$SCHRODINGER/run -FROM glide active_learning_glide.py -h

驅動程序要求

驅動程序（主作業(yè)）必須在作業(yè)的整個持續(xù)時間內運行而不會中斷。這意味著運行它的計算資源不能是現(xiàn)貨或可搶占的云實例。這些節(jié)點可以被搶占（終止），如果發(fā)生這種情況，您的整個作業(yè)將丟失。

該參數(shù)確定驅動程序的運行位置。選擇用于按需（即不可搶占）節(jié)點類型的主機條目。-DRIVERHOST

如果有足夠的許可證和計算資源來同時運行多個 AL-Glide 作業(yè)，建議配置驅動程序主機條目，以便它請求整個節(jié)點，以避免多個驅動程序可能使用相同的節(jié)點和暫存文件系統(tǒng)，從而使空間需求增加一倍（或更多）。

暫存空間

驅動程序主機上所需的暫存空間量與輸入配體文件的大小有關。具體而言，驅動程序主機必須有足夠的暫存空間來容納下面所述的文件。

示例的暫存要求以紅色提供。所有參數(shù)均符合我們對具有主動學習滑行功能的超大屏幕的建議。

示例篩選參數(shù)，基于 10 億個輸入配體

• 10 億個 SMILES 格式的藥物樣配體 （100 GB）
• 主動學習的 3 次迭代 （-iter 3)
• 50 000個配體的批量訓練大?。?/span>-train_size 50000)
• 每次迭代后保留的頂級配體數(shù)量為 1 億個 （-keep 100000000)
• 使用 Glide SP 對前 100 萬個配體進行重新評分 （-num_rescore_ligands 1000000)
• 以 Maestro 格式為重新評分的配體 （-write_pose)

暫存空間細分

• 輸入文件的副本：100 GB
• 將輸入文件拆分為單個子作業(yè)輸入批處理：100 GB
• 包含每個批次前 10% 的預測的 CSV 文件（按不確定性排序）。它們用于為每次訓練迭代選擇輸入配體：30 GB
• 包含所有批次配體ligand_ml預測的 CSV 文件：100 GB×num_iteration
• 每次訓練迭代的輸出文件，其中包含命令行參數(shù)指定的得分最高的化合物數(shù)量的預測：30 GB×num_iteration-keep
• 自選：如果指定，則包含使用 Glide SP 化合物重新評分的頂部姿勢的單個 CSV 文件，指定如下： 200 MB-num_rescore_ligand-num_rescore_ligand
• 自選：如果提供，則包含重新評分配體姿勢的 Maestro 文件：2 GB-write_pose
• 此示例的總空間：622.2 GB（3 次迭代）

內存

對于 Active Learning Glide 的典型運行，建議在驅動程序主機上使用 64 GB 的 RAM。

這是基于上述示例工作流。

子作業(yè)要求

下面列出了內存、磁盤空間和推薦的 Google Cloud Platform （GCP） 實例類型的要求。

所有值均基于上述示例工作流。

機器學習培訓

建議使用 Nvidia T4 GPU。

• 暫存空間：600 GB
• 內存：64 GB（每個 CPU 內核 8 GB）
• 與搶占式節(jié)點兼容：否
• 推薦的 GCP 節(jié)點類型：n1-highmem-8

ML評估

• 暫存空間：100 GB
• 內存：32 GB（每個 CPU 內核 4 GB）
• 與搶占式節(jié)點兼容：是
• 推薦的 GCP 節(jié)點類型：n2-standard-8

Glide

• 暫存空間：100 GB
• 內存 32 GB（每個 CPU 內核 4 GB）
• 與搶占式節(jié)點兼容：是
• 推薦的 GCP 節(jié)點類型：n2-standard-8