Sans avoir trouvé comment exporter les données générée par MOE sous forme exploitable, ce script permet l'analyse complète des données obtenues après un copié - collé depuis le pdf des résultats vers une feuille excel enregistrée en csv. (Explications d'utilisation en bas de page).

CSV_full_analysis.py

#!/bin/python3
##Florent DUFOUR
###Novembre 2017


## -- IMPORTATIONS -- ##

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

input_raw = pd.read_csv('input.csv', header=2, sep=(";")) #Le dossier courant doit contenir 'input.csv'

## -- DEFINITION DES FONCTIONS POUR PLUS TARD -- ##

def cleaner (df):
    for k in df:
        if ((k != 'mol ') and (k!= 'S ')):
            del df[k]
    df = df.dropna(axis=0, how='any')
    df = df.drop(df[df['S '].map(lambda x: x.startswith('S'))].index)
    return df

def sorter (df):
    df['S '] = df['S '].astype('float')  #Convesion des str en float
    df = df.sort_values(by='S ')         #On peut maintenant trier les énergies
    return df

def enrichment(percent,name_list):       # D'après Lucas S.
    Size=(len(name_list)/100)*percent
    count, target_number, total_number = 0,0,0
    
    for j in name_list:
        if 'ZINC' not in j:
            target_number += 1
            total_number += 1
            count += 1
        else:
            total_number += 1
            count += 1
        if count>Size:
            break
    E=target_number/total_number
    print ('Enrichment for', percent,'% corresponds to',target_number,'target in',total_number,'total molecules')
    return E

## -- COEUR DU PROBLEME, calculer les valeurs pour tracer la courbe de ROC -- ##

output_cleaned = cleaner(input_raw)
output_sorted  = sorter(output_cleaned)

list_Mol = output_sorted['mol '].tolist() #Les molécules à tester sont dans une liste propre

name_List = [] #Initialisation axe des X
hauteur = [0]  #Initialisation axe des Y

for k in (list_Mol):         #Les poses à évaluer
    if (k not in name_List): #C'est une nouvelle molécule
        name_List += [k]     #On enregistre qu'on l'a déjà rencontré
        if ("CHEM" in k):    #C'est une nouvelle molécule qui est un positif
            hauteur += [hauteur[-1]+1] #On augmente d'un cran
        else:
            hauteur += [hauteur[-1]]   #On stagne

## -- COURBE DE ROC -- ##

X = np.linspace(0, 1, num=len(hauteur)) #Axe des X
Y = [x / 7 for x in hauteur]                       #Axe des Y pour les valeurs de ROC
Z = np.linspace(0, 1, num=len(hauteur))            #Axe des Y pour droite aléatoire

plt.plot(X,Y)       #Courbe de ROC
plt.plot(X,Z, '--') #Courbe de hasard

## -- STATISTIQUES -- ##

area_exp = np.trapz(Y,X,dx=1) #Aire sous la courbe expérimentale
area_ale = np.trapz(Z,X,dx=1) #Aire sous la courbe aléatoire
diff = (area_exp - area_ale)
Etot=7/107

## -- TOUS LES RESULTATS -- ##

output_sorted.to_csv("output.csv") #Le fichier CSV propre est ajouté dans le dossier de travail
print("\n ROC AUC=", area_exp,"\n","ROC=", diff,"\n", "Good protocole ? = ", diff>0, "\n") # ROC_AUC, ROC, Validation du protocole
print('EF5% =',enrichment(5,name_List)/Etot)  #EF5%
print('EF10%=',enrichment(10,name_List)/Etot) #EF10%
print('Nombre de molécules identifiées sur les 107:',len(Y)-1)

plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve obtained with our best protocole \n against the VS1 database')

plt.show() #Courbe de ROC

Un petit supplément pour éviter de passer par un pdf (utilise les SMILES pour assigner les débuts de ID 'CHEMBL' ou 'ZINC' dans une colonne supplémentaire).

import pandas as pd

d = pd.read_csv("input_screening_results.csv", sep = ";") # Depends on the separator in the file
d1 = pd.read_csv("input_mol_screened.csv", sep = ";")

dico_mol = {d1['mol'][n]:d1['Activity'][n] for n in range(len(d1))}
print len(dico_mol.values())
dico_ID = {1:'CHEMBL', 0:'ZINC'}
SMILES_ID = [[d["mol"][n], dico_ID[dico_mol[d["mol"][n]]]] for n in range(len(d))]
    
file_ID = pd.DataFrame(SMILES_ID, columns = ['SMILES_2', 'mol'])
file_ID
#print d.columns
d = d.rename(columns ={'mol':'SMILES'})
#print d.columns
list(file_ID['mol'][:]).count('CHEMBL')
d2 = d.join(file_ID)
#d2
d2.to_csv('./filename.csv', sep = ",")

Avec du coup quelques modifications de 3 lignes du script de Florent:

input_raw = pd.read_csv('filename.csv', sep=(","))
list_Mol = input_raw['mol']
#output_sorted.to_csv("output_f.csv") #Le fichier CSV propre est ajouté dans le dossier de travail #****on inactive cette ligne