根据药物的生物活性对药物进行分类。这是一个由麻省理工大学和哈佛大学合作的一个项目。

该Kaggle比赛[1]旨在通过开发药物作用机理预测算法，来提高药物发展。

比赛时间为3个月，比赛仅仅过去1个月，就引来了1036支队伍参与。

这是大家获取MoA宝贵数据，学习数据处理和建模经验，非常宝贵不可多得的资源。

期待大家能够学到更多的知识。

01 背景

药物的作用机理(MoA)是什么？为什么重要呢？

过去，科学家从天然产物或受到传统疗法的启发，提取药物。例如非常普通的药物扑热息痛，在了解驱动其药理活性的生物学机制之前，已投入临床使用数十年。

如今，随着更强大的技术的出现，药物发现已经从过去的偶然的方法，变成了基于对疾病潜在生物学机制的了解上，而开发的更具针对性的模型。

在这个新的框架中，科学家寻求鉴定与疾病相关的蛋白质靶标，并开发出可以调节该蛋白质靶标的分子。

作为描述给定生物学活性的简写，科学家们将其标记为“作用机理”或简称“MoA”。

如何确定新药的MoAs？

一种方法是用该药物作用于人的细胞样品，然后使用一种算法来分析细胞反应，该算法能搜索与大型基因组数据库中已知模式类似的模式，例如，基因表达库或具有已知MoAs的药物的细胞存活模式(cell viability patterns)。

在这场比赛中，大家可以访问结合了基因表达和细胞存活数据的独特数据集。

数据基于一项新技术，该技术可同时(在相同样本中)测量100种不同细胞类型中人类细胞对药物的反应(从而解决了事前识别的问题，哪些细胞类型更适合用于给定药物）。此外，您将可以访问此数据集中5000多种药物的MoA注释。

02 评价解决方案的准确性

基于MoA注释，将根据应用于每个药物MoA注释对的对数损失函数的平均值来评估溶液的准确性。

如果成功，将帮助开发一种算法，从而根据化合物的细胞特征预测化合物的MoA，从而帮助科学家推进药物发现过程。

03 数据描述

在这场比赛中，将预测不同样本(sig_id)的多个靶标的作用机理(MoA)，并提供各种输入，例如基因表达数据和细胞存活数据。

train_features.csv -训练数据的特征，特征 g- 代表基因表达数据，c-代表细胞活力数据。cp_type表示用化合物(cp_vehicle)或对照微扰(ctrl_vehicle)处理的样品；控制扰动没有MoAs；cp_time和cp_dose表示治疗时间(24、48、72小时)和剂量(高或低）。

train_targets_scored.csv -MoA靶标二分类得分。

train_targets_nonscored.csv -训练数据的附加二分类MoA响应。这些都是无法预测或评分的。

test_features.csv -测试数据的特征。必须预测测试数据中每一行的每个MoA得分概率。

sample_submission.csv -正确提交文件的格式。

04 优秀解决方案

1 数据探索性分析EDA优秀方案[2]

2 神经网络MoA分类[3]

3 集成学习模型XGboost[4]、LightGBM[5].

05 比赛视频讲解

这个视频讨论比赛内容，展示如何开始比赛，甚至有代码讲解，并分享一些改进的想法！非常不错的资源。坚持看完，会有意想不到的收获。见上面视频。

参考资料

[1] https://www.kaggle.com/c/lish-moa/leaderboard

[2] https://www.kaggle.com/headsortails/explorations-of-action-moa-eda

[3] https://www.kaggle.com/yasufuminakama/moa-pytorch-nn-starter

[4] https://www.kaggle.com/fchmiel/xgboost-baseline-multilabel-classification

[5] https://www.kaggle.com/nroman/moa-lightgbm-206-models