药物相互作用预测python代码

药物相互作用预测的Python代码可以有很多不同的实现方式，这里提供一种简单的基于Scikit-learn库的实现方式。具体步骤如下：

1. 准备数据：从公开数据库中获取药物化合物的结构信息和相互作用信息，并将其转化为模型所需的特征矩阵和标签向量。

2. 划分数据集：将数据集划分为训练集和测试集，以便评估模型的性能。

3. 训练模型：使用Scikit-learn库中的分类算法（如逻辑回归、朴素贝叶斯、支持向量机等）训练药物相互作用预测模型。

4. 评估模型：使用测试集评估模型的性能，计算准确率、召回率、F1值等指标。

以下是一个简单的药物相互作用预测的Python代码示例：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 准备数据
X, y = prepare_data() # 自行实现，将化合物结构信息转为特征矩阵X，将相互作用信息转为标签向量y

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 评估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print("Accuracy: {:.2f}, Precision: {:.2f}, Recall: {:.2f}, F1: {:.2f}".format(accuracy, precision, recall, f1))

需要注意的是，以上代码仅供参考，具体实现方式可能因数据集和模型选择而异。