假如我有10个药物，还有它们的特征，和药物之间相互作用的分数（target）,以及10个靶点蛋白质以及它们的特征, 还有药物对蛋白质的作用分数，请写一段python代码，将它们输入到dgl中graphsage中训练，并给每一行加上注释

首先，需要导入必要的库，包括dgl和numpy。

import dgl
import numpy as np

接下来，我们需要定义图的节点和边的数量。由于我们有10个药物和10个蛋白质，因此节点数量为20。对于每个药物和蛋白质，我们还需要定义它们的特征向量。因为特征向量维度可能不同，所以我们可以定义一个矩阵来存储全部的特征向量，其中行数为节点数量，列数为每个节点的特征向量维度。

num_nodes = 20  # 节点数量
num_features = 50  # 特征向量维度

# 定义节点特征向量矩阵
features = np.random.rand(num_nodes, num_features)

然后，我们需要定义每个药物对应的蛋白质以及它们之间的作用分数。这可以表示为两个列表，其中第i个药物和第i个蛋白质之间的作用分数存储在第i个位置。

drug_targets = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]  # 每个药物对应的蛋白质
target_scores = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]  # 药物和蛋白质之间的作用分数

接下来，我们需要创建一个空的DGL图，然后添加节点和边。对于每个药物和蛋白质，我们将其作为一个节点添加到图中，并将其特征向量设置为我们之前定义的特征矩阵中的相应行。然后，我们将两个节点之间的边添加到图中，并将边的特征设置为药物和蛋白质之间的作用分数。

# 创建空图
graph = dgl.DGLGraph()

# 添加节点
graph.add_nodes(num_nodes)
graph.ndata['features'] = features

# 添加边
src, dst = [], []
for i in range(len(drug_targets)):
    src.append(drug_targets[i])
    dst.append(i + 10)

graph.add_edges(src, dst)
graph.edata['target_scores'] = target_scores

最后，我们可以将这个图输入到DGL GraphSAGE模型中进行训练。

import dgl.function as fn
import torch
import torch.nn as nn
import torch.nn.functional as F
from dgl.nn import GraphConv

# 定义GraphSAGE模型
class GraphSage(nn.Module):
    def __init__(self, in_feats, h_feats, num_classes):
        super(GraphSage, self).__init__()
        self.conv1 = GraphConv(in_feats, h_feats)
        self.conv2 = GraphConv(h_feats, num_classes)

    def forward(self, graph, inputs):
        h = self.conv1(graph, inputs)
        h = F.relu(h)
        h = self.conv2(graph, h)
        return h

# 训练模型
model = GraphSage(num_features, 16, 2)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

features = torch.FloatTensor(features)
target_scores = torch.FloatTensor(target_scores)

for epoch in range(50):
    logits = model(graph, features)
    loss = F.mse_loss(logits[src], target_scores)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if epoch % 10 == 0:
        print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))

在这个例子中，我们使用了一个简单的GraphSAGE模型，并使用均方误差损失函数对药物和蛋白质之间的作用分数进行预测。在每个epoch中，我们计算模型的损失并使用Adam优化器更新参数。