Uni-QSAR Analysis
简介
QSAR全称为“定量构效关系（Quantitative Structure-Activity Relationship）”，是一种通过数学模型来描述化合物结构与其生物活性之间关系的方法。Uni-QSAR通过机器学习和深度学习的方法构建QSAR模型。
Hermite的Uni-QSAR Analysis模块可基于已构建的Uni-QSAR模型进行比较分析。
在本教程中，我们将使用Uni-QSAR Analysis模块去比较前期已训练好的模型的性能。
1. QSAR模型比较
1.1 Uni-QSAR Analysis入口
左侧通用菜单栏Function → Molecule Recommendation → Uni-QSAR Analysis。
1.2 选择模型进行比较
首先选择模型种类“Binary Classification”，下方表格会依据所选种类给出相应的模型。
表格中选择所需比较的模型“Model_Sweet10”和“Model_Sweet20”；
注：您可根据您训练好的模型自行调整。
点击“Submit”提交任务。
| 模型类型 | 含义 |
| Binary Classification | 二分类，即构建分类模型时只有一个预测性质 |
| Single-target Regression | 单标签回归，即构建回归模型时只有一个预测性质 |
| Multi-label Classification | 多标签分类，即构建分类模型时有多个预测性质 |
| Multi-target Regression | 多标签回归，即构建回归模型时有多个预测性质 |
2. QSAR模型比较结果
2.1 任务结果入口
左侧通用菜单栏Job → 找到所需任务。
2.2 模型性能比较结果展示
在该案例中，根据ROC曲线、PR曲线以及Metrics结果，发现“Model_Sweet10”的模型性能略微优于“Model_Sweet20”。
2.2.1 Binary Classification
结果展示中包含两部分：
1）图像：
ROC Curves：ROC曲线，以真阳性率（TPR）为纵坐标，假阳性率（FPR）为横坐标，根据不同阈值画出的曲线。AUROC就是ROC曲线下的面积，取值越大，模型性能越好。
Precision-recall Curves：Precision-recall曲线是以召回率（Recall）为纵坐标，精确率（Precision）为横坐标，根据不同阈值画出的曲线。AUPRC就是Precision-Recall曲线下的面积，取值越大，模型性能越好。
Display Setting：通过勾选图例控制相应ROC曲线和PR曲线的显隐；
2）表格：表格中记录了各比较模型在其validation和test数据集上的评价指标值。
注：具体的指标含义可参考《Uni-QSAR》。
点击右上角“Download”可下载当前图像及表格。
2.2.2 Single-target Regression
结果展示包括各比较模型在其validation和test数据集上的评价指标值，其中Chart列为模型在validation/test数据集上预测值和真实值的散点图。
注：具体的指标含义可参考《Uni-QSAR》。
点击右上角“Download”可下载图像及表格。
2.2.3 Multi-label Classification
结果展示包括各比较模型在其validation和test数据集上的评价指标值。
注：具体的指标含义可参考《Uni-QSAR》。
点击右上角“Download”可下载表格。
2.2.4 Multi-target Regression
结果展示包括各比较模型在其validation和test数据集上的评价指标值。
注：具体的指标含义可参考《Uni-QSAR》。
点击右上角“Download”可下载表格。
