随着人们生活水平提高，大家不仅关注如何生活，而且关注如何生活得更好。在这个背景下，精准治疗和预测诊断成为当今热门话题。

据权威医学资料统计，全球大约每13分钟就有一人死于乳腺癌，乳腺癌已成为威胁当代人健康的主要疾病之一，并且随着发病率的增加，死亡率也逐渐增加，作为女性实在不能不重视。
其中前十位死因；女性乳腺癌为首因，其余顺序与全人群死因一致。其中，乳腺癌可能没有任何先兆，是一个隐形杀手。
有不少人的乳腺癌是没有任何征兆的，有可能只是发现肿块但没有任何不舒服的地方，但一检查就确诊乳腺癌的情况不在少数，更甚至于有些人已经发展到乳腺癌晚期，只能采取切除患病乳房的方式来挽救生命。因此一定要密切注意乳房的变化，每年体检一次，排除患癌因素最保险。有权威数据统计，中国将进入乳腺癌高峰期，到2021年中国将有250万人患乳腺癌！保养胸部将不再是“喜不喜欢、需不需要”可选问题，在未来的日子里乳腺癌预防将是每个不同年龄女人的必须选择。
乳腺癌的主要症状包括：
1、肿块
为95%乳腺癌病人的乎发症状。大多单发，少见多发，形态偏于圆形、椭圆形或不规则形。质地一般较硬、境界不清。个别如髓样癌质地较软，境界较清。多发于外上象限，肿块增大较快，早期可有活动度。
2、皮肤改变
常见为浅表静脉怒张，酒窝征和桔皮样皮肤。炎性乳癌病人胸部皮肤可大片颜色变暗，呈硬结、增厚，杂以癌性斑块和溃疡呈铠甲状胸壁。晚期乳癌可向浅表溃破，形成溃疡或菜花状新生物。
3、乳头乳晕改变
乳房中央区乳腺癌，大导管受侵犯可致乳头扁平、凹陷、回缩，甚至乳头陷入晕下，导致乳晕变形。Paget氏病可出现乳头、乳晕皮肤湿疹样改变。
4、乳头溢液
乳腺癌伴溢液占乳癌总数的1.3-7%,且多见于管内癌、乳头状癌。血性溢液多见，次为浆液性、浆血性、水样等也有。以溢液为唯一症状乳癌，极少见，且大多为早期管内癌、乳头状癌，溢液乳腺癌多数先发现肿块后伴有溢液。
5、疼痛
早期出现的为无痛性肿块。乳癌合并囊性增生病时，可有胀痛、钝痛。晚期乳癌疼痛常提示肿瘤直接侵犯神经。
6、腋淋巴结肿大
作为乳腺癌首发症状少见(除非隐匿型乳腺癌)。大多提示乳腺癌病程进展，需排除上肢、肩背、胸部其他恶性肿瘤转移所致。

精准医疗和诊断预测离不开计算机编程，临床数据和机器学习算法。

 

乳腺癌是世界各地女性常见的癌症，通过尽早对患者进行临床治疗，尽早发现BC可大大改善预后和生存机会。因此，仅通过使用数据，python和机器学习就能帮助挽救生命真是太神奇了！通过下述代码，您已经完成创建乳房检测程序来预测患者是否患有癌症！同样，如果您愿意，您可以报名听我讲解课程的所有代码。

 

欢迎各位同学学习《python机器学习-乳腺癌细胞挖掘》课程，教会大家建立诊断预测乳腺癌细胞模型，链接地址为

https://edu.csdn.net/course/detail/30768

作者介绍

Toby，持牌照金融公司担任模型验证专家,国内最大医药数据中心数据挖掘部门负责人！和重庆儿科医院，中科院教授，赛柏蓝保持慢病数据挖掘项目合作！管理过欧美日中印巴西等国外药典数据库，马丁代尔数据库，FDA溶解度数据库，临床试验数据库，WHO药物预警等数据库。

课程概述

此课程讲述如何运用python的sklearn快速建立机器学习模型。课程结合美国威斯康辛乳腺癌细胞临床数据，实操演练，建立癌细胞预测分类器。

课程讲述十大经典机器学习算法：逻辑回归，支持向量，KNN,神经网络，随机森林，xgboost,lightGBM,catboost。这些算法模型可以应用于各个领域数据。

本视频系列通俗易懂，课程针对学生和科研机构，python爱好者。
本视频教程系列有完整python代码，观众看后可以下载实际操作。

了解癌症肿瘤基本常识，建立健康生活方式，预防癌症，减轻癌症治疗成本。

 

适用人群

研究生，博士生毕业论文，NCBI/SCI/Nature论文发布，python爱好者，机器学习，生物信息学，乳腺癌医学科研机构（课程有版权，引用需标注来源）

 

 课程收益

0.癌症常识

1.python编程

2.机器学习十大经典算法建模

3.RDKIT建模

 

学习计划和方法

1.每天保证1-2个小时学习时间，预计20-30天可以学习完整门课程。不同python基础的学生学习时间相差较大。
2.每节课的代码实操要保证，建议不要直接复制粘贴代码，自己实操一遍代码对大脑记忆很重要，有利于巩固知识。
3.第二次学习时要总结上一节课内容，必要时做好笔记，加深大脑理解。
4.不懂问题要罗列出来，先自己上网查询，查不到的可以咨询老师。

 

课程目录

章节1我的主页和课前咨询答疑
课时1我的所有教学系列介绍
课时2如何联系作者和访问我的主页
课时3欢迎项目合作
课时4如何下载脚本和原始数据
课时5诚谢大家支持
章节2癌症常识
课时6警钟长鸣！癌症就在你身边
课时7癌症科普介绍
课时8病毒细菌诱发的癌症
课时9祸从口入-致癌食物大揭秘
课时10Python机器学习挖掘癌细胞概述
章节3python编程环境搭建
课时11Anaconda快速入门指南
课时12Anaconda下载安装
课时13Canopy下载和安装
课时14Python非官方扩展包下载地址
课时15python第三方包安装(pip和conda install)
课时16Anaconda Navigator导航器
课时17Anaconda安装不同版本python
课时18jupyter1_为什么使用jupyter notebook
课时19jupyter2_jupyter基本文本编辑操作
课时20如何用jupyter notebook打开指定文件夹内容？
课时21jupyter4_jupyter转换PPT实操
课时22jupyter notebook用matplotlib不显示图片解决方案
课时23conda-forge安装rdkit
章节4python基础知识
课时24为什么学习编程？大多数学校不会告诉你的秘密
课时25python官网
课时26Python文件基本操作
课时27变量_表达式_运算符_值
课时28字符串string
课时29程序基本构架（条件，循环）
课时30数据类型_函数_面向对象编程
课时31python2和3的区别
课时32编程技巧和学习方法
章节5sklearn机器学习基础知识
课时33机器学习数据库介绍
课时34机器学习书籍推荐
课时35Python数据科学常用的包
课时36如何选择算法
课时37sklearn算法速查表
课时38sklearn建模基础代码
课时39python数据科学入门介绍（选修）
章节6获取乳腺癌临床数据
课时40数据获取-乳腺癌细胞临床数据
章节7变量筛选和描述性统计
课时41spss因子分析-解释癌细胞特征
课时42变量筛选1-模型法
课时43变量筛选2-比例法percentile
课时44变量筛选3-方差法
课时45变量筛选4-KBest
课时46好变量/特征比算法更重要（英语-课外阅读）
章节8十大经典机器学习算法-建立乳腺癌细胞分类器
课时47逻辑回归logistic regression
课时48支持向量SVM
课时49KNN最近邻算法
课时50决策树-decision tree
课时51随机森林-random forest
课时52神经网络neural network
课时53xgboost
课时54lightgbm基础讲解
课时55lightGBM脚本实现
课时56catboost基础讲解
课时57catboost脚本实现
课时58常见算法优劣对比
课时59bagging VS boosting
课时60随机森林和boosting算法扩展知识（英文课外阅读）

章节9数据预处理
课时61pandasl数据处理基础知识
课时62哑变量处理-hotcode热编码
课时63imputer-缺失数据处理
课时64scale-数据标准化处理
章节10变量（特征）重要性
课时65逻辑回归和集成树算法变量（特征）重要性概述
课时66随机逻辑回归randomized logistic regression
课时67xgboost特征重要性
课时68catboost特征重要性
课时69lightgbm特征重要性
章节11模型调参
课时70遍历调参法
课时71单个参数网格调参
课时72多参数网格调参
课时73随机网格调参_random size search cv
章节12模型验证
课时74模型验证必要性-市场80%模型存在问题
课时75交叉验证cross validation
课时76混淆矩阵
课时77ROC曲线
课时78PSI（population stability index）模型稳定性
课时79基尼系数GINI index-模型区分能力指标
课时80KS（kolmogorov-smirnoff）-模型区分能力指标

章节13Rdkit化学分子溶解度模型
课时79RDKIT概述-开源化学信息工具包
课时80Rdkit如何构建化学分子的溶解度预测模型
课时81conda-forge安装rdkit
课时82读取dat格式的化学分子式数据
课时83smiles字符串形式转换为MOL分子式
课时84MOL分子结构转换为指纹数字形式
课时85随机森林和高斯算法建模
课时86rdkit本章节脚本和数据下载

章节14附录
课时81如何运用公开资料学习python（GitHub，kaggle，StackOverflow)
课时82显微镜下癌细胞
课时83python在生物分子学应用（英文课外扩展）
课时84SIR模型预测新冠状病毒2019-nCoV

课程背景

警钟长鸣！癌症离我们远吗？《我不是药神》催人泪下，笔者在此揭露真相，癌症不

乳腺癌建模数据

 

课程中十大经典机器学习算法震撼登场：逻辑回归，支持向量，KNN,神经网络，随机森林，xgboost,lightGBM,catboost。课程提供视频里讲解脚本，这些模型脚本可以应用于各个领域数据，包括金融反欺诈模型，信用评分模型，收入预测模型等等，为中小企业提供现成解决方案。

 

随机森林变量权重可视化

 

课程耗费三年时间，360度无死角的讲述整个模型开发周期，非市场上快餐教学。教程包括数据获取，数据预处理，变量筛选，模型筛选，模型评估，模型调参。

本视频系列通俗易懂，课程针对学生和科研机构，python爱好者。本视频教程系列有完整python代码，观众看后可以下载实际操作。这些模型代码可为中小型企业提供解决方案。

 

 

python机器学习编程环境搭建

python机器学习-乳腺癌细胞挖掘课程讲授初学者如何搭建python的Anaconda编程环境，Anaconda是一个集成数据科学编程框架，嵌入了sklearn，matplotlib,seaborn等常用机器学习和统计学包。

（1）下载anaconda

首先下载anaconda，这款框架比Python官网的编辑器更好用，下载网址为https://www.anaconda.com/download/

anaconda支持windows,linux,苹果操作系统

支持32位和64位操作系统

 

（2）导入sklearn第三方包

anaconda下载安装好后打开，自带sklearn第三方包

命令行输入import sklearn，无报错就表示运行正常

 

（3）pip install安装其他第三方包

机器学习中，有时候需要导入其他包，而sklearn没有，这时就需要用pip install安装其他第三方包

 

（4）非官方扩展包下载地址

有时候pip install安装失败，我们需要去欧文大学下载Python非官方扩展包

Python有大量非官方扩展包，应用于各行各业，主要是数据科学，人工智能，爬虫等等，下载地址为

https://www.lfd.uci.edu/~gohlke/pythonlibs/

 

乳腺癌细胞分类器建模

现在我们要用机器学习算法建立分类器，区分细胞为良性细胞或癌细胞。分类器就是解决二分类或多分类问题。

建立分类器算法很多，包括逻辑回归，xgboost,svm，神经网络等等。

是小概率疾病，癌症就在身边。癌症早期发现和控制可极大延长寿命和减少治疗费用。笔者下载美国威斯康辛临床数据，运用python sklearn机器学习十大经典算法建立乳腺癌分类器模型，可预测正常细胞和癌细胞。我国医院重视治疗，但忽略疾病预防教育。通过我多年机器学习数据挖掘，我发现疾病可防可控，通过自身努力，我们可以提前发现疾病早期症状或扼杀疾病于摇篮。希望此课程让广大医疗科研工作者认识疾病预防教育重要性。课程还介绍RDKIT概述-开源化学信息工具包，以及如何运用python语言构建Rdkit化学分子溶解度模型，此乃化学，生物信息学爱好者又一个福音。

开始编程：

在编写一行代码之前，我想做的第一件事是在代码的注释中加入描述。这样，我可以回顾我的代码并确切地知道它的作用。

#Description: This program detects breast cancer, based off of data. 

 现在导入包/库，以使其更容易编写程序。

#import libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

 接下来，我将加载数据，并打印数据的前7行。
注意：每行数据代表可能患有或未患有癌症的患者。

#Load数据
#from  google.colab 导入文件＃用来加载数据在谷歌Colab #uploaded = files.upload（） ＃使用在谷歌Colab负荷数据DF = pd.read_csv（ 'data.csv'）
df.head （7）

 

探索数据并计算数据集中的行数和列数。它们是569行数据，这意味着他们是该数据集中的569位患者，而33列则是每位患者的33个特征或数据点。

＃计算数据集
df.shape中的行数和列数

 继续探索数据并获得包含空值（NaN，NAN，na）的所有列的计数。请注意，除了名为“ Unnamed：32 ”的列（其中包含569个空值）（数据集中的行数相同，这告诉我该列完全没有用）之外，所有列均未包含任何空值。

＃计算每列
df.isna（）。sum（）中的空值（NaN，NAN，na）

 

 

 从原始数据集中删除“未命名：32 ”列，因为它没有任何值。

#Drop the column with all missing values (na, NAN, NaN)
#NOTE: This drops the column Unnamed</em><br>df = df.dropna(axis=1)

 获取新的行和列数计数。

#Get the new count of the number of rows and cols
df.shape

 获取具有恶性（M）癌细胞和良性（B）非癌细胞的患者数。

#Get a count of the number of 'M' & 'B' cells
df['diagnosis'].value_counts()

 

 通过创建计数图可视化计数。

#Visualize this count
sns.countplot(df['diagnosis'],label="Count")

 

 

 查看数据类型以查看哪些列需要转换/编码。从数据类型中我可以看到，除“诊断”列外，所有列/功能都是数字，“诊断”列是在python中表示为对象的分类数据。

#Look at the data types
df.dtypes

 

 

对分类数据进行编码。将“诊断”列中的值分别从M和B更改为1和0，然后打印结果。

#Encoding categorical data values (
from sklearn.preprocessing import LabelEncoder
labelencoder_Y = LabelEncoder()
df.iloc[:,1]= labelencoder_Y.fit_transform(df.iloc[:,1].values)
print(labelencoder_Y.fit_transform(df.iloc[:,1].values))

 

创建一个对图。“对图”也称为散点图，其中同一数据行中的一个变量与另一变量的值匹配。

sns.pairplot（df，hue =“ diagnosis”）

 

 打印现在只有32列的新数据集。仅打印前5行。

df.head（5）

 

 获取列的相关性。

#Get the correlation of the columns
df.corr()

 

列相关样本

通过创建热图可视化相关性。

plt.figure（figsize =（20,20））  
sns.heatmap（df.corr（），annot = True，fmt ='。0％'）

 

 现在，我完成了探索和清理数据的工作。我将通过首先将数据集分为特征数据集（也称为独立数据集（X））和目标数据集（也称为从属数据集（Y））来设置模型的数据。

X = df.iloc [:, 2:31] .values
Y = df.iloc [:, 1] .values

 再次拆分数据，但这一次分为75％的训练和25％的测试数据集。

from sklearn.model_selection import train_test_split
X_train，X_test，Y_train，Y_test = train_test_split（X，Y，test_size = 0.25，random_state = 0）

缩放数据以使所有要素达到相同的大小级别，这意味着要素/独立数据将处于特定范围内，例如0-100或0-1。

＃
from sklearn.preprocessing import StandardScaler
sc = StandardScaler（）
X_train = sc.fit_transform（X_train）
X_test = sc.transform（X_test）

 创建一个函数以容纳许多不同的模型（例如，逻辑回归，决策树分类器，随机森林分类器）进行分类。这些模型将检测患者是否患有癌症。在此功能内，我还将在训练数据上打印每个模型的准确性。

def models(X_train,Y_train):
   
  #Using Logistic Regression
  from sklearn.linear_model import LogisticRegression
  log = LogisticRegression(random_state = 0)
  log.fit(X_train, Y_train)
   
  #Using KNeighborsClassifier
  from sklearn.neighbors import KNeighborsClassifier
  knn = KNeighborsClassifier(n_neighbors = 5, metric = 'minkowski', p = 2)
  knn.fit(X_train, Y_train)
 
  #Using SVC linear
  from sklearn.svm import SVC
  svc_lin = SVC(kernel = 'linear', random_state = 0)
  svc_lin.fit(X_train, Y_train)
 
  #Using SVC rbf
  from sklearn.svm import SVC
  svc_rbf = SVC(kernel = 'rbf', random_state = 0)
  svc_rbf.fit(X_train, Y_train)
 
  #Using GaussianNB
  from sklearn.naive_bayes import GaussianNB
  gauss = GaussianNB()
  gauss.fit(X_train, Y_train)
 
  #Using DecisionTreeClassifier
  from sklearn.tree import DecisionTreeClassifier
  tree = DecisionTreeClassifier(criterion = 'entropy', random_state = 0)
  tree.fit(X_train, Y_train)
 
  #Using RandomForestClassifier method of ensemble class to use Random Forest Classification algorithm
  from sklearn.ensemble import RandomForestClassifier
  forest = RandomForestClassifier(n_estimators = 10, criterion = 'entropy', random_state = 0)
  forest.fit(X_train, Y_train)
   
  #print model accuracy on the training data.
  print('[0]Logistic Regression Training Accuracy:', log.score(X_train, Y_train))
  print('[1]K Nearest Neighbor Training Accuracy:', knn.score(X_train, Y_train))
  print('[2]Support Vector Machine (Linear Classifier) Training Accuracy:', svc_lin.score(X_train, Y_train))
  print('[3]Support Vector Machine (RBF Classifier) Training Accuracy:', svc_rbf.score(X_train, Y_train))
  print('[4]Gaussian Naive Bayes Training Accuracy:', gauss.score(X_train, Y_train))
  print('[5]Decision Tree Classifier Training Accuracy:', tree.score(X_train, Y_train))
  print('[6]Random Forest Classifier Training Accuracy:', forest.score(X_train, Y_train))
   
  return log, knn, svc_lin, svc_rbf, gauss, tree, forest

 创建包含所有模型的模型，并查看每个模型的训练数据上的准确性得分，以对患者是否患有癌症进行分类。

model = models(X_train,Y_train)

 

 

catboost建模

今天我要介绍目前开源领域里最新的算法catboost。

catboost起源于俄罗斯搜索巨头yandex,准确率高，速度快，调参少，性价比高于xgboost

今天的CatBoost版本是第一个版本，以后将持续更新迭代。catboost三个特点：（1）“减少过度拟合”：这可以帮助你在训练计划中取得更好的成果。它基于一种构建模型的专有算法，这种算法与标准的梯度提升方案不同。（2）“类别特征支持”：这将改善你的训练结果，同时允许你使用非数字因素，“而不必预先处理数据，或花费时间和精力将其转化为数字。”（3）支持Python或R的API接口来使用CatBoost，包括公式分析和训练可视化工具。（4）有很多机器学习库的代码质量比较差，需要做大量的调优工作，”他说，“而CatBoost只需少量调试，就可以实现良好的性能。这是一个关键性的区别

 

catboost建立乳腺癌分类器代码

from sklearn.model_selection import train_test_split
import catboost as cb
from sklearn.datasets import load_breast_cancer
cancer=load_breast_cancer()
X, y = cancer.data,cancer.target
train_x, test_x, y_train, y_test=train_test_split(X,y,test_size=0.3,random_state=0)
cb = cb.CatBoostClassifier()
cb.fit(train_x, y_train)
print("accuracy on the training subset:{:.3f}".format(cb.score(train_x,y_train)))
print("accuracy on the test subset:{:.3f}".format(cb.score(test_x,y_test)))

大家可以看到catboost预测准确率非常高，训练集100%，测试集97.7%

 

混淆矩阵

在测试数据上显示混淆矩阵和模型的准确性。该混淆矩阵告诉我们，每个模型有多少病人误诊（许多癌症患者是被误诊为不具有癌症又名假阴性，而谁没有癌症患者被误诊为患有癌症又名这个数字假阳性）和正确诊断的数量，真阳性和真阴性。

误报（FP） =测试结果错误地指示存在特定条件或属性。

真实阳性（TP） =灵敏度（在某些领域中也称为真实阳性率或检测概率）衡量正确鉴定出的真实阳性的比例。

真实阴性（TN） =特异性（也称为真实阴性率）衡量正确鉴定出的实际阴性的比例。

假阴性（FN） =测试结果，表明某个条件不成立，而实际上却成立。例如，测试结果表明某人实际患有癌症时没有罹患癌症

from sklearn.metrics import confusion_matrix
for i in range(len(model)):
  cm = confusion_matrix(Y_test, model[i].predict(X_test))
   
  TN = cm[0][0]
  TP = cm[1][1]
  FN = cm[1][0]
  FP = cm[0][1]
   
  print(cm)
  print('Model[{}] Testing Accuracy = "{}!"'.format(i,  (TP + TN) / (TP + TN + FN + FP)))
  print()# Print a new line

 

 

 其他获取模型指标的方法，以查看每个模型的性能如何。

#Show other ways to get the classification accuracy & other metrics
 
from sklearn.metrics import classification_report
from sklearn.metrics import accuracy_score
 
for i in range(len(model)):
  print('Model ',i)
  #Check precision, recall, f1-score
  print( classification_report(Y_test, model[i].predict(X_test)) )
  #Another way to get the models accuracy on the test data
  print( accuracy_score(Y_test, model[i].predict(X_test)))
  print()#Print a new line

 

模型预测

测试数据中1–6个性能指标的模型样本

 

从以上的准确性和指标来看，在测试数据上表现最佳的模型是随机森林分类器，其准确性得分约为96.5％。因此，我将选择该模型来检测患者的癌细胞。对测试数据进行预测/分类，并显示“随机森林分类器”模型分类/预测以及显示或不显示他们患有癌症的患者的实际值。

我注意到了该模型，该模型将一些患者误诊为没有癌症而误诊为癌症，并且将确诊为癌症的患者误诊为未患癌症。尽管此模型很好，但在处理他人的生活时，我希望该模型更好，并使其准确性尽可能接近100％，或者至少好于医生。因此，有必要对每个模型进行一些调整。

pred = model [6] .predict（X_test）
print（pred）
 
＃
打印空间print（）
 
＃
打印实际值print（Y_test）

 

 

 

 

 

 

Anaconda+KNN+网格调参+交叉验证

 

模型调参

python机器学习-乳腺癌细胞挖掘详细讲解模型调参技巧。调参是一门黑箱技术，需要经验丰富的机器学习工程师才能做到。幸运的是sklearn有调参的包，入门级学者也可尝试调参。

如果参数不多，可以手动写函数调参，如果参数太多可以用GridSearchCV调参，如果参数多的占用时间太长，可以用randomSizeCV调参，节约调参时间

 

GridSearchCV

如果参数太多可以用GridSearchCV调参

（1）单参数调参

 

（2）多参数调参

因为有n_neighbors和weights两个参数，因此诞生了60个结果

因为有两个参数，所以得到最佳模型：weight=distance,n_neighbor=12

 

 RandomSizeSearchCV

randomSizeCV调参类似于GridSearchCV的抽样

如果参数多的占用时间太长，可以用randomSizeCV调参，节约调参时间。

randomSizeCV调参准确率会略低于GridSearchCV，但可以节约大量时间。

randomSizeCV调参代码

from sklearn.grid_search import RandomizedSearchCV
import matplotlib.pyplot as plt
#交叉验证
from sklearn.cross_validation import cross_val_score
from sklearn.datasets import load_breast_cancer
from sklearn.neighbors import KNeighborsClassifier
   
#导入数据
cancer=load_breast_cancer()
x=cancer.data
y=cancer.target
   
#调参knn的邻近指数n
k_range=list(range(1,31))
weight_options=['uniform','distance']
param_dist=dict(n_neighbors=k_range,weights=weight_options)
   
knn=KNeighborsClassifier()
#n_iter为随机生成个数
rand=RandomizedSearchCV(knn,param_dist,cv=10,scoring='accuracy',
                        n_iter=10,random_state=5)
   
rand.fit(x,y)
rand.grid_scores_
print('best score:',rand.best_score_)
print('best params:',rand.best_params_)

 

  本课程还讲解了python的Rdkit包构建化学分子的溶解度预测模型

讲解RDKIT概述-RDKIT是一个开源化学信息工具包

 强大的Rdikit,大家看看RDKIT对化学分子式完美操作。

 

 课程附录不断收藏和更新宝贵资源，包括国际致癌物分级列表。表格根据致癌物毒性，分为若干等级。早点知道和避开这些致癌物可以保护家人健康。

课程附录还收藏显微镜下癌细胞的发育视频，非常珍贵的资料。

 

欢迎各位同学学习更多的相关知识：

python机器学习生物信息学，博主录制，2k超清

链接地址为https://edu.csdn.net/combo/detail/1930

（文章原创，版权所有）