Create app.py

app.py

@@ -0,0 +1,31 @@
+import gradio as gr
+import torch
+from torch_geometric.data import Data
+from torch_geometric.utils import from_networkx
+import networkx as nx
+
+# Usamos el modelo GCN previamente entrenado (podrías cambiar por GAT si lo prefieres)
+model.eval()
+
+def predict_mutagenicity():
+    # Creamos un grafo de prueba simple (3 nodos conectados)
+    G = nx.Graph()
+    G.add_edges_from([(0, 1), (1, 2)])
+    nx.set_node_attributes(G, {i: [1, 0, 0, 1, 0, 1, 0] for i in G.nodes}, "x")  # vector ficticio
+
+    # Convertimos a objeto PyG
+    pyg_data = from_networkx(G)
+    pyg_data.x = torch.tensor(list(nx.get_node_attributes(G, 'x').values()), dtype=torch.float)
+    pyg_data.edge_index = pyg_data.edge_index
+    pyg_data.batch = torch.tensor([0] * pyg_data.num_nodes)
+
+    pyg_data = pyg_data.to(device)
+    with torch.no_grad():
+        out = model(pyg_data.x, pyg_data.edge_index, pyg_data.batch)
+        pred = out.argmax(dim=1).item()
+
+    return "Mutagénico" if pred == 1 else "No mutagénico"
+
+gr.Interface(fn=predict_mutagenicity, inputs=[], outputs="text",
+             title="Clasificador de Moléculas con GNN",
+             description="Demo simple de GCN sobre grafos moleculares (MUTAG)").launch()