Εφαρμογή Δομικής Βιοπληροφορικής για πρόβλεψη δραστικότητας μορίων απέναντι σε πολλαπλούς πρωτεϊνικούς στόχους.
Το σύστημα χρησιμοποιεί RDKit molecular fingerprints (ECFP/Morgan) και Machine Learning μοντέλα (Random Forest / Gradient Boosting) για την ταξινόμηση μορίων ως Ενεργά ή Ανενεργά.

---

• Προβλέπει δραστικότητα για πολλές πρωτεΐνες (AChE, BACE1, NMDA, MAO-A, MAO-B κ.λπ.)
• Υποστηρίζει:
  • ✔ Μοναδικό SMILES input
  • ✔ Μαζική πρόβλεψη μέσω CSV αρχείου
• Οπτική απεικόνιση του μορίου (RDKit)
• Πρόβλεψη + πιθανότητα πρόβλεψης (probability score)
• Ιστορικό προβλέψεων
• Δημιουργία γραφημάτων για CSV mode

---

Μοριακή Αναπαράσταση – Morgan Fingerprints
Κάθε μόριο μετατρέπεται σε δυαδικό διάνυσμα 1024 bits χρησιμοποιώντας:

• RDKit
• Morgan/ECFP (radius = 2)

Αυτό το fingerprint κωδικοποιεί τη τοπολογική χημική δομή και χρησιμοποιείται ως είσοδος στο μοντέλο. Μοντέλα Μηχανικής Μάθησης
Τα μοντέλα έχουν εκπαιδευτεί σε datasets δραστικότητας και αποθηκεύονται ως: .joblib. Τύποι μοντέλων:

Random Forest Classifier

Gradient Boosting Classifier

Η πρόβλεψη δίνεται ως:

Prediction ∈ {Active, Inactive}

Probability ∈ [0–1]