1. Discovery Bus Sistem za automatsko pravljenje QSAR modela
Damjan Krstajić
Istraživački Centar za Hemijsku Informatiku

2. Istraživački Centar za Hemijsku Informatiku
osnovan krajem 2005.
ugovor sa Njukasl univerzitetom
razvoj opensource projekata (myStructure, CDL)
primena evolucionih strategija u rešavanju problema iz hemijske i bioinformatike (GA,ACO)
razvoj Discovery Bus projekta – programiranje u R, Java, C/C++, Matlab

3. Motivacije za Discovery Bus
Konstantan priliv novih podataka i metoda
Ne postoji jedan siguran način da se reši QSAR (statistički model)
Kratki rokovi
Lako integrisati novi softver bez obzira na operativni sistem (Windows ili Linux)
Otvoren za različite programske jezike
Distribuirano izračunavanje

4. Drugi sistemi za mašinsko učenje
ABLE: Agent Building and Learning Environment (IBM)
YALE: Yet Another Learning Environment (U. Dortmund et al)
WEKA: (U. Waikato)
Slaba fleksibilnost za planiranje i povezivanje agenata
Slabe mogućnosti distribucije posla
Bez fleksibilnosti da se uradi više ili manje posla u zavisnosti od broja rasploživih servera

5. Osnove Discovery Bus-a
Bus kernel je softver na centralnom serveru koji koordiniše aktivnosti.
Ljudi ili softver agenti predaju zahteve kernelu da se odradi posao.
Svaki zahtev (request) je specifičnog tipa (request type), npr izračunati deskriptore, odabrati obeležja, napraviti model itd.
Softver agenti, kada nisu zauzeti, obaveštavaju kernel da su slobodni i da mogu da zadovolje zahteve odredjenog tipa. Prihvataju posao i po završetku vraćaju odgovore kernelu.
Ljudi (human agents) mogu da obave posao i da odgovore na zahtev ili paralelno sa softver agentima ili umesto njih ako odgovarajući softver agent još ne postoji.

6. Arhitektura (1)
Agenti nemaju uvid u druge agente. Oni predaju zahteve ne znajući da li i ko može da zadovolji njihovim zahtevima.
Agent prihvata posao na osnovu tipa posla koji može da obavi.
Softver agenti koriste program API da preuzmu posao ili da predaju zahteve.
Ljudi koriste veb interfejs koji se oslanja na program API

7. Architecture (2) ‘The Discovery Bus’ Get data Get structures Calc
descriptors
Stratify
Data
Filter
Features
Machine
Learn
Select
Best
requests
responses

8. Architecture (3) Machine Agents Bus Kernel API Bus Kernel PL/SQL
Data
Tables
Human Agents
Web
Interface
Oracle
collaboratively open
language neutral
open, robust

9. Competitive Workflow
Ekspert je neki put primoran da uradi nekoliko pokušaja da dodje do odgovara - možeš da probaš ovo – ili ovo – ili ovo
Često postoji više odgovora na jedno pitanje. Različiti eksperti daju različite odgovore i u literaturi postoje različiti prilazi rešavanju problema.
Svaki zahtev predat Busu može biti izvršen više puta
‘buildModel’ je tip zahteva (request type)
‘linear’, ‘neuralNet’ i ‘PLS’ su različiti agenti koji mogu da naprave model
Jedno izvršenje može da rezultira u više odgovora – npr odgovor na kvadratnu jednačinu

10. Agenti Postoje dva specijalna agenta
Planner agent
Bootstrap agent
Većina agenata su napisani kao komand lajn programi. Bootstrap agent poziva odgovarajuće agente, prenosi im input podatke i po završetku šalje output podatke kernelu.
Zadatak planner agenta je da koordiniše rad drugih agenata tako što izvršava zadati skup planova.

11. Calculate descriptors
Hemijska struktura & eksperimentalni rezultati
Nova metoda?
1/X
logX
4 x 8 x 6 x 8 = 1536 modela
Transform response
4 x 8 = 32 filter feature zahteva
class ? X
32 filter feature zahteva x 8 = 256 modela
Split and stratify
10% D E
Calculate descriptors H
L&H&R
A&D
A&L A L R
Combine descriptors
A&E
A&D&R
E&D
...
cfs1
cfs2
cfs3
Filter features
nov ff
cfs4 no
filter
cfs5
Test model
Cross validate
Build models ?
?&?
NetlabNN
GAWRMLR
GUIDE
Rpls
Rlin
Rnnet
Rrpart
GARMLR

12. Koja je najveća mana Discovery Bus-a?
Koristi sve raspoložive metode za svaki problem – kombinatorna eksplozija

14. Global QSAR Models:: Solubility
J. Cartmell, S. Enoch, D. Krstajic, D. E. Leahy, Automated QSPR through Competitive Workflow, Journal of Computer-Aided Molecular Design, Volume 19, Issue 11, Nov 2005, Pages
Global QSAR Models:: Solubility

15. HVALA.
Reference: J.Cartmell, S. Enoch, D. Krstajic, D. E. Leahy “Automated QSPR through Competitive Workflow” Journal of Computer Aided Molecular Design, 2005 Nov; 19(11): J.Cartmell, D. Krstajic, D. E. Leahy “Competitive Workflow: novel software architecture for automating drug design” Current Opinion in Drug Discovery & Development, 2007 May; 10(3):