数的fit文件。我是先对这两个rdata在服务器上与处理了一下：提取化合物结构和靶点信息，利用 RDKit 计算分子指纹，最后将所有处理好的数据和元数据打包保存为一个 Python 的 .pkl 文件，脚本如下：

import pandas as pd
import pyreadr
from rdkit import Chem
from rdkit.Chem import AllChem
import pickle
import os
from tqdm import tqdm

# Configuration paths
BASE_PATH = "/biostack/home/henan/tcmdata/new_data/chembl27_rdkit_ecfp4"
COMPOUNDS_PATH = os.path.join(BASE_PATH, "chembl27_rdkit_ecfp4_compounds.Rdata")
SETS_PATH = os.path.join(BASE_PATH, "chembl27_rdkit_ecfp4_sets.Rdata")
OUTPUT_FILE = "target_fp_db_with_metadata.pkl"

def build_database():
    print("loading Rdata file...")
    comp_data = pyreadr.read_r(COMPOUNDS_PATH)
    sets_data = pyreadr.read_r(SETS_PATH)

    # Extract DataFrame
    chembl_smi = comp_data[list(comp_data.keys())[0]]
    chembl_sets = sets_data[list(sets_data.keys())[0]]

    # Process compound SMILES
    lig = chembl_smi.iloc[:, 0:2].copy()
    lig.columns = ['compound', 'smiles']
    lig = lig.drop_duplicates(subset=['compound'])

    # Merge tables to get target details (Target, Name, Description)
    merged = pd.merge(lig, chembl_sets, on='compound', how='inner')

    # Extract organism
    merged['organism'] = merged['target'].str.split('_').str[-1]

    # Build target metadata dictionary {target_id: {symbol, organism, description}}
    metadata = merged[['target', 'name', 'organism', 'description']].drop_duplicates(subset=['target'])
    metadata_dict = metadata.set_index('target').to_dict('index')

    # Group SMILES by target
    target_smiles_dict = merged.groupby('target')['smiles'].apply(list).to_dict()

    print(f"Starting fingerprint calculation (Total targets: {len(target_smiles_dict)})...")
    final_fps = {}
    for target, smiles_list in tqdm(target_smiles_dict.items()):
        valid_fps = []
        for smi in smiles_list:
            if not smi or smi == 'nan': continue
            mol = Chem.MolFromSmiles(smi)
            if mol:
                # Generate 2048-bit Morgan fingerprint (ECFP4)
                fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=2048)
                valid_fps.append(fp)
        
        if valid_fps:
            final_fps[target] = valid_fps

    # Save
    print(f"Saving database to {OUTPUT_FILE} ...")
    with open(OUTPUT_FILE, 'wb') as f:
        pickle.dump({"fingerprints": final_fps, "metadata": metadata_dict}, f)
    print("Database build complete!")

if __name__ == "__main__":
    build_database()

最后生成一个二进制文件target_fp_db_with_metadata.pkl，再把这个文件和一开始的背景模型参数.fit文件打包到Google Drive上，就作为这个模块的一个小数据集。后面的dataloader.py, runsea.py, main.py都是根据给定参数和文献方法从头实现SEA的预测模块。

[GuangchuangYu]

从头实现为什么不用R？

[Hinna0818]

从头实现为什么不用R？

目前的问题在于指纹生成的算法一致性。原有的SEA统计模型（即 .fit 背景文件）是基于RDKit的Morgan指纹训练出来的，R原生的rcdk包虽然也能计算ECFP4指纹，但其底层的哈希算法和 RDKit（C++底层）存在细微差异。如果直接用rcdk算出的指纹去匹配基于 RDKit训练的统计模型，会导致计算出的Z-score和 P-value 出现偏差。

如果要用R，目前我想到比较好的方法就是用reticulate包调用python的RDKit库来计算，但这样会不会安装和使用起来困难一些？

[GuangchuangYu]

我是先对这两个rdata在服务器上与处理了一下：提取化合物结构和靶点信息，利用 RDKit 计算分子指纹，最后将所有处理好的数据和元数据打包保存为一个 Python 的 .pkl 文件

目前的问题在于指纹生成的算法一致性。原有的SEA统计模型（即 .fit 背景文件）是基于RDKit的Morgan指纹训练出来的，R原生的rcdk包虽然也能计算ECFP4指纹，但其底层的哈希算法和 RDKit（C++底层）存在细微差异。如果直接用rcdk算出的指纹去匹配基于 RDKit训练的统计模型，会导致计算出的Z-score和 P-value 出现偏差。

你这不思路有点坑！

[Hinna0818]

我是先对这两个rdata在服务器上与处理了一下：提取化合物结构和靶点信息，利用 RDKit 计算分子指纹，最后将所有处理好的数据和元数据打包保存为一个 Python 的 .pkl 文件

目前的问题在于指纹生成的算法一致性。原有的SEA统计模型（即 .fit 背景文件）是基于RDKit的Morgan指纹训练出来的，R原生的rcdk包虽然也能计算ECFP4指纹，但其底层的哈希算法和 RDKit（C++底层）存在细微差异。如果直接用rcdk算出的指纹去匹配基于 RDKit训练的统计模型，会导致计算出的Z-score和 P-value 出现偏差。

你这不思路有点坑！

老师我没明白您的意思，官方的数据描述是：Uniprot Entry to Zinc ID with Extended Connectivity Fingerprint with diameter 4 (Hashed) fingerprints。这个数据库（包括 .fit 文件里的统计参数 MU 和 SIGMA）在构建的时候，也就是原作者在做数据的时候，用的就是 RDKit 的 Morgan 指纹（Radius=2, 相当于 Diameter=4）。我处理的时候用的也是RDKit，参数和官方一样也是 Radius=2（即 Diameter=4），这样就和官方的一致了。

[GuangchuangYu]

为什么觉得有坑，因为不兼容是你自己搞出来的。你应该统一在R里，这个功能才是可用的。现在这上，等同于没有用。

用rcdk，如果差别太大，不能接受，那就用C++版的RDKit，用R封装。要么不做，要么就做到让别人容易用。

[Hinna0818]

为什么觉得有坑，因为不兼容是你自己搞出来的。你应该统一在R里，这个功能才是可用的。现在这上，等同于没有用。

用rcdk，如果差别太大，不能接受，那就用C++版的RDKit，用R封装。要么不做，要么就做到让别人容易用。

我明白了老师，我研究一下能否用R封装C++版的RDKit来实现这个功能。