PeptiProp

Yapısal protein–peptid etkileşim tahmini: PROPEDIA verisinden skor üretimi, aday sıralama ve görsel raporlama.

Amaç

Protein–peptid etkileşimleri ilaç tasarımı, sinyal yolağı analizi ve biyomalzeme mühendisliğinde merkezi bir rol oynar. Peptid-bazlı terapötikler küçük moleküllere kıyasla daha yüksek hedef seçiciliği ve daha düşük toksisite sunsa da, hangi peptidin bir protein yüzeyine gerçekten bağlanacağını tahmin etmek hesaplamalı olarak zorlu bir problemdir: bağlanma yüzeyi büyük, esneklik yüksek, ve konformasyon uzayı geniştir.

PeptiProp, deneysel olarak çözülmüş kristal yapılarından (co-crystal) yola çıkarak bir protein yüzeyine hangi peptidin gerçekten bağlandığını ayırt edebilen bir skorlama ve sıralama (reranking) modeli sunar. Temel hedef, verilen bir protein için aday peptitler arasında native (doğal) bağlayıcıyı üst sıralara taşımaktır.

Neden Geleneksel Yöntemler Yetmiyor?

Geleneksel makine öğrenimi yaklaşımları (MLP, Random Forest, XGBoost), protein–peptid çiftlerini özet istatistiklerle (ortalama uzunluk, aminoasit oranları, genel arayüz skoru) temsil eder. Bu temsil, rezidü seviyesindeki yapısal bilgiyi — hangi aminoasidin hangi pozisyonda hangi komşusuyla etkileştiğini — kaybeder. PeptiProp, her rezidüyü bir graf düğümü olarak modelleyerek bu bilgiyi korur ve ESM-2 protein dil modelinin evrimsel bağlam bilgisiyle zenginleştirir.

Canlı Demo

GitHub Pages: atakan-emre.github.io/PeptiProp

Statik site 8 metrik kartı, 6 fazlı detaylı pipeline diyagramı, MLP vs GNN ablation karşılaştırma grafiği, ROC/PR eğrileri, confusion matrix, skor dağılımı histogramı, top-ranked tahmin tablosu, 5 farklı skor ve uzunlukta 2D peptit görseli (lightbox ile büyütme), gömülü 3D yapı önizlemesi (3Dmol.js) ve responsive tasarım içerir.

Yöntem

1. Veri Kaynağı: PROPEDIA

PROPEDIA (Protein–Peptide Binding Database), PDB'den derlenen ve deneysel olarak çözülmüş protein–peptid ko-kristal yapılarını barındıran kapsamlı bir veri tabanıdır. Her kayıt, bir protein zincirine fiziksel olarak bağlı peptid zincirinin atomik koordinatlarını içerir.

Öğe	Değer
Kompleks sayısı	42,375
Zincir sayısı	84,750
Toplam rezidü	~12.3 milyon
Arayüz rezidüsü	~134,000 (5 Å eşik)
Pocket rezidüsü	~605,000 (8 Å eşik)
Kaynak format	mmCIF (Macromolecular Crystallographic Information File)

2. Kanonik Veri Oluşturma

Ham PROPEDIA yapıları, üç standart Parquet tablosuna dönüştürülür:

complexes — her kompleks için PDB ID, kaynak, kalite bayrağı.
chains — her zincir için tip (protein/peptid), uzunluk, ikincil yapı oranı, aminoasit bileşimi.
residues — her rezidü için koordinatlar, arayüz/pocket bayrağı, yerel yoğunluk.

Arayüz ve pocket anotasyonu mesafe tabanlıdır: protein–peptid atomları arası mesafe 5 Å altındaysa arayüz, 8 Å altındaysa pocket olarak etiketlenir.

3. Veri Sızıntısı Koruması: Sekans-Küme Bazlı Split

Benzer sekans yapısına sahip proteinlerin hem eğitim hem test setinde bulunması, gerçek dünya performansını şişirir. Bunu önlemek için:

Tüm protein sekansları MMseqs2 ile %30 kimlik eşiğinde kümelenir.
Her küme bölünmez bir birim olarak tek bir split'e (train / val / test) atanır.
Böylece test setindeki hiçbir protein, eğitim setindekilerle yüksek sekans benzerliği taşımaz.

4. Negatif Çift Üretimi

Modelin "bağlanmayan" örnekleri öğrenmesi için iki tür negatif çift üretilir:

Tür	Açıklama	Zorluk
Easy	Protein ile tamamen rastgele bir peptid eşleştirilir	Düşük
Hard	Aynı split içinde, benzer protein sequence/bucket havuzundan farklı bir peptid eşleştirilir	Yüksek

Her protein grubu için 1 pozitif (native) + 4 easy + 1 hard = 6 aday oluşturulur.

5. Özellik Mühendisliği

v0.1 MLP Baseline (Özet Vektör)

Her protein–peptid çifti için aşağıdaki bilgiler 131 boyutlu dense bir özellik vektörüne dönüştürülür:

Kategori	Özellikler	Boyut
Yapısal	Zincir uzunluğu, ikincil yapı oranları (helix/sheet/coil)	4+4
Sekans	Aminoasit bileşimi (20-boyutlu frekans vektörü)	20+20
Arayüz	Arayüz rezidü sayısı, arayüz oranı	2+2
Pocket	Pocket rezidü sayısı, pocket oranı	2+2
Yerel yoğunluk	8 Å yarıçapında komşu atom yoğunluğu (ort/std)	2+2
Çift-bazlı	Kosinus benzerliği, L2 mesafesi, dot product	3

Bu temsil, protein–peptid etkileşiminin rezidü düzeyindeki detaylarını kaybeder: hangi aminoasidin etkileşim yüzeyinde olduğu, komşuluk ilişkileri ve yerel yapısal motifler bilgisi yok olur.

v0.2 GNN+ESM-2 (Rezidü-Seviye Graf)

Her rezidü bir graf düğümü olarak 326 boyutlu özellik vektörüyle temsil edilir:

Kaynak	Özellik	Boyut	Açıklama
ESM-2	Per-rezidü embedding	320	Evrimsel bağlam: benzer sekans ailelerinden öğrenilmiş anlamsal temsil
Yapısal	is_interface	1	5 Å arayüzde mi?
Yapısal	is_pocket	1	8 Å pocket bölgesinde mi?
Yapısal	ss_onehot	3	İkincil yapı tipi (helix / sheet / coil)
Yapısal	local_density	1	8 Å yarıçapında komşu rezidü yoğunluğu

Kenar bilgisi: Cα atomları arası mesafe < 8 Å olan rezidü çiftleri birbirine bağlanır. Her kenar 4 boyutlu özellik taşır: [mesafe, birim_yön_x, birim_yön_y, birim_yön_z].

6. Model Mimarisi

ESM-2 Nedir?

ESM-2 (Evolutionary Scale Modeling 2), Meta AI tarafından geliştirilen, milyarlarca protein sekansı üzerinde self-supervised olarak eğitilmiş bir protein dil modelidir. Tıpkı GPT'nin doğal dil için yaptığı gibi, ESM-2 aminoasit dizilerinin istatistiksel örüntülerini öğrenir ve her rezidü için evrimsel bağlam bilgisi içeren yoğun vektör temsilleri üretir.

PeptiProp'ta esm2_t6_8M_UR50D varyantı kullanılır: 6 transformer katmanı, 8 milyon parametre, UniRef50 üzerinde eğitilmiş. Her rezidü için 320 boyutlu embedding üretir. 1022 token'dan uzun sekanslar için kayar pencere (stride 512) ve örtüşen bölgelerin ortalaması uygulanır.

GATv2 Nedir?

GATv2 (Graph Attention Network v2), graf düğümleri arasındaki mesaj iletiminde dinamik attention mekanizması kullanan bir graf sinir ağıdır. Standart GAT'tan farkı, attention skorlarının hem kaynak hem hedef düğüme bağlı olarak hesaplanmasıdır — bu sayede model, etkileşim yüzeyindeki kritik rezidülere daha fazla ağırlık verebilir.

Mimari Detayı

Proje iki model mimarisini destekler:

v0.1 — MLP Baseline: 3 katmanlı tam bağlantılı sinir ağı. Her çift için özet istatistiklerden (131-d) oluşan dense vektörü girdi alır. Apple MLX framework'ü ile eğitilir.

v0.2 — GATv2 + ESM-2 (Aktif): Çift kanallı (dual-encoder) graf sinir ağı ile ön-eğitimli protein dil modeli birleşimi. Her rezidü bir graf düğümü olarak temsil edilir; düğüm özellikleri ESM-2'nin per-rezidü embedding'leri (320-d) ve yapısal anotasyonları (6-d) içerir.

Protein Rezidü Grafı ──→ GATv2 Encoder (4 katman, 4 head) ──→ Attention Pooling ──→ protein_vec (128-d)
                                                                                           ↘
                                                                                   [concat; hadamard; |diff|]
                                                                                           ↗       ↓
Peptid Rezidü Grafı  ──→ GATv2 Encoder (4 katman, 4 head) ──→ Attention Pooling ──→ peptide_vec (128-d)
                                                                                               MLP Head (512→256→128→1) → skor

Etkileşim vektörü: [prot; pep; prot⊙pep; |prot−pep|] = 512 boyutlu birleşik temsil. Hadamard çarpımı eleman-bazlı benzerliği, mutlak fark ise ayrışma bilgisini kodlar.

Kayıp fonksiyonu: BCE (α=0.5) + Pairwise Ranking Loss (margin=0.2). Ranking loss, aynı protein grubundaki pozitif-negatif çiftleri arasında en az margin kadar skor farkı olmasını zorlar.

Parametre	MLP (v0.1)	GNN+ESM-2 (v0.2)
Girdi boyutu	131-d özet vektör	Rezidü grafı (326 d/node)
Mimari	MLP 3-katman	GATv2 4-katman × 4 head + Attention Pool
Toplam parametre	~50K	~554K
Protein temsili	Ortalama/oran istatistikleri	ESM-2 per-rezidü embedding
Yapısal bilgi	Kayıp (ortalamaya ezilmiş)	Korunmuş (graf topolojisi)
Loss	BCE + Ranking	BCE + Ranking
Erken durdurma	Val MRR, patience=12	Val MRR, patience=15
Eğitim süresi	~5 dk (MLX, Apple M4)	~4 saat (CPU, 80 epoch)

7. Kullanılan Araç ve Teknolojiler

Kategori	Araç	Versiyon	Kullanım Amacı
Protein dil modeli	ESM-2 (esm2_t6_8M_UR50D)	fair-esm ≥ 2.0	Per-rezidü 320-d embedding çıkarımı; evrimsel bağlam kodlama
Graf sinir ağı	GATv2 (PyTorch Geometric)	pyg ≥ 2.5	Rezidü-seviye yapısal öğrenme; attention-tabanlı mesaj iletimi
Derin öğrenme	PyTorch	≥ 2.2	GNN eğitimi, model tanımı, gradient hesabı
Apple Silicon ML	MLX	—	MLP baseline eğitimi (M-serisi çiplerde hızlandırılmış)
Sekans kümeleme	MMseqs2	—	%30 sekans kimliği eşiğinde kümeleme; veri sızıntısı koruması
Yapı ayrıştırma	BioPython, Gemmi	—	mmCIF dosya parse; atomik koordinat çıkarma
2D görselleştirme	RDKit	—	Peptit 2D bağ yapısı çizimi (aminoasit dizisinden)
3D görselleştirme	3Dmol.js	—	Tarayıcı-içi interaktif 3D protein/peptid viewer
Veri formatı	Apache Parquet	—	Sıkıştırılmış, sütun-bazlı veri depolama (~%70 boyut kazancı)
CI/CD	GitHub Actions + Pages	—	Otomatik site build ve yayın; her push'ta güncelleme
Grafik çıktılar	Matplotlib / Seaborn	—	ROC, PR eğrileri, confusion matrix, skor histogramları

8. Çıktılar ve Görselleştirme

Model çıktıları dört katmanda raporlanır:

Metrik tablosu — 8 temel metrik: AUROC, AUPRC, F1, MCC (sınıflandırma) + MRR, Hit@1, Hit@3, Hit@5 (sıralama). Her metrik belirli bir yönü ölçer:

Metrik	Tür	Ne Ölçer?
AUROC	Sınıflandırma	Eşik-bağımsız pozitif/negatif ayırma gücü
AUPRC	Sınıflandırma	Dengesiz sınıflarda precision-recall dengesi
F1	Sınıflandırma	Precision ile recall'un harmonik ortalaması
MCC	Sınıflandırma	Dengeli ikili sınıflandırma korelasyonu (-1 ile +1 arası)
MRR	Sıralama	Doğru adayın ortalama ters sırası; 1.0 = daima 1. sırada
Hit@k	Sıralama	İlk k aday içinde native peptit bulunma oranı

2D peptid görselleri — RDKit ile çizilen 5 farklı peptit: en yüksek/düşük skorlu, orta skorlu, uzun ve kısa zincirlerden. Her görselde PDB ID, skor ve uzunluk bilgisi yer alır; tıklanınca lightbox ile büyütülür.
3D yapı önizleme — 3Dmol.js ile gömülü interaktif 3D viewer. Demo sayfasında 1CRN (Crambin, 46 aa) kristal yapısı gösterilir; tam pipeline çıktıları local ortamda üretilir. Cartoon, stick, sphere ve yüzey görünüm modları desteklenir.
ROC / PR eğrileri, skor histogramları, confusion matrix — Eğitim sonuçlarının detaylı grafikleri. GNN+ESM-2 eğitimi sonrası generate_gnn_predictions.py ile üretilir.

Sonuçlar

Ablation: MLP Baseline vs GNN+ESM-2

Metrik	MLP v0.1 (68 ep)	GNN+ESM-2 v0.2 (80 ep)	Fark
AUROC	0.8388	0.8813	+0.0425
AUPRC	0.4348	0.5566	+0.1218
F1	0.5074	0.5884	+0.0810
MCC	0.4134	0.5037	+0.0903
MRR	0.7120	0.7776	+0.0656
Hit@1	0.5121	0.6210	+0.1089
Hit@3	0.9275	0.9469	+0.0194
Hit@5	0.9952	0.9965	+0.0013

GNN+ESM-2, tüm metriklerde MLP baseline'ı geçiyor. En büyük kazanım AUPRC (+12.2 pp) ve Hit@1 (+10.9 pp) metriklerinde; model pozitif çiftleri ilk sıraya taşımada belirgin şekilde daha başarılı.

Veri Split İstatistikleri

Split	PDB Grup	Pozitif	Negatif (easy + hard)	Toplam
Train	19,542	19,542	97,710 (68,397 + 29,313)	117,252
Val	3,985	3,985	19,925 (15,940 + 3,985)	23,910
Test	4,538	4,538	22,690 (18,152 + 4,538)	27,228

Toplam 168,390 çift; pozitif/negatif oranı yaklaşık 1:5.

Pipeline

Faz 1: PROPEDIA mmCIF (42,375 kompleks)
  │  Ham deneysel ko-kristal yapılarının indirilmesi ve standardizasyonu
  ▼
Faz 2: Kanonik tablolar (complexes · chains · residues → Parquet)
  │  42.4K kompleks, 84.8K zincir, 12.3M rezidü; arayüz (5Å) + pocket (8Å) anotasyonu
  ▼
Faz 3: Sekans-küme split (MMseqs2 %30 kimlik → train 70% / val 15% / test 15%)
  │  Veri sızıntısı koruması: benzer proteinler aynı split'te
  ▼
Faz 4: Negatif çift üretimi (easy: rastgele peptit + hard: aynı aile)
  │  Her pozitife 5 negatif → toplam ~168K çift
  ▼
Faz 5: ESM-2 embedding çıkarımı (esm2_t6_8M_UR50D)
  │  Her benzersiz zincir sekansı için per-rezidü 320-d vektör → NPZ arsivleri
  ▼
Faz 6: Rezidü-seviye graf inşası (Cα < 8Å komşuluk)
  │  326-d düğüm (ESM-2 + yapısal) + 4-d kenar (mesafe + yön) → PyG .pt dosyaları
  ▼
Faz 7: GATv2 Dual-Encoder eğitimi
  │  BCE + pairwise ranking loss; 80 epoch; AdamW lr=5e-4; val MRR erken durdurma
  ▼
Faz 8: Değerlendirme + tahmin üretimi
  │  Test: AUROC=0.881, MRR=0.778, Hit@1=0.621 → top_ranked_examples.json
  ▼
Faz 9: Raporlama
       ROC/PR eğrileri · confusion matrix · 2D peptit (RDKit) · 3D viewer (3Dmol.js) · GitHub Pages site

Hızlı Başlangıç

# 1. Ortam kurulumu
python -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"

# 2. Kanonik veri oluşturma (PROPEDIA mmCIF'lerden)
python scripts/build_canonical_dataset.py --source data/propedia --output data/canonical

# 3. Arayüz ve pocket anotasyonu
python scripts/annotate_interface_pocket.py --canonical data/canonical

# 4. Sekans-küme bazlı split
python scripts/build_pdb_level_splits.py --canonical data/canonical

# 5. Negatif çift üretimi
python scripts/generate_negative_pairs.py \
  --canonical data/canonical --splits data/canonical/splits \
  --output data/canonical/pairs

# 6a. MLP baseline (v0.1)
python scripts/export_mlx_features.py --config configs/train_v0_1_scoring_mlx_m4.yaml
python scripts/train_scoring_mlx.py --config configs/train_v0_1_scoring_mlx_m4.yaml

# 6b. GNN + ESM-2 (v0.2)
python scripts/extract_esm2_embeddings.py --model esm2_t6_8M  # ~35K NPZ dosyası üretir
python scripts/build_residue_graphs.py --config configs/train_v0_2_gnn_esm2.yaml  # PyG .pt grafları
python scripts/train_gnn_esm2.py --config configs/train_v0_2_gnn_esm2.yaml  # 80 epoch GATv2 eğitimi
python scripts/generate_gnn_predictions.py  # Tahmin + calibration + threshold + top-k artifact'ları

# 7. Statik site üretimi
pip install -r scripts/requirements-pages.txt
python scripts/build_pages_site.py

Proje Yapısı

PeptiProp/
├── README.md
├── requirements.txt
├── .github/workflows/pages.yml    # GitHub Pages CI/CD
│
├── src/peptidquantum/             # Ana Python paketi
│   ├── models/                    # Model tanımları
│   │   ├── gnn_esm2.py            # PeptiPropGNN (GATv2 dual-encoder)
│   │   └── graph_builder.py       # Rezidü grafı inşa modülü
│   ├── data/
│   │   ├── processors/            # canonical_builder, mmcif_parser, pair_extractor
│   │   ├── downloaders/           # Ham veri yardımcıları (aktif train yüzeyi PROPEDIA-only)
│   │   └── fetchers/              # RCSB mmCIF fetcher
│   ├── interaction/               # residue-contact fallback, contact matrix, fingerprint
│   ├── training/                  # Trainer, ablation runner
│   ├── visualization/
│   │   ├── chemistry/             # RDKit 2D peptit renderer
│   │   ├── plots/                 # site_extras, contact_map
│   │   ├── web/                   # 3Dmol.js viewer, HTML rapor
│   │   └── pymol/                 # PyMOL renderer
│   ├── pipeline/                  # CLI, config, pipeline orchestrator
│   └── utils/                     # data_split, yardımcılar
│
├── scripts/                       # Pipeline betikleri
│   ├── build_canonical_dataset.py
│   ├── annotate_interface_pocket.py
│   ├── build_pdb_level_splits.py
│   ├── generate_negative_pairs.py
│   ├── export_mlx_features.py
│   ├── train_scoring_mlx.py       # MLP eğitim betiği (v0.1)
│   ├── extract_esm2_embeddings.py # ESM-2 per-rezidü embedding çıkarımı
│   ├── build_residue_graphs.py    # PyG graf pre-build
│   ├── train_gnn_esm2.py          # GNN+ESM-2 eğitim (v0.2)
│   ├── generate_gnn_predictions.py # GNN tahmin + grafik üretici
│   ├── build_pages_site.py        # Statik site üretici
│   └── sync_pages_training_bundle.py
│
├── configs/
│   ├── train_v0_2_gnn_esm2.yaml             # GNN+ESM-2 konfigürasyonu (aktif)
│   ├── train_v0_1_scoring_mlx_m4.yaml       # MLP baseline konfigürasyonu
│   └── ablation_generated_mlx/              # MLP ablation deneyleri
│
├── tests/                         # Birim ve entegrasyon testleri
├── examples/                      # Örnek kullanım betiği
├── mlx/                           # Apple Silicon eğitim ortamı gereksinimleri
├── docs/                          # Detaylı dokümantasyon (Türkçe)
├── publish/github_pages_training_bundle/    # Pages metrik/görsel paketi
└── outputs/                       # Eğitim çıktıları (gitignore)

Konfigürasyon

Aktif eğitim konfigürasyonu configs/train_v0_2_gnn_esm2.yaml dosyasındadır:

model:
  node_feat_dim: 326     # ESM-2 (320) + yapısal (6)
  hidden_dim: 128
  num_gnn_layers: 4
  heads: 4
  mlp_hidden: 256
  dropout: 0.1
training:
  seed: 42
  batch_size: 32
  epochs: 80
  early_stopping_patience: 15
  lr: 0.0005
loss:
  use_ranking: true
  margin: 0.2
  bce_alpha: 0.5
evaluation:
  monitor_metric: val_mrr
  threshold_selection_metric: mcc

MLP baseline konfigürasyonu: configs/train_v0_1_scoring_mlx_m4.yaml. Ablation deneyleri: configs/ablation_generated_mlx/.

GitHub Pages Yayını

Eğitim sonrası metrikleri ve görselleri Pages'a aktarmak için:

python scripts/sync_pages_training_bundle.py outputs/training/<egitim_klasoru>
git add publish/github_pages_training_bundle && git commit -m "Pages: eğitim bundle güncelle"
git push

CI pipeline otomatik olarak build_pages_site.py çalıştırır ve siteyi yayınlar.

Testler

python -m pytest tests/ -v
python -m unittest discover -s tests -v

Dokümantasyon

Dosya	İçerik
docs/QUICKSTART.md	Hızlı başlangıç rehberi
docs/ENVIRONMENT.md	Ortam kurulumu ve bağımlılıklar
docs/DATA_ARCHITECTURE.md	Kanonik veri şeması
docs/PROJECT_ARCHITECTURE.md	Proje mimarisi detayı
docs/EXTERNAL_TOOLS.md	Arşiv: deneysel external tool notları
docs/VALIDATION.md	Doğrulama rehberi
docs/DATASET_DOWNLOAD_GUIDE.md	Veri indirme adımları
docs/ROADMAP.md	Proje yol haritası
docs/SCIENTIFIC_METHOD_TR.md	Bilimsel yöntem açıklaması
docs/POZITIF_PEPTIT_VE_SKOR_TR.md	Pozitif etiket ve skor mantığı
docs/VERI_VE_GORSEL_GERCEK_TR.md	Veri ve görsel doğruluğu
docs/GITHUB_PAGES_TR.md	Pages yayın detayları
docs/LITERATURE_TR.md	İlgili literatür
docs/MODEL_IMPROVEMENTS_TR.md	Model iyileştirme notları

Kaynaklar

PROPEDIA — Martins, P.M. et al. (2021). PROPEDIA: a database for protein–peptide identification. Bioinformatics, 37(8), 1180–1182. doi:10.1093/bioinformatics/btab524
MMseqs2 — Steinegger, M. & Söding, J. (2017). MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets. Nature Biotechnology, 35, 1026–1028. doi:10.1038/nbt.3988
RDKit — Open-source cheminformatics toolkit. rdkit.org
3Dmol.js — Rego, N. & Koes, D. (2015). 3Dmol.js: molecular visualization with WebGL. Bioinformatics, 31(8), 1322–1324. doi:10.1093/bioinformatics/btu829
ESM-2 — Lin, Z. et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 379(6637), 1123–1130. doi:10.1126/science.ade2574
PyTorch Geometric — Fey, M. & Lenssen, J.E. (2019). Fast graph representation learning with PyTorch Geometric. ICLR Workshop. pyg-team/pytorch_geometric
MLX — Apple Machine Learning Research. ml-explore/mlx

Lisans

Proje lisansı depo kökündeki LICENSE dosyasına tabidir.

Navigation Menu

Repository files navigation

PeptiProp

Amaç

Neden Geleneksel Yöntemler Yetmiyor?

Canlı Demo

Yöntem

1. Veri Kaynağı: PROPEDIA

2. Kanonik Veri Oluşturma

3. Veri Sızıntısı Koruması: Sekans-Küme Bazlı Split

4. Negatif Çift Üretimi

5. Özellik Mühendisliği

v0.1 MLP Baseline (Özet Vektör)

v0.2 GNN+ESM-2 (Rezidü-Seviye Graf)

6. Model Mimarisi

ESM-2 Nedir?

GATv2 Nedir?

Mimari Detayı

7. Kullanılan Araç ve Teknolojiler

8. Çıktılar ve Görselleştirme

Sonuçlar

Ablation: MLP Baseline vs GNN+ESM-2

Veri Split İstatistikleri

Pipeline

Hızlı Başlangıç

Proje Yapısı

Konfigürasyon

GitHub Pages Yayını

Testler

Dokümantasyon

Kaynaklar

Lisans

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
configs		configs
docs		docs
examples		examples
mlx		mlx
outputs		outputs
publish/github_pages_training_bundle		publish/github_pages_training_bundle
scripts		scripts
src/peptidquantum		src/peptidquantum
tests		tests
.gitignore		.gitignore
README.md		README.md
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation

PeptiProp

Amaç

Neden Geleneksel Yöntemler Yetmiyor?

Canlı Demo

Yöntem

1. Veri Kaynağı: PROPEDIA

2. Kanonik Veri Oluşturma

3. Veri Sızıntısı Koruması: Sekans-Küme Bazlı Split

4. Negatif Çift Üretimi

5. Özellik Mühendisliği

v0.1 MLP Baseline (Özet Vektör)

v0.2 GNN+ESM-2 (Rezidü-Seviye Graf)

6. Model Mimarisi

ESM-2 Nedir?

GATv2 Nedir?

Mimari Detayı

7. Kullanılan Araç ve Teknolojiler

8. Çıktılar ve Görselleştirme

Sonuçlar

Ablation: MLP Baseline vs GNN+ESM-2

Veri Split İstatistikleri

Pipeline

Hızlı Başlangıç

Proje Yapısı

Konfigürasyon

GitHub Pages Yayını

Testler

Dokümantasyon

Kaynaklar

Lisans

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages