日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實戰(zhàn)洞察。

基于知識圖譜與推薦系統(tǒng)的藥物靶點預(yù)測:從數(shù)據(jù)到AI模型實戰(zhàn)

基于知識圖譜與推薦系統(tǒng)的藥物靶點預(yù)測:從數(shù)據(jù)到AI模型實戰(zhàn) 簡介本資源是一套面向計算機(jī)及相關(guān)專業(yè)本科生的課程設(shè)計與期末大作業(yè)實戰(zhàn)項目聚焦于生物信息學(xué)交叉場景——利用知識圖譜與推薦系統(tǒng)協(xié)同預(yù)測藥物-靶點相互作用。項目代碼完整、結(jié)構(gòu)清晰涵蓋數(shù)據(jù)預(yù)處理如hetionet.py、yamanishi_08.py、知識圖譜構(gòu)建BioKG.py、多種推薦模型實現(xiàn)deepdti.py、kge_rf.py、kge_nfm.py及訓(xùn)練評估全流程配套詳細(xì)操作指南與環(huán)境配置說明Pipfile、requirements.txt、README.md。壓縮包共40個文件含9個核心Python腳本、6個.DS_Store占位文件、1個說明文檔、1個許可證及若干配置與日志文件整體僅56KB輕量易部署。已有94人學(xué)習(xí)下載適合具備基礎(chǔ)Python與機(jī)器學(xué)習(xí)認(rèn)知的學(xué)生開展項目復(fù)現(xiàn)、算法對比或課程報告拓展可直接用于答辯演示、模型調(diào)優(yōu)實踐與知識圖譜推薦系統(tǒng)融合應(yīng)用的入門理解。1. 項目緣起當(dāng)藥物研發(fā)遇上AI推薦在藥物研發(fā)這個漫長且昂貴的鏈條里有一個環(huán)節(jié)至關(guān)重要那就是尋找能與特定疾病靶點通常是蛋白質(zhì)發(fā)生作用的候選藥物分子。傳統(tǒng)的高通量篩選方法成本動輒數(shù)百萬美元耗時數(shù)月成功率卻低得可憐。這感覺就像在茫茫大海里用最原始的漁網(wǎng)去撈一條特定花紋的魚效率極低。近幾年我身邊不少做計算化學(xué)和生物信息學(xué)的朋友開始頻繁討論兩個詞知識圖譜和推薦系統(tǒng)。乍一聽這倆一個像是搞“關(guān)系網(wǎng)”的一個像是電商平臺用的跟藥物研發(fā)有什么關(guān)系但仔細(xì)一想邏輯就通了。藥物、靶點、疾病、副作用、基因、通路……這些生物醫(yī)學(xué)實體之間存在著海量、復(fù)雜、多類型的關(guān)系這不正是一個天然的、亟待構(gòu)建的巨型知識圖譜嗎而預(yù)測一個新藥分子是否會和某個靶點結(jié)合本質(zhì)上不就是基于這個“圖譜”里已有的“用戶”靶點和“商品”藥物的交互歷史已知的結(jié)合關(guān)系去給一個“新商品”候選藥物做“個性化推薦”嗎這個想法讓我非常興奮。于是我決定動手用Python把這一套思路實現(xiàn)出來。目標(biāo)很明確構(gòu)建一個輕量級的、可復(fù)現(xiàn)的流程整合公開的生物醫(yī)學(xué)數(shù)據(jù)搭建一個藥物-靶點知識圖譜然后利用經(jīng)典的推薦系統(tǒng)算法去預(yù)測那些尚未被實驗驗證的潛在藥物-靶點相互作用。這不僅是一個有趣的技術(shù)驗證項目其產(chǎn)出的預(yù)測結(jié)果也能為真正的藥物發(fā)現(xiàn)提供有價值的計算線索和優(yōu)先級排序。下面我就把這個項目的完整實現(xiàn)思路、代碼解析以及實操中會遇到的各種“坑”和技巧毫無保留地分享出來。整個過程涉及數(shù)據(jù)處理、圖譜構(gòu)建、特征工程、模型訓(xùn)練和評估我會盡量用通俗的語言講清楚每個步驟背后的“為什么”。2. 核心數(shù)據(jù)源從哪里獲取藥物與靶點的“關(guān)系網(wǎng)”巧婦難為無米之炊。構(gòu)建知識圖譜和訓(xùn)練推薦模型第一步就是找數(shù)據(jù)。我們的核心需求是“藥物-靶點”的已知相互作用對。這里我強(qiáng)烈推薦一個公開、免費(fèi)且質(zhì)量較高的數(shù)據(jù)庫DrugBank。為什么選擇DrugBankDrugBank是一個獨(dú)特的生物信息學(xué)和化學(xué)信息學(xué)資源它詳細(xì)地結(jié)合了藥物化學(xué)數(shù)據(jù)和靶點蛋白數(shù)據(jù)。對于我們的項目來說它提供了兩大關(guān)鍵信息藥物信息包括藥物名稱、化學(xué)結(jié)構(gòu)SMILES、分類、作用機(jī)制等。靶點信息包括蛋白質(zhì)名稱、基因名、UniProt ID等。最關(guān)鍵的關(guān)系明確標(biāo)注了哪些藥物作用于哪些靶點。實際操作與數(shù)據(jù)獲取訪問DrugBank官網(wǎng)注冊一個免費(fèi)的研究賬戶即可下載數(shù)據(jù)集。我們主要需要兩個文件drugbank_all_full_database.xml完整數(shù)據(jù)庫或更易處理的drugbank_all_structures.sdf結(jié)構(gòu)文件配合其他CSV關(guān)系表。然而直接解析XML或SDF對于新手來說有點復(fù)雜。一個更快捷的入口是使用DrugBank提供的公開數(shù)據(jù)集比如在Kaggle上就能找到用戶上傳的、已處理好的DrugBank CSV文件包含drugs.csvtargets.csv和drug_target_interactions.csv。這對于快速啟動項目非常友好。注意使用任何公開數(shù)據(jù)務(wù)必遵守其使用許可協(xié)議License。DrugBank數(shù)據(jù)用于非商業(yè)學(xué)術(shù)研究通常是允許的但需要引用。數(shù)據(jù)預(yù)處理的關(guān)鍵步驟假設(shè)我們拿到了一個包含drug_id,drug_name,target_id,target_name,gene_name的交互表。原始數(shù)據(jù)往往很“臟”我們的預(yù)處理管道至少包含以下幾步import pandas as pd import numpy as np # 1. 加載數(shù)據(jù) interactions_df pd.read_csv(drug_target_interactions.csv) # 2. 去重同一對藥物-靶點可能因數(shù)據(jù)來源不同而有重復(fù)記錄 interactions_df interactions_df.drop_duplicates(subset[drug_id, target_id]) # 3. 處理缺失值檢查關(guān)鍵字段是否有空值 print(interactions_df.isnull().sum()) # 如果drug_name或target_name缺失較多可以考慮用ID代替或從其他表關(guān)聯(lián)補(bǔ)齊。 # 4. 統(tǒng)一標(biāo)識符靶點通常使用標(biāo)準(zhǔn)的UniProt ID如‘P00734’最可靠。 # 檢查target_id的格式如果不是UniProt ID可能需要通過基因名映射。 # 這里假設(shè)我們的target_id已經(jīng)是UniProt ID。 # 5. 構(gòu)建模型所需的矩陣將藥物和靶點映射為連續(xù)的索引 all_drugs interactions_df[drug_id].unique() all_targets interactions_df[target_id].unique() drug_to_idx {drug: i for i, drug in enumerate(all_drugs)} target_to_idx {target: j for j, target in enumerate(all_targets)} interactions_df[drug_idx] interactions_df[drug_id].map(drug_to_idx) interactions_df[target_idx] interactions_df[target_id].map(target_to_idx) # 此時我們得到了一個干凈的交互列表包含數(shù)字索引便于后續(xù)計算。這個預(yù)處理過程看似簡單卻決定了后續(xù)所有步驟的基石是否穩(wěn)固。數(shù)據(jù)中的噪聲和偏差會直接傳遞到模型中。3. 知識圖譜構(gòu)建用Neo4j描繪生物醫(yī)學(xué)關(guān)系圖有了干凈的藥物-靶點交互數(shù)據(jù)我們就可以構(gòu)建知識圖譜了。這里我選擇Neo4j作為圖數(shù)據(jù)庫。它是一個高性能的NOSQL圖形數(shù)據(jù)庫使用Cypher查詢語言非常直觀特別適合存儲和查詢復(fù)雜的關(guān)聯(lián)關(guān)系。為什么用圖數(shù)據(jù)庫而不用關(guān)系型數(shù)據(jù)庫因為“關(guān)系”是這里的頭等公民。我們不僅要存儲“藥物A作用于靶點B”這一事實未來還可能很容易地擴(kuò)展加入“靶點B屬于通路C”、“藥物A有副作用D”、“疾病E與靶點B相關(guān)”等關(guān)系。在圖數(shù)據(jù)庫中查詢“與藥物A有相同靶點的所有其他藥物”這樣的問題效率極高且表達(dá)直觀。這是傳統(tǒng)關(guān)系型數(shù)據(jù)庫通過多表JOIN難以優(yōu)雅實現(xiàn)的。環(huán)境準(zhǔn)備與Neo4j部署安裝從Neo4j官網(wǎng)下載桌面版或社區(qū)服務(wù)器版。桌面版帶圖形化界面對初學(xué)者更友好。啟動安裝后啟動Neo4j數(shù)據(jù)庫它會默認(rèn)在http://localhost:7474打開瀏覽器管理界面。默認(rèn)用戶名/密碼是neo4j/neo4j首次登錄會要求修改密碼。Python連接使用neo4j官方Python驅(qū)動。pip install neo4j構(gòu)建圖譜的Python代碼詳解接下來我們將清洗好的數(shù)據(jù)導(dǎo)入Neo4j。核心是創(chuàng)建“藥物”節(jié)點、“靶點”節(jié)點以及它們之間的“INTERACTS_WITH”關(guān)系。from neo4j import GraphDatabase class DrugTargetGraph: def __init__(self, uri, user, password): self.driver GraphDatabase.driver(uri, auth(user, password)) def close(self): self.driver.close() def create_drug_target_interaction(self, drug_id, drug_name, target_id, target_name): 創(chuàng)建單個藥物-靶點交互關(guān)系 with self.driver.session() as session: # 使用MERGE確保節(jié)點不存在時創(chuàng)建存在時則匹配。避免重復(fù)創(chuàng)建。 query MERGE (d:Drug {drug_id: $drug_id}) ON CREATE SET d.name $drug_name MERGE (t:Target {target_id: $target_id}) ON CREATE SET t.name $target_name MERGE (d)-[r:INTERACTS_WITH]-(t) RETURN d.name, t.name result session.run(query, drug_iddrug_id, drug_namedrug_name, target_idtarget_id, target_nametarget_name) return result.single() def batch_create_interactions(self, interactions_df): 批量導(dǎo)入交互數(shù)據(jù)性能遠(yuǎn)優(yōu)于單條插入 with self.driver.session() as session: # 將DataFrame轉(zhuǎn)換為適合Neo4j參數(shù)的列表 records interactions_df[[drug_id, drug_name, target_id, target_name]].to_dict(records) # 使用UNWIND進(jìn)行批量操作 query UNWIND $records AS record MERGE (d:Drug {drug_id: record.drug_id}) ON CREATE SET d.name record.drug_name MERGE (t:Target {target_id: record.target_id}) ON CREATE SET t.name record.target_name MERGE (d)-[:INTERACTS_WITH]-(t) session.run(query, recordsrecords) print(f成功導(dǎo)入 {len(records)} 條藥物-靶點交互關(guān)系。) # 使用示例 uri bolt://localhost:7687 # Neo4j的Bolt協(xié)議端口 user neo4j password your_new_password # 替換成你修改后的密碼 graph DrugTargetGraph(uri, user, password) # 假設(shè)interactions_df是預(yù)處理后的DataFrame包含drug_id,drug_name,target_id,target_name graph.batch_create_interactions(interactions_df) # 查詢示例查找與特定靶點如‘P00734’相互作用的所有藥物 def find_drugs_for_target(target_id): with graph.driver.session() as session: query MATCH (t:Target {target_id: $target_id})-[:INTERACTS_WITH]-(d:Drug) RETURN d.drug_id, d.name result session.run(query, target_idtarget_id) return [record for record in result] print(find_drugs_for_target(P00734)) graph.close()構(gòu)建圖譜時的核心技巧與避坑點務(wù)必使用MERGE而非CREATECREATE會無條件創(chuàng)建節(jié)點導(dǎo)致大量重復(fù)。MERGE是“有則匹配無則創(chuàng)建”保證了節(jié)點的唯一性。但要注意MERGE是對整個模式進(jìn)行匹配確保你的匹配條件如{drug_id: $drug_id}能唯一確定一個節(jié)點。批量操作是必須的千萬不要在循環(huán)中執(zhí)行單條MERGE語句效率極低。使用UNWIND將數(shù)據(jù)列表作為參數(shù)傳入讓數(shù)據(jù)庫一次性處理速度可能有數(shù)百倍的提升。索引是性能的關(guān)鍵在drug_id和target_id屬性上創(chuàng)建索引能大幅加速M(fèi)ERGE和MATCH操作。這應(yīng)該在導(dǎo)入數(shù)據(jù)之前完成。CREATE INDEX drug_id_index IF NOT EXISTS FOR (d:Drug) ON (d.drug_id); CREATE INDEX target_id_index IF NOT EXISTS FOR (t:Target) ON (t.target_id);內(nèi)存管理導(dǎo)入大量數(shù)據(jù)時可能會遇到堆內(nèi)存不足的問題??梢栽贜eo4j配置文件中調(diào)整dbms.memory.heap.initial_size和dbms.memory.heap.max_size或者將批量導(dǎo)入的批次大小調(diào)小。完成這一步后你就擁有了一個可視化的、可查詢的藥物-靶點關(guān)系網(wǎng)絡(luò)。但這只是靜態(tài)的知識庫如何讓它變得“智能”能進(jìn)行預(yù)測呢這就需要推薦系統(tǒng)算法了。4. 推薦系統(tǒng)模型矩陣分解與深度學(xué)習(xí)的抉擇將藥物-靶點預(yù)測視為推薦問題我們有一個用戶-物品評分矩陣R其中“用戶”是靶點“物品”是藥物“評分”是是否存在相互作用1表示已知作用0表示未知或暫無記錄。但這個矩陣極其稀疏已知作用相對所有可能組合來說極少。我們的目標(biāo)是補(bǔ)全這個稀疏矩陣預(yù)測那些“空白處”的值即未知的藥物-靶點對是1可能作用的概率。這里我對比兩種主流方法經(jīng)典的矩陣分解和基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型。4.1 方法一隱語義模型與矩陣分解矩陣分解Matrix Factorization, MF是協(xié)同過濾的基石。其思想是將高維稀疏矩陣Rm個靶點 x n個藥物分解為兩個低維稠密矩陣的乘積R ≈ P * Q^T。其中P是靶點隱因子矩陣m x kQ是藥物隱因子矩陣n x kk是隱因子維度通常遠(yuǎn)小于m和n。直觀理解每個靶點可以用一個k維向量p_u表示其“偏好特征”每個藥物用一個k維向量q_i表示其“屬性特征”。預(yù)測靶點u對藥物i的交互概率就是計算這兩個向量的內(nèi)積p_u · q_i。內(nèi)積值越高表示靶點的偏好與藥物的屬性越匹配相互作用可能性越大。使用Surprise庫實現(xiàn)Python的Surprise庫專門用于構(gòu)建和分析推薦系統(tǒng)內(nèi)置了SVD奇異值分解一種矩陣分解方法等算法。from surprise import Dataset, Reader, SVD from surprise.model_selection import train_test_split from surprise import accuracy import pandas as pd # 1. 準(zhǔn)備數(shù)據(jù)Surprise需要的數(shù)據(jù)格式是 (target_idx, drug_idx, rating) # 我們的‘rating’是二元的1有交互或 0無交互。但Surprise通常處理顯式評分。 # 對于隱式反饋只有正樣本1負(fù)樣本未知我們需要負(fù)采樣。 def prepare_implicit_data(interactions_df, num_negatives1): 為隱式反饋準(zhǔn)備數(shù)據(jù)。 interactions_df: 包含drug_idx, target_idx的正樣本DataFrame。 num_negatives: 為每個正樣本采樣的負(fù)樣本數(shù)。 pos_samples interactions_df[[target_idx, drug_idx]].copy() pos_samples[rating] 1 # 負(fù)采樣隨機(jī)選擇未觀察到的target, drug對作為負(fù)樣本 all_targets interactions_df[target_idx].unique() all_drugs interactions_df[drug_idx].unique() pos_pairs set(zip(interactions_df[target_idx], interactions_df[drug_idx])) neg_samples [] for target in all_targets: # 獲取該靶點未交互的藥物 interacted_drugs set(interactions_df[interactions_df[target_idx]target][drug_idx]) non_interacted_drugs list(set(all_drugs) - interacted_drugs) # 隨機(jī)采樣 if non_interacted_drugs: sampled_neg np.random.choice(non_interacted_drugs, sizemin(num_negatives, len(non_interacted_drugs)), replaceFalse) for drug in sampled_neg: neg_samples.append([target, drug, 0]) neg_df pd.DataFrame(neg_samples, columns[target_idx, drug_idx, rating]) all_data_df pd.concat([pos_samples, neg_df], ignore_indexTrue) return all_data_df # 生成帶負(fù)樣本的數(shù)據(jù) implicit_data_df prepare_implicit_data(interactions_df, num_negatives3) # 2. 定義Reader和加載數(shù)據(jù)Surprise要求評分范圍 reader Reader(rating_scale(0, 1)) data Dataset.load_from_df(implicit_data_df[[target_idx, drug_idx, rating]], reader) # 3. 劃分訓(xùn)練集和測試集 trainset, testset train_test_split(data, test_size0.2, random_state42) # 4. 使用SVD算法矩陣分解 algo SVD(n_factors50, n_epochs20, lr_all0.005, reg_all0.02, random_state42) algo.fit(trainset) # 5. 預(yù)測與評估 predictions algo.test(testset) # RMSE, MAE對于0/1評分可能不是最佳指標(biāo)但可用 rmse accuracy.rmse(predictions) mae accuracy.mae(predictions) # 6. 為特定靶點做Top-N藥物推薦 def get_top_n_recommendations(algo, target_idx, drug_pool, n10): 為指定靶點推薦Top-N個最可能相互作用的藥物。 drug_pool: 所有候選藥物的索引列表。 # 預(yù)測該靶點對所有藥物的評分 predictions [algo.predict(target_idx, drug_idx) for drug_idx in drug_pool] # 按估計評分降序排序 predictions.sort(keylambda x: x.est, reverseTrue) top_n predictions[:n] return [(pred.iid, pred.est) for pred in top_n] # 返回(藥物索引預(yù)測評分) all_drugs_idx list(drug_to_idx.values()) top10_for_target_0 get_top_n_recommendations(algo, target_idx0, drug_poolall_drugs_idx, n10) print(f為靶點索引0推薦的Top-10藥物: {top10_for_target_0})矩陣分解的優(yōu)缺點優(yōu)點模型簡單可解釋性相對較強(qiáng)隱因子可能對應(yīng)某些生物化學(xué)特性計算效率高在稀疏數(shù)據(jù)上表現(xiàn)穩(wěn)健。缺點本質(zhì)上仍是線性模型難以捕捉藥物和靶點之間復(fù)雜的非線性關(guān)系。特征需要手動設(shè)計或僅依賴ID無法利用藥物結(jié)構(gòu)如SMILES、靶點序列等豐富特征。4.2 方法二深度學(xué)習(xí)模型NeuMF架構(gòu)為了克服MF的局限性我們可以引入深度學(xué)習(xí)。神經(jīng)矩陣分解Neural Matrix Factorization, NeuMF是一個經(jīng)典的混合模型它同時學(xué)習(xí)MF的線性部分和MLP多層感知機(jī)的非線性部分。模型思想MF部分和傳統(tǒng)MF一樣得到靶點隱向量p_u和藥物隱向量q_i做內(nèi)積p_u · q_i。MLP部分將p_u和q_i拼接起來輸入到一個深度神經(jīng)網(wǎng)絡(luò)中。這個網(wǎng)絡(luò)可以學(xué)習(xí)到p_u和q_i之間任意的非線性交互函數(shù)。融合將MF部分的輸出和MLP部分的輸出拼接最后通過一個全連接層映射到預(yù)測概率。使用PyTorch實現(xiàn)NeuMFimport torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader import numpy as np # 1. 定義數(shù)據(jù)集 class DrugTargetDataset(Dataset): def __init__(self, df, num_drugs, num_targets): self.targets torch.LongTensor(df[target_idx].values) self.drugs torch.LongTensor(df[drug_idx].values) self.ratings torch.FloatTensor(df[rating].values) self.num_drugs num_drugs self.num_targets num_targets def __len__(self): return len(self.ratings) def __getitem__(self, idx): return self.targets[idx], self.drugs[idx], self.ratings[idx] # 2. 定義NeuMF模型 class NeuMF(nn.Module): def __init__(self, num_targets, num_drugs, mf_dim8, mlp_layers[64, 32, 16], dropout0.2): super().__init__() # MF嵌入層 self.mf_target_embedding nn.Embedding(num_targets, mf_dim) self.mf_drug_embedding nn.Embedding(num_drugs, mf_dim) # MLP嵌入層 (維度通常比MF大以捕捉更多信息) self.mlp_target_embedding nn.Embedding(num_targets, mlp_layers[0]//2) self.mlp_drug_embedding nn.Embedding(num_drugs, mlp_layers[0]//2) # MLP部分 mlp_modules [] input_dim mlp_layers[0] # 兩個嵌入向量拼接后的維度 for output_dim in mlp_layers[1:]: mlp_modules.append(nn.Linear(input_dim, output_dim)) mlp_modules.append(nn.ReLU()) mlp_modules.append(nn.Dropout(pdropout)) input_dim output_dim self.mlp_layers nn.Sequential(*mlp_modules) # 預(yù)測層 self.predict_layer nn.Linear(mf_dim mlp_layers[-1], 1) self.sigmoid nn.Sigmoid() # 初始化權(quán)重 self._init_weights() def _init_weights(self): for m in self.modules(): if isinstance(m, nn.Embedding): nn.init.normal_(m.weight, mean0.0, std0.01) elif isinstance(m, nn.Linear): nn.init.xavier_uniform_(m.weight) if m.bias is not None: nn.init.constant_(m.bias, 0) def forward(self, target_indices, drug_indices): # MF部分 mf_target_vec self.mf_target_embedding(target_indices) mf_drug_vec self.mf_drug_embedding(drug_indices) mf_output torch.mul(mf_target_vec, mf_drug_vec) # 逐元素相乘等價于內(nèi)積的擴(kuò)展 # MLP部分 mlp_target_vec self.mlp_target_embedding(target_indices) mlp_drug_vec self.mlp_drug_embedding(drug_indices) mlp_input torch.cat([mlp_target_vec, mlp_drug_vec], dim-1) mlp_output self.mlp_layers(mlp_input) # 融合 concat torch.cat([mf_output, mlp_output], dim-1) prediction self.predict_layer(concat) output self.sigmoid(prediction).squeeze() # 輸出0-1之間的概率 return output # 3. 訓(xùn)練循環(huán) def train_model(model, train_loader, val_loader, epochs20, lr0.001): device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) criterion nn.BCELoss() # 二分類交叉熵?fù)p失 optimizer optim.Adam(model.parameters(), lrlr) for epoch in range(epochs): model.train() train_loss 0.0 for batch_targets, batch_drugs, batch_ratings in train_loader: batch_targets, batch_drugs, batch_ratings batch_targets.to(device), batch_drugs.to(device), batch_ratings.to(device) optimizer.zero_grad() outputs model(batch_targets, batch_drugs) loss criterion(outputs, batch_ratings) loss.backward() optimizer.step() train_loss loss.item() * batch_targets.size(0) avg_train_loss train_loss / len(train_loader.dataset) # 驗證 model.eval() val_loss 0.0 with torch.no_grad(): for batch_targets, batch_drugs, batch_ratings in val_loader: batch_targets, batch_drugs, batch_ratings batch_targets.to(device), batch_drugs.to(device), batch_ratings.to(device) outputs model(batch_targets, batch_drugs) loss criterion(outputs, batch_ratings) val_loss loss.item() * batch_targets.size(0) avg_val_loss val_loss / len(val_loader.dataset) print(fEpoch {epoch1}/{epochs} - Train Loss: {avg_train_loss:.4f}, Val Loss: {avg_val_loss:.4f}) # 4. 數(shù)據(jù)準(zhǔn)備與訓(xùn)練 from sklearn.model_selection import train_test_split train_df, val_df train_test_split(implicit_data_df, test_size0.1, random_state42) train_dataset DrugTargetDataset(train_df, num_drugslen(all_drugs), num_targetslen(all_targets)) val_dataset DrugTargetDataset(val_df, num_drugslen(all_drugs), num_targetslen(all_targets)) train_loader DataLoader(train_dataset, batch_size256, shuffleTrue) val_loader DataLoader(val_dataset, batch_size256, shuffleFalse) model NeuMF(num_targetslen(all_targets), num_drugslen(all_drugs), mf_dim16, mlp_layers[128, 64, 32]) train_model(model, train_loader, val_loader, epochs15, lr0.001)深度學(xué)習(xí)模型的優(yōu)缺點優(yōu)點模型容量大能學(xué)習(xí)復(fù)雜的非線性關(guān)系有潛力達(dá)到更高的預(yù)測精度。易于擴(kuò)展可以很方便地將藥物分子指紋、靶點序列特征等作為額外輸入。缺點需要更多的數(shù)據(jù)以防止過擬合訓(xùn)練時間更長模型可解釋性差是個“黑盒”超參數(shù)層數(shù)、維度、學(xué)習(xí)率等調(diào)優(yōu)更復(fù)雜。如何選擇如果你的數(shù)據(jù)集不大比如只有幾千個已知交互計算資源有限且需要快速驗證和可解釋性從矩陣分解如Surprise的SVD開始是穩(wěn)妥的選擇。如果你的數(shù)據(jù)集規(guī)模可觀數(shù)萬以上交互并且你希望探索更高的預(yù)測上限不介意調(diào)參和更長的訓(xùn)練時間那么嘗試NeuMF這類深度學(xué)習(xí)模型是值得的。你甚至可以進(jìn)一步升級模型用圖神經(jīng)網(wǎng)絡(luò)GNN直接在圖結(jié)構(gòu)Neo4j中的關(guān)系上進(jìn)行學(xué)習(xí)這可能是更前沿的方向。5. 特征工程進(jìn)階融入藥物與靶點的本體信息前面的模型只使用了藥物和靶點的ID作為特征這丟失了大量寶貴的本體信息。一個更強(qiáng)大的模型應(yīng)該能利用這些信息。例如藥物特征可以從SMILES字符串計算分子指紋如ECFP4或使用預(yù)訓(xùn)練的分子表示模型如ChemBERTa得到向量。靶點特征可以從蛋白質(zhì)序列通過UniProt ID獲取計算氨基酸組成、理化性質(zhì)或使用蛋白質(zhì)語言模型如ESM得到嵌入向量。如何整合這些特征以NeuMF為例我們可以修改模型將額外的特征向量與原有的ID嵌入向量進(jìn)行融合。class NeuMFWithFeatures(nn.Module): def __init__(self, num_targets, num_drugs, drug_feat_dim, target_feat_dim, mf_dim8, mlp_layers[64, 32, 16]): super().__init__() # ID嵌入層 self.mf_target_embedding nn.Embedding(num_targets, mf_dim) self.mf_drug_embedding nn.Embedding(num_drugs, mf_dim) self.mlp_target_embedding nn.Embedding(num_targets, mlp_layers[0]//2) self.mlp_drug_embedding nn.Embedding(num_drugs, mlp_layers[0]//2) # 特征處理層簡單的全連接層用于降維或統(tǒng)一維度 self.drug_feat_layer nn.Linear(drug_feat_dim, mlp_layers[0]//2) self.target_feat_layer nn.Linear(target_feat_dim, mlp_layers[0]//2) # MLP部分輸入維度變?yōu)?(mlp_id_embed feature_embed) * 2 mlp_input_dim mlp_layers[0] * 2 # 因為藥物和靶點的ID嵌入與特征嵌入要拼接 mlp_modules [] input_dim mlp_input_dim for output_dim in mlp_layers[1:]: mlp_modules.append(nn.Linear(input_dim, output_dim)) mlp_modules.append(nn.ReLU()) mlp_modules.append(nn.Dropout(p0.2)) input_dim output_dim self.mlp_layers nn.Sequential(*mlp_modules) self.predict_layer nn.Linear(mf_dim mlp_layers[-1], 1) self.sigmoid nn.Sigmoid() self._init_weights() def forward(self, target_indices, drug_indices, target_features, drug_features): # MF部分僅基于ID mf_target_vec self.mf_target_embedding(target_indices) mf_drug_vec self.mf_drug_embedding(drug_indices) mf_output torch.mul(mf_target_vec, mf_drug_vec) # MLP部分融合ID和特征 mlp_target_id_vec self.mlp_target_embedding(target_indices) mlp_drug_id_vec self.mlp_drug_embedding(drug_indices) # 處理額外特征 mlp_target_feat_vec self.target_feat_layer(target_features) mlp_drug_feat_vec self.drug_feat_layer(drug_features) # 拼接ID嵌入和特征嵌入 mlp_target_concat torch.cat([mlp_target_id_vec, mlp_target_feat_vec], dim-1) mlp_drug_concat torch.cat([mlp_drug_id_vec, mlp_drug_feat_vec], dim-1) # 拼接靶點和藥物的綜合向量 mlp_input torch.cat([mlp_target_concat, mlp_drug_concat], dim-1) mlp_output self.mlp_layers(mlp_input) concat torch.cat([mf_output, mlp_output], dim-1) prediction self.predict_layer(concat) output self.sigmoid(prediction).squeeze() return output這樣模型就能同時從交互歷史協(xié)同過濾和藥物/靶點自身的屬性基于內(nèi)容中學(xué)習(xí)預(yù)測能力通常會更強(qiáng)。獲取這些特征需要借助其他工具庫例如用RDKit計算分子指紋用Biopython或在線API獲取蛋白質(zhì)序列信息。6. 模型評估與結(jié)果解讀不僅僅是AUC在二分類預(yù)測任務(wù)中我們不能只看損失函數(shù)下降。常用的評估指標(biāo)包括準(zhǔn)確率Accuracy、精確率Precision、召回率Recall、F1-score以及ROC曲線下面積AUC。對于高度不平衡的數(shù)據(jù)正負(fù)樣本比例懸殊AUC通常是更穩(wěn)健的指標(biāo)。from sklearn.metrics import roc_auc_score, precision_recall_curve, auc, classification_report import torch def evaluate_model(model, data_loader): device next(model.parameters()).device model.eval() all_predictions [] all_labels [] with torch.no_grad(): for batch_targets, batch_drugs, batch_ratings in data_loader: batch_targets, batch_drugs, batch_ratings batch_targets.to(device), batch_drugs.to(device), batch_ratings.to(device) # 假設(shè)我們只有ID沒有額外特征。如果有特征需要傳入。 outputs model(batch_targets, batch_drugs) all_predictions.extend(outputs.cpu().numpy()) all_labels.extend(batch_ratings.cpu().numpy()) all_predictions np.array(all_predictions) all_labels np.array(all_labels) # 計算AUC auc_score roc_auc_score(all_labels, all_predictions) print(fROC-AUC Score: {auc_score:.4f}) # 計算PR-AUC (對于不平衡數(shù)據(jù)有時比ROC-AUC更敏感) precision, recall, _ precision_recall_curve(all_labels, all_predictions) pr_auc auc(recall, precision) print(fPR-AUC Score: {pr_auc:.4f}) # 選擇一個閾值例如0.5計算分類報告 binary_predictions (all_predictions 0.5).astype(int) print(classification_report(all_labels, binary_predictions, target_names[Negative, Positive])) return auc_score, pr_auc # 在測試集上評估 # 需要先創(chuàng)建測試集的DataLoader test_dataset DrugTargetDataset(test_df, num_drugslen(all_drugs), num_targetslen(all_targets)) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse) evaluate_model(model, test_loader)結(jié)果解讀與驗證得到一個不錯的AUC分?jǐn)?shù)比如0.85以上是一個好的開始但這遠(yuǎn)不是終點。對于藥物發(fā)現(xiàn)而言可解釋性和生物學(xué)合理性至關(guān)重要。Top-K預(yù)測分析查看模型為某個重要靶點如與癌癥相關(guān)的激酶推薦的前10個藥物。這些藥物是已知的嗎如果是已知的說明模型成功回憶起了知識。如果是未知的去查文獻(xiàn)或數(shù)據(jù)庫看是否有初步的生物學(xué)證據(jù)支持這能提供最直接的驗證。案例分析選擇一個模型高置信度預(yù)測的新相互作用對藥物A-靶點B進(jìn)行深入的文獻(xiàn)調(diào)研和分子對接模擬這超出了本代碼范疇但卻是實際項目中的必要步驟。錯誤分析檢查那些被模型錯誤預(yù)測的樣本假陽性、假陰性。是否存在數(shù)據(jù)質(zhì)量問題例如某些“負(fù)樣本”在現(xiàn)實中其實是相互作用的只是尚未被實驗發(fā)現(xiàn)或收錄進(jìn)數(shù)據(jù)庫這能幫助你理解模型的局限性和數(shù)據(jù)的偏差。7. 項目總結(jié)與避坑指南回顧整個項目我們從數(shù)據(jù)獲取、知識圖譜構(gòu)建到推薦系統(tǒng)模型的實現(xiàn)與評估完成了一個完整的AI輔助藥物靶點預(yù)測流程。這個過程里我踩過不少坑也總結(jié)了一些關(guān)鍵經(jīng)驗核心避坑點數(shù)據(jù)質(zhì)量是天花板DrugBank數(shù)據(jù)雖然好但也不完美。可能存在標(biāo)注錯誤、遺漏或偏差。務(wù)必進(jìn)行徹底的數(shù)據(jù)清洗和探索性分析EDA??紤]融合多個數(shù)據(jù)源如ChEMBL, BindingDB來增加數(shù)據(jù)的覆蓋面和可靠性。負(fù)樣本的定義是玄學(xué)我們采用隨機(jī)采樣的方式生成負(fù)樣本但生物學(xué)上“未觀測到相互作用”絕不等于“不相互作用”。這被稱為“正未標(biāo)記”Positive-Unlabeled, PU學(xué)習(xí)問題。更高級的做法是使用“負(fù)樣本”挖掘策略比如選擇那些與靶點空間距離很遠(yuǎn)的藥物或者使用一些生物學(xué)上不可能結(jié)合的規(guī)則來生成“硬負(fù)樣本”。評估指標(biāo)的誤導(dǎo)性在極度稀疏正樣本極少的數(shù)據(jù)上即使AUC很高模型也可能只是學(xué)會了把所有樣本都預(yù)測為負(fù)類。一定要結(jié)合精確率-召回率曲線PR Curve和Top-K的命中率Hit Ratio來綜合判斷。在測試集劃分時務(wù)必確保每個靶點/藥物在訓(xùn)練和測試集中都有出現(xiàn)即采用按用戶/物品的分層抽樣避免冷啟動問題被掩蓋。Neo4j導(dǎo)入性能導(dǎo)入百萬級關(guān)系時如果一次性UNWIND一個巨大的列表可能會內(nèi)存溢出。需要分批次提交每批幾萬條。使用apoc.periodic.iterate過程也是一種更專業(yè)的批量導(dǎo)入方法。深度學(xué)習(xí)模型過擬合由于數(shù)據(jù)量可能相對模型復(fù)雜度來說不夠大過擬合是常態(tài)。務(wù)必使用早停Early Stopping、Dropout、權(quán)重衰減L2正則化等技術(shù)。同時簡化模型結(jié)構(gòu)減少層數(shù)、降低嵌入維度往往是第一個應(yīng)該嘗試的解決方案??蓮?fù)現(xiàn)性設(shè)置隨機(jī)種子np.random.seed(),torch.manual_seed()對于實驗的可復(fù)現(xiàn)性至關(guān)重要。否則每次運(yùn)行的負(fù)采樣和模型初始化結(jié)果都會不同。未來擴(kuò)展方向圖神經(jīng)網(wǎng)絡(luò)GNN這是最自然的延伸。我們已經(jīng)在Neo4j中構(gòu)建了圖可以直接使用PyTorch Geometric或DGL庫將藥物、靶點作為節(jié)點已知相互作用作為邊讓信息在圖上傳播從而學(xué)習(xí)更豐富的節(jié)點表示。這比獨(dú)立的ID嵌入更能利用網(wǎng)絡(luò)結(jié)構(gòu)信息。多模態(tài)特征融合除了分子指紋和序列還可以引入藥物的副作用、靶點的基因本體論GO注釋、通路信息等構(gòu)建一個更豐富的知識圖譜并設(shè)計更復(fù)雜的多模態(tài)融合模型。主動學(xué)習(xí)與濕實驗驗證將模型部署為一個持續(xù)學(xué)習(xí)的系統(tǒng)。將模型預(yù)測的高置信度新相互作用提交給生物學(xué)家進(jìn)行濕實驗驗證然后將驗證結(jié)果無論是正例還是反例作為新數(shù)據(jù)反饋給模型形成一個閉環(huán)不斷提升模型的實用性和可靠性。這個項目就像搭積木本文提供了最核心的幾塊積木和搭建方法。你可以根據(jù)自己的需求和興趣更換更優(yōu)質(zhì)的數(shù)據(jù)源積木嘗試更先進(jìn)的模型架構(gòu)搭建方式最終構(gòu)建出屬于你自己的、更強(qiáng)大的藥物發(fā)現(xiàn)輔助工具。希望這份詳細(xì)的指南和代碼能為你節(jié)省大量摸索的時間直接切入到最有價值的探索環(huán)節(jié)中去。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
9999九九九久久久| 职场同事知名国产国产精品久久欧美日韩| 99久久99久久免费精品蜜臀| 97免费视频网| 99精品久久| 久久亚州精品成人Av无| 一本久道久久综合狠狠爱一密臀精| 久久久久久久久久久久久久9999| 欧美成人一区二区三区在线播放| 国产精品午夜福利亚洲综合网| 狠色婷婷久久一区二区三区_| 国产精品色色| 国产精品熟女乱伦| 伊人久久综合精品欧美| 人人操肉肉| 超碰97 线线 在现| 亚洲欧美伦综合| 久久人爽| 96国产污污污丝袜| 国产精品经典一卡久久久| 黄片在线免费在线观看| 欧美日韩岛国大片在线观看| 自偷自拍的亚洲视频| 郑州宾馆老熟女露脸啪啪| 亚洲乱码尤物193YW| 亚洲毛片基地专区| 成人欧美一区二区三区黑人一| 丝袜美女诱惑 91 视频| 日韩av在线免费网站| 亚州色图片在线色| 亚洲欧洲精品成人| 亚洲免费97免费| 99国内精品| 91久久久久久久久18| 自怕偷自怕亚洲精品| 97超碰9| 国产后入清纯| 久久久久久中文| 男人成人黄色视频在线观看免费下载| 一区二区三区一亚洲中文字幕、综合区灬| 人妻另类| 97国产超碰| 久久97视频| 亚洲AV麻豆Aⅴ无码电影一| 欧美三四五区| 亚洲欧洲激情卡通另类文学四射小说网站 | 天堂性色| 日韩精品啪啪啪| 久久久久久免费电影| 我想要啊 啊 啊| 天天日天天屌天天操| 抽插爽| 九九九草| 中文字幕在线免费观看 | 999精品国产高清一区二区| 青青草福利视频| 麻豆视频一区二区| 国产亚洲色停停久久99精品91| 99热综合在线| 国产精品老师| 国产懂色精品国产av| 在线看片国产精品每日更新| 牛黄色久午久| 一二三啪啪专区| 无码99| 欧美综合骚| 亚州色站 日韩电影| 日韩一级二级在线| 久久久久久裸体| 老鸭窝成人| 男人综合网| 午夜国产综合视频在线观看 | 日韩欧美午夜一区二区| 天天干天天中出av| 亚洲啪啪啪啪视香蕉| 日日干夜夜骑| 中文精品一区二去| 婷婷五月天激情网| 亚洲欧美一区二区不卡视频播放| 青青操日韩| 亚洲色人| 中文字幕五区| 亚洲日韩久久精品一区| 欧美人人操人人插| 91精品国产高清久久久久久,亚洲成人| 8050无码八戒| 午夜福利区| 亚洲激情欧美色图 | 高清不卡国产| 大香交| 日本中文熟女视频| 亚欧高清v| 91精品人妻一区二区-全集完整版免费正片国语-B02AV | 久久理论字幕视频| 98久久超碰| 香蕉久久AⅤ...| 凹凸视频特色日本特黄| 国产和美国毛片| 91伊人| 日韩性爱小视频在线观看| 精品久久久久瑟瑟| 天天综合网日韩| 91精品啪在线观看国产城中村| 国内91熟女人妻丝袜天天精品视频在线| 欧美影音在线| 日本高清视频xxxx| 伦在线97| 在线可观看的黄色网址| 亚洲精品国产精品乱码不卡| 人妻系列无码专区中文有码| 好好的日:com久久九九| 草草影院日本第一页| 久久久久久亚洲精品中文字幕人妻| 噜噜噜亚洲精品| 色色色日本| 亚洲AV无码天美传媒一区| 1204人成网站色www| 国产91av在线播放| 欧美黑人猛交春色影视大全| 久久久国产av美女私房| 免费看污网站| 九九视频黄色片| 欧美日韩中文字幕不卡| 极品美女福利在线观看| 色九色久| 亚洲精品成人| 亚洲欧美综合| 操香逼| 91夜色| 97香焦色区| 91精品久久久久| 麻豆啪啪啪视频| 久久少妇人妻| 大香蕉宗合网在线| 一个国产在线综合网站| 二级久久网| 精品视频免费在线一区| 91国产在线精品| 欧美亚洲| 强乱老妇中文字幕| 亚洲精品久| 国产拍偷精品网站| 欧美一区二区三区黄色影视| 婷婷伊人綜合中文字幕| A 天堂| 久久夜嗨| 日韩中文字幕视频在线观看| 超碰超碰超碰超碰的大鸡吧操黑丝袜| 中出91| 国产传媒日韩欧美| 中文字幕人妻色偷偷久久皮 | 亚洲图片欧美91N| 大肥女高潮bbwbbwhd视频| 久久久久久性爱视频| 国产 亚洲 一二三四| 超碰碰激情97+久| 婷婷视频在线免费观看| 国产精品美女久久久久久网站| 五月天伊人| 天天摸夜夜添无码小视频| 亚洲色图第一页| 天天日少妇逼AV| 国产精品第一区第一页| 999熟女精品| 夜夜嗨一区二区| 国产日产精品久久快鸭的功能介绍| 9999九九九久久久| 男人的天堂色偷偷青青草视频婷婷网| 天天干夜夜一操| 神马久久久久久久| 自拍啪啪视频| 偷拍2020| 日韩天天本| 99日韩| 澳门黄片一香蕉视频| 91精品在线播放| 色眯眯射| 欧美大香蕉卡久久| 在线看免费无码AV天堂的| 又大又大又大又粗爽高潮观看| 久久99草| 很黄很污的免费网站| 久久 国产精品 一区| 超碰在线欧美性爱激情| 伦理第一页| 欧美大干日韩| 中文久久96| 久久欧美按摩999| 国产乱人伦AVA麻豆软件.| 亚洲影院365| 亚洲熟女乱综合一区二区在线-...亚洲国产日韩欧美一区二区三区,久久久久久精 | av优播| 91操人视频| 国产91精品福利在线| 不卡日本一区二区| 色色97爱| 2017天天操天天日| 夜夜无码| 一二区在线观看视频| 激情亚洲天堂| 久久精品导航| 日韩亚洲美女一区久久| 久久曰曰| 91东北熟女| 青青草亚洲一区 | 久草国产在线视频| 激情五月综合开心五月| 亚洲最新Av| 麻豆天美一区二区| 人人妻人人澡人人爽久久av| 精品国产乱码久久久久久网站入口| 嫩草 我啊~嗯~在线| 九九自拍伦理| 国产一区二区久久| 婷婷丁香人妻| 日韩图色| 国产精品一区二区三| 人妻精品一区二区| 亚洲色图亚洲| 久久久精品中文字幕爱豆| 美女诱惑久久| 91黑丝在线| jizz啪啪| 免费的黄片wwwwww| 久久女人一区二区三区| 一色网男人的天堂| 成人色女网| 国产熟妇一区二区| 好吊爽好吊爽在线视频,中文字幕精品一区二区日本,国产良妇出轨视频在线观看, | 色就色综合| 美女尤物人人操| 亚洲超碰AV| 熟女突然公开看18禁影片| 亚洲欧美中文日韩视频中国语 | 粉嫩av一区二区三区天美传媒| 97超碰影音| 亚洲 欧美 第一页| 肏逼福利网站| 精品少妇人妻av久久免费| 亚洲无码免费看| 亚洲一区二区性爱电影| 中文字幕大片三级狠狠干| 欧美一区二区传媒| 男人天堂新在线| 亚洲无码 国产无码| 午夜乱轮操逼视频免费看| 国模不卡| 国产精品熟女AV中文字幕在线播放| 嗯阿好爽好紧| 久久久久久久久女黄| 精品对白久久不卡| 亚洲精品毛片在线观看| 999久久久精品国产| 91人妻视频在线| 加勒比伊人综合| 国产久久天堂资源| 被男人添B超爽视频| 丁香九月激情啪| 嗯嗯啊啊啊好舒服| 欧美女同在线| 婷婷丁香九月| 色盈盈影院| 99草精| а√天堂资源官网在线资源| 校园春色中文字幕AV| 国产精品密臀网在线观看| 97精品一区| 狠狠操狠狠操操| 亚洲乱码国产乱码精网站| 久久人妻办公室视频| 你草精品在线视频| 亚州综合电影| 日日噜噜夜夜久久亚洲一区二区| 精品人妻丰满熟妇一区二区三| 亚洲国产欧美一区二区潘金莲| 91热爆在线| 91草草草| 国产精品嫩草久久久久| 九九成人精品| 日韩av在线精品观看| 中文字幕 国产 精品| 另类视频在线| 中国国产精品一区视频| 久久九九一区二区三区成人| 亚洲性爱成人| 国产亚洲美日韩Aⅴ中文字幕无码成人| 丁香九月婷婷| 亚洲色图在线视频| 久久久青草青青国产亚洲免观精品高清完整版_97久久综合区小说区图片区,国精品 | 色偷综合| 26uuu性物| 桃色六月天| 超碰91在线| 校园春色 男人天堂| 性欧美| 青娱乐久久艹| 久久亚洲日韩国产欧| 日本性爱不卡视频| 大香蕉92| 国产精品99久久久www| 精品国模无码| 97资源制服丝袜| 亚洲Av诱惑| 久久久久久国产精品| 精品无码少妇| 97九色人妻| 高清不卡国产| 26uuu成人影片| 超碰午夜在线| 超碰在线香蕉| 日日嗷| 很很热性爱视频| 一二三四区操操Av| 67914亚洲精品| 欧美天天综合网| 婷婷情色综合网| 清纯唯美亚洲综合| 射丝袜高跟鞋99| 国产主播福利| 中文字幕、久久精品国产2020、久久综合久久自在自线精品自、亚洲 | 国产精品老师| 台湾佬大香蕉| 神马福利久草| 亚洲三区视频| 97精品视频在线| 高清国产av无码| 精品美女少妇一区二区| 国产成人亚洲精品自产在线| 国产一区二区免费福利片| 国产精品2020| 无码精品人妻一区二区三区妖精| 日韩一级二级三级免费看完整版国语版 | 国产精品呦一区二区三区| 少妇99| 国产精品久久久久久久久AV大片| 成人无码欧美一级A片狼牙直播| 日本在线一二| 福利社区午夜一区二区| av中亚| 亚洲欧洲无码97久久精品| 国产一级137片内射麻豆| 少妇久久久免费| 青青久久手机线视频| 欧天美中出| 97超碰中文在线| 日韩久久三区| www.99中文字幕| 色狠狠一区二区三区香蕉| 天天日少妇逼AV| 国产粉嫩蜜臀av一区二区三区| 东京成人一区| 亚洲色图激情小说| 一级啊性爱在线视频| 综合色好色| 午夜毛片高清免费不卡| 五月激情在线| 亚洲精品色| 99亚洲国产精品色一区二区三区| 综合亚洲网| 四虎免费看黄| 观看免费区二区三区二| 综合色图区| 乱伦a片视频| 亚洲欧美一区二区三区在钱蜜桃 | 狠狠爱夜夜| 三级三久久线久久99久目本WW| 夜夜嗨一区二区三区直播内容| 超碰成人免费| 超碰精品国产无码| 国产精品久久泡妞网站| 欧美,日韩,中文,另类| 久久一二三四五六七八九区区| 9国产超碰| 亚洲少妇激情视频| 国产女人成人精品视频| 亚洲精品人妻在线| 在线综合 亚洲 欧美中文字幕| 欧日韩一二三f区| 日韩视频小说在线观看| 鸥美插入视频| 久久鲁夜| 国产小炒后入式| 99re3这里只有精品| 26uuu欧美| 亚洲中文字幕网| 男男H黄动漫啪啪无遮挡网站| 黑人美精品 A片| 欧美成人A天堂片在线观看| 偷拍偷窥与盗摄视频专区| 久久一区二区蜜桃| 久九九九九九九九热| 亚洲大色堂| 91亚洲欧美色图| 用力操死我| 粉嫩国产精品久久粉嫩| 色妺妺在线视频| 青青草在线成人视频| 首页亚洲国产高跟丝袜诱惑视频| 精品国产精品一区二区| 国产动漫操逼视频| 六六久久日韩不卡| 男人天堂站| 操我啊啊啊啊啊| 夜夜嗨AV蜜臀av| 九九亚洲精品| 在线观看视频91| 亚洲天天影视综合网| 精品人妻视频一区二区三区蜜桃视频| 国产91专区| 乱人乱色一区二区三区免费| 日韩少妇无码| 国产无码精品无码| 人干人人人操人人摸| 亚洲欧美自拍偷拍| 人妻精品视频一区二区| 免费观看欧美日韩操逼视频| 澳门人妻久久| 人人搡人人肉久久精品| 天天夜夜rb| 久久久蜜桃臀无码视频| 亚洲国产欧美一区二区潘金莲| 三上悠亚在线毛片91| 日本顶级天天操狠狠操夜夜操中文字幕 | 欧美操人视频| 亚洲男人的天堂一区二区| 99re9在线| 黄总AV色图| 色九九九九九九| 78精品| 久久av无码| 这里只有精品视频在线观看麻豆| 久久国产三区| 日本九九久久99| 精品人妻久久久久一区二区三区| 激情天天视频| 九九精品热| 五月天综合网| 日韩91网站| 亚洲色图尤物视频| 亚洲午夜免费狠狠干| 高清无码一区二区三区| 中文啪啪视频| 欧美大色交| 国产最新AV| 色五月69夫妻| www亚洲欧美| 人人操人人摸人人看人人插| 亚洲图片 91| 久久草视频污视频| 韩三级a视频在线观看| 日本天天色| 日韩久久艹| 欧美AB在线| 国产亚洲精品农村妇女| 9999伦理视频| 欧美激情区| 亚洲老熟妇xxx| 国产精品操| 激情五月综合开心五月| 午夜精品久久99蜜桃的功能章节| 免费看欧美美女黄色大片| www.狠狠干.coom | 日本视频一区二区三区| 欧美亚洲综合色| 超碰视97中文| 日韩熟女乱伦中出| 操操操操操操| 91AV入口| 台欧久久精品视频| 99re热| 很黄很色的视频在线观看| 美女啊啊啊啊啊啊啊| 欧美性Fer办公室秘书| 男女性感激情网站| 情色五月天久久久| 亚洲av无码国产精品字幕| 激情久久久| 伊人宅男大香蕉| 秋霞蝌科网日本一区| 欧美少妇第一页| 欧美成人一级麻豆| 91精品成人| 中文字幕人妻资源在线| 精品熟女一区=区三区| 久久久久久九九九九| 五月天婷婷久久| 噜噜噜噜天天狠狠| 五月丁香婷婷色| 78精品| 伊人AAA| 91色插| 日本理论在线| 国产精品诱惑| 欧洲中文字幕| 青娱乐国产精品| 国产精品动态一区二区三区四四| 亚洲精品人妻吞精av| 久操视频在线| 伊人亚洲国产一成人久久精品,久久| 欧美天天搞| 99国内精品| 欧美熟妇成人一区二区| 69人妻精品丰满熟女区| 国产亚洲中文不卡二区| 亚洲天天自拍| 欧美日日夜夜| 视频分类 国内精品| 九九九久久久W精品| 精品色色| 综合五月婷婷亚洲一区| 欧美操逼录像国产黄色国产| 国语人妻精彩刺激| 欧美黑人精品在线播放| 欧美日韩亚洲少妇寂寞影院正在播放| 热久久91婷婷| 无码137片内射在线影院| 制服少妇欧美| 亚洲激情在线一区二区| 中文字幕丰满子伦无码专区在线视频最新 | 91欧美综合在线| 日本精品成人无码| 四虎午夜影院| 久久9999| 一区中文字幕二区日韩| 91干熟女| 国产精品蜜臀久久久久无码AV| 日韩人人精品| 91美女视屏| 国内精品久久久久影院亚洲| 国产91福利小视频在线观看| 人人妻天天做天天爽| 久久的网站啊啊啊啊啊| 欧美亚洲中文字幕| 久久精品日韩| 九七超碰人人乐| 亚洲人久久久网| 极品五月天噜噜| 中文操嬖片。| 激情五月天丁香| 性久久| 亚洲色欧美| 78精品在线| 五月开心久久AV官网| 91熟女熟妇视频网站| 青青伊人这里只有精品| 操逼天美3区| 色综合一区二区三区| 亚洲激情深爱文学小说网站| 国内97干免费看| 一牛影视久久久一区二区三区| 在线性黄高清免费视频| 精品中文字幕一区二区| 黄骗免费网站| 精品天堂| 久草这里只有精品 | 青娱乐福利99| a'v在线资源| 青青操视频在线| 久久av网| 中文字幕加勒比海高清无码免费视频| 91精品91久久久中77777| 综合影视国产无码| 亚洲 国产 精品一区| 秋霞网—男女啪啪亚洲免费体验区| 妺妺跟我一起洗澡没忍住| 97亚洲色图| 成人一二三区| 神马久久久久久久久| 99re在线精品78| 91精品人妻啪啪间| 美女骚尻视频| 男人的天堂无码| AV在线播放网址| 91艹| 男人天堂毛片| 大色综合| 操屄日韩| 影音先锋少妇| 精品高潮| 欧美偷拍区| 人人看人人爰人人操| 国产强奸乱伦xd| 操逼操网| 亚洲强奸乱伦影视网| 天天看,天天做| 激情文学网伊人| 久久色人体 | 97精品久久| 亚洲欧美国产中文视频| 强奸乱伦免费网站| 色香色欲天天综合网天天来吧| 亚洲一区二区性爱电影| 色婷婷激情| av在线人气| 天天内射| 日本Suv精品一区二区| 国产午夜精品在线观看| 三级AV入口| 91动漫操逼视频| 97国产超湿| 亚洲自拍欧美国产首页网曝 | 日本三级日本三级99| 久久亚洲婷婷| 热久久99999| 91欧洲入口| 男女一进一出视频久久| 欧美日韩操操操| 五月丁香六月激情综合| 欧美激情视频一区二区三区不卡| 日本性一区| 97欧美综合| 一起草日韩| 欧美亚洲性爱一区二区| 夜夜操中文字幕| 亚洲黄色| 日韩AC| 干B视频伊人网| 超碰在线综合97| 欧美一区二区三区互相| 天天躁日日躁AAA片李宗瑞| 久久综合18p| 91精品久久久久久| 五月天久久综合网| 欧美亚洲日韩人妻在线观看| 亚州久久9| 丝袜AV一区二区三区| 亚洲综合中文字幕有码| 欧美 亚洲 大香| 97操b| 大香蕉一线视频| www.操| 999热这里只有精品| 亚洲情色中文字幕一区| 男人干美女| 综合 亚洲 欧美| 日本日皮视频逼| 色超碰综合| 国内偷拍精品一区二区| 2020中文字幕| 欧美美逼| 性爱乱伦网址| 亚洲区限制级| 亚洲国产ⅴ高清在线观看| 又黑又大又粗| 91少妇| 色激情五月天| 天堂亚洲欧美| 开心激情站| 久久久性少妇| 亚欧国产无码精品在线| 久久久久久久9最新免费视频观看| 人人么人人操| 美腿色图| 日本色色视频网站| 久插综合| 免费av在线播放二区| 69人妻精品丰满熟女区| 免费αV在线视频| 91伊人影视综合| 九九热久久99精品re| 夜夜高潮夜夜爽| 亚洲欧美91| 久久久草成人网站久久久草成人久久久草久久久 | 中文字幕一区二区三区视频播放| 91亚洲狠狠色| 亚洲免费人妻在| 久久久三区二区一区| 精品少妇一区二区三区在线视频| 人妻喷水| 久热这里| 三级精品三级在线观看| 亚洲中文电影| 特级毛片特黄久久免费看| 热久久无毒不卡| 国产农村一一级特黄毛片| 亚洲久久天堂| 爆乳免费黄网站| 啪啪性爱免费视频| 亚洲国产综合久久久性感熟妇| 国产辣妈在线视频福利| 人妻爽爽啪视频| 亚洲小电影免费涩涩成人在线高清| 久久色一区二区| 日本一区二区三区四区免费观看| 夜夜黄| 欧亚综合一卡二卡中文字幕| 中国AAAAAA黄色片| 热的中文 热的有码 热的国产| 国产精品久久久久无码AV会牛| 亚洲激情久久久伊人综合| 99国内精品| 天天色黄色影院天天操| 久久久久久99999国产精品| 亚洲无套久久嗯嗯| 岛国在线免费视频| av草草在线电影| 青娱乐av在线| 老司机老司机午夜影院| 久久69| 撸撸成人在线视频| 九九色热| 在线观看成人性爱免费小视频| 亚洲激情深爱文学小说网站| 日韩人妻资源网| 亚洲精品亚洲人成在线麻豆| 亚洲高清综合网| 国产视频大全| 厕所偷拍在线| 欧美精品1区2区3区| 人人妻碰人人免费| 懂色AV网| 国产第11页| 九一屌逼| 亚洲成av人片色午夜乱码| 日本黄大片在线观看视频| 揉揉揉夜夜| 国产乱码精品久久久久久| 无码免费一区二区三区啪啪| 欧美日本中字另类在线| 亚洲欧美999| 国产一二三福利视频网| 一区二区三区无卡视频在线观看| 99热9| 日韩乱插| 亚洲成a人片在线观看中文!!!| 在线午夜成人无码视频| AV女资源| 久久久内射良家| 韩日巨乳美女免费视频在线观看| 国产黄a三级三级三级av在线看| 国产亚洲精品美女久久久m| 综合伊人激情| 好爽视频在线观看视频| 日韩一卡二卡三卡| 人妻无码视频一区二区三区久久| 亚洲丝袜B诱惑| 九九九九九九九九九九九免费国产| 免费看日产一区二区三区| 韩日性爱av| 家庭乱伦国产| 久久精品国产亚洲妲己影视| 熟女乱3伦999| 最新国产精品| 久久只有精品| 水多多映视AV| 97爱综合| 久久黄人人爽视频| 色欲天香天天综合网-成年人三级片网站-欧美乱妇狂野-日韩国产专区-久久久久久 | a在线视频免费观看| 爆操无码| 日本精品第一视频在'| 超97在线精品视频| 国产精品自在线发布| 久久久久久人妻一区精品色欧美| 国产精品久久久久无码Av网曝门| 日本性爱视频一级| 亚洲黄片免费在线播放| 性爱视频无打码在线观看| 欧美性爱18观看| 欧美一区二区三区互相| 黄色片,com| 成人亚欧免费视频| 九九色影院| 思思热在线| 久都青青视频 | av天堂电影网| 操逼视频色| 蜜乳AV一区| 91干熟女| 97国产色综合| 妇女视频网站| 另类图片五月天| 蜜臀久久久99久久久久| 九九九久久久| 国产操伦| 国产伦精品一区二区三区在线观| 色蜜AV| 久久精品72| 久久精品人妻一区二区| 一本色道久久综合精品婷婷| 淫荡网址| 亚洲精品天堂久久A∨51成人漫| 日人妻视频91| 开心婷婷五月| 玖玖爱一区在线| 男人天堂网手机版婷婷| 亚洲国产精品成人久久蜜臀| 国产在线能看的你懂的| 国产精品无码在线| 亚洲欧洲美腿丝袜| 天堂亚洲精品久久老牛| 国产一区二区在线电影| 男人久久天堂| 97精品97| 色av中文字| 国产在线激情| 色噜噜婷婷| ...日韩成人一区二区三区字幕| 黑人操一区二区| 欧美91网站| 啪一啪免费视频| 蜜臀av网址| 久久鲁干| 91亚洲人| 特级大荫道BBwBBwBBW| 69av一区二区三区| 欧美精品第四五页中文字幕在线观看| 国产精品99精品视频网站| 国产美女精品| 乱伦av.com| 中国韩国明星一极片一区乱码毛片人妻熟女一区二区三区 | 殴美在线AⅤ| 欧美偷偷网| 亚洲另类在线观看| 嗯嗯啊啊好爽| 成人日本精品九区| 无码丰满熟妇一区二区浪潮AV| 亚洲系列欧美| 丁香五月久久| 强奸抽插av| 日日做夜狠狠爱欧美黑人| 日本伦乱九九九综合| 精品999日本| 黑人无码一区二区| 色汉综合| 热热热热日日漂亮永久永久国产日| 亚洲最大的综合性av| 大香蕉日韩| 超碰性爱97| 欧美性爱一级操| 日本女人久久久| 91精品人妻| 男人天堂2017| 97国产天堂岛| 婷婷AV一区二区三区| 可免费观看的av毛片中日美韩| 久久久96| 清纯唯美第一页| 97精品国产97久久久久久| 国产成人超碰在线| 怡红院亚洲怡春院av| 久久婷婷综合国际产色怕| 国产吹潮女在线观看| 欧日韩不卡视.频| 欧美aa一级片| 黄页| 欧美国产成人在线| 欧美强奸乱| 国产精品诱惑| 久久熟女久| 久久99国产综合精品女同| 久久精品日韩| 国产精品美女视频诱惑| 99国产精品自在自在| 日韩二级| 婷婷五月成人| 久久精品毛片免费不卡| 国产97在线视频| 亚洲做性| 亚洲AV无码久久精品蜜桃小说| 国产成年免费大片黄在线观看| 亚洲牲交| 蜜区区视频79| 97超级色碰碰| 你草精品在线视频| 久热伊人99re| 亚洲高清无码免费观看视频| 亚洲蜜乳av| 国产主播福利| 欧美色青| 亚洲图片小说欧洲| 骚逼自拍99| 色老牛| 亚洲AV乱码专区国产噜噜亚洲| 亚洲激情AV| 操逼视频亚洲| 国产精品久久久久久无码红治院| 97国产精品视频| 久久伊人东京热| 久久国产精品91| 亚洲密乳AV| 天天看夜夜看日日干| 欧美日韩制服| 99热99re6国产在线播放| 人人爽人人精品乱人伦AV| 欧美美女在线高潮999| 欧美男女午夜啪啪| 亚洲丝袜二区| 色99在线| 婷婷在线视频| 美女刺激久久国产欧美| 伊人91| 岛园激情| 天天色播亚洲综合网站| 26uuu国产成人综合| 国产AV激情无码久久无码 | 97干综合网| 天天综合网入口~91| 亚洲精品久| 亚洲男人的天堂一区二区| 亚洲丝袜色| 天天欧美色| www四虎| 日欧美色| 免费精品国偷自产在线在线 | 91男人天堂网| 东北操逼| 99热欧美| 美女性91| 我要去看2个日本美女.com曹逼| 亚洲男人电影天堂| 国产无码三级视频在线观看| 日韩成人高清一区二区| 97超碰人人模人人拍人人| 人妻偷拍一区二区三区| 岛国激情视频在线观看| 色欲蜜臀AV| 国产97色在线| 天美传媒一二三区永久网站| 综合网,亚洲,欧美| 国产亚卅97| 骚女高跟AV在线| 97久久超碰亚洲| 热99re69精品8在线播放| 成人五月天丁香激情综合| 91精品国产91久久福利| 1769成人国产精品视频| 天天色黄色影院天天操| 青草青草久热| ′ !γ}丶。。久久精品欧美一区二区三区 | 在线观看啊啊啊啊啊| julia国产在线 | 91在线/欧洲| 欧美日韩色| 亚洲人成网站7777| 日韩一区二区三区四区五区| www.色婷婷| 亚洲 欧美 另类 日韩 人妻一区| 91激情综合| 欧美天天干| 日韩性爱视频在线免费观看| 日本欧美国内在线| 1024亚洲中文字幕久在线看片你懂的 | 大香蕉九九| 97色色国产视频| 欧美黑人精品在线播放| 大香蕉丝袜一级片| 成年男人的天堂| 日韩干B| 欧美一区二区男人天堂| 白嫩国模丰满一二三区| 亚洲色堂免费视频| 97国产精品久久久久| 欧美天天干| 日本激情免费大片| 亚洲欧美校园另类春色| 玖玖爱伊人玖玖爱| 国产成年女黄特黄| 97碰在线视频| 91九九九小逼| 欧美中文综合| 日韩欧美一级特黄大片| 打av高清| 99999国产| 黄色网址在线免费观看| 日韩欧美麻豆大片| 亚洲丝袜二区在线| 免费黄色片。| 天美传媒国产原创中文字幕亚洲欧美另类 | 日本在线一二 | 日本高清视频在线观看黄已三辽| 8x福利精品第一福利视频导航| 色婷婷激情| 骚妻少妇精品性色无码四色A V| 老熟女乱伦片| 亚洲日本韩国在线| 国产精品久久久久久久免牛肉蒲团 | 成人自拍三级在线观看| 97精品国产97久久久久久| 亚洲天天精品| 人妻一二三区| 中文字幕在线观看第二页| 91中出在线| 无码视频黄色网战| 欧洲亚洲人妻无码中字久久三区四区 | JuliaAnnXXX888| 久久黄色视频一区二区三区| 青青草黑寡妇男人天堂| 91丝袜美女视频| 久久女婷| 久久精品国产99久久,亚洲日韩久久日本一区一区三区 | 九九九九精品| 国产999精品久久久久久| 九九九九一区| 欧美视频边做饭边橾| 天天操天天日天天干| 久久黄片国产一区二区| 麻豆九九九| 国产偷拍网站| 五月天伊人| 欧州一区二区三区四区| 久久综合日韩亚洲欧美| 人妻少妇精品| 综合国产97| 97超碰人人操人人操| 99自拍B亚洲| 亚洲久久久久| 啊啊啊啊啊操我视频| 日韩无码极品| 亚洲三级网址久久最新| 国产 日韩 欧美一区| 日本天堂网| 99久久久久久亚洲精品不卡| 大香蕉99热| 黄色视频60分钟| 亚洲性综合| 99国产精品视频尤物| 亚洲啪啪啪啪视香蕉| 国产亚州精品美女久久久免费| 97久久天天综合色天天综合色电影| 天天操天天舔| 骚货操死你| 神马视频久久久久久| 国产一级内射高清视频 | 激情网色| 国产91丝袜在线播放蜜月| 郑州宾馆老熟女露脸啪啪| 久久精品无码不卡| 一区二区三区机械有限公司| 南澳成人一级片在线播放| 920日本午夜免费| 无码不卡亚洲成?人片| 9超碰免费| 丁香五月综合| 亚洲av资源| 亚洲精品欧美专业| 亚洲天堂AV在线播放| 抽插一区二区视频| 婷婷久久综合| 日日操免费视频| 果冻传媒一区二区三区| 99无码视频| 色在线视频导航| 色天堂综合| 九九久久99| 尤物av网站免费在线播放| 97 九色| 婷婷亚洲五月***久久| 欧美少妇色图| 精品人妻一区二区乱码一区二区| www.av在线观看| 天美麻豆一区二区三区| 黄总AV色图| 乱老女人一区二区视频| yiqicaoav| 熟女熟妇伦久久影院毛片一区二区| 人人人人人人少妇| 综合久久久久久久综合网| 欧美日韩精品久久久久东北老熟妇| 日韩精品.久久精品.AV女优.天美传媒| 日韩在线欧美精品一区二区| 青青草在线视频美女| 青青青操| 操逼网免费无码视频| 国产高清自拍视频| 死我十八禁| 欧美黑人与女人91~| 性爱乱伦网址| 亚洲国产精品成人综合| 情色大香蕉| 啊啊啊啊啊,啊啊啊啊好舒服,操我舒服啊啊啊 | 成人精品久久久午夜福利| 久久久性少妇| 北京美女一区二区| 污啪啪啪视频| 日韩乱伦视频| 国产精品爱欲| 日韩成年人性爱视频| 青青操视频在线| 91久久婷婷| a片久久久久久久久久久久 | 亚洲色人妻综合| 亚洲黄网在哪免费看| 777AV电影| 乱操乱伦AV| 熟妇视频一区二区三区在线| 色99久草| 情色五月天网| 亚洲天堂第一页| 国产欧美日韩在线观看麻豆传媒公司| 亚卅熟女乱色| 黄色视频特级毛片| 正在播放国产精品一区| 欧美精品69性爱| 久久东京热久久| 亚州欧美在线| 亚洲天堂久久| 国产不卡的视频 | 亚洲男人天堂Av| 日本一本道A级黄色毛片试看60分钟| 51久久夜色精品国产麻豆| 九九九九九精品| 久久久久久久性爱| 夜夜躁狠狠躁日日躁av| 亚洲丝袜二区在线| 91男人天堂网| 精彩久久中文| 97爱啪| 天天操天天日天天干| 麻豆天美在线喷水AV| 欧美色天堂网在线视频| 亚洲少妇色图自慰直播| 中文字幕一区二区三区高清| AV中文字幕剧情1区2区3| 啊啊啊好舒服好爽啊啊啊视频| 色婷婷狠狠| 五月婷婷深深爱| 九九亚洲视频| 婷婷色影院| 中文字幕一区二区三区字幕| 日本人妻中文字幕精品| 乱伦一区二区三区‘| 色综合V| 俄罗斯一区二区视频在线观看| 精品人妻中文字幕高清| A 天堂| 26uuu欧美日韩| 亚洲 欧美 偷拍 唯美| 国产精品婬乱一级毛片彝族| 久久婷婷视频| 偷拍欧美亚洲| 中文字幕精品三级久久久| 夜夜操夜夜高潮夜夜爽国产精品区| 久久人妇| 干美女人妻| 中文字幕青青草| 国产蜜臀精品一区二区尤物| 啊啊啊97视频| 五月天久久婷婷亚洲 | 日韩AV熟女乱伦| 91久久婷婷| 中文字幕一区二区三区蜜臀| 久久蜜桃综合网| 日本免费一区二区不卡| 欧美天天综合站| 欲香欲色综合天天伊人| 国产91精品在线免费| 亚洲黄片免费在线播放| 午夜精品久久久久久久久久蜜桃| 国产精品一区二区校花| 无码在线亚洲| 中文字幕黄色片| 艳美熟妇先锋一二三区| 欧美大香蕉97| 亚洲综合另类色图| 亚洲欧美另类小说| 精品日韩人妻视频| ?亚洲伊人伊成久久人综合网| 成人av动漫在线观看| 婷婷五月天补不补|