# Datamol 化学信息学技能 ## 概述 Datamol 是一个 Python 库，它在 RDKit 上为分子化学信息学提供了一个轻量级的 Python 抽象层。通过合理的默认值、高效的并行化和现代 I/O 功能来简化复杂的分子操作。所有分子对象都是原生“rdkit.Chem.Mol”实例，确保与 RDKit 生态系统完全兼容。 **关键能力**： * 分子格式转换（SMILES、SELFIES、InChI） * 结构标准化和卫生化 * 分子描述符和指纹 * 3D构象异构体生成和分析 * 聚类和多样性选择 * 支架和片段分析 * 化学反应应用 * 可视化和对齐 * 并行化批处理 * 通过 fsspec 支持云存储 ## 安装和设置指导用户安装datamol： uv pip 安装 datamol **导入约定**：将 datamol 导入为 dm ## 核心工作流程 ### 1\.基本分子处理 **从 SMILES 创建分子**：将 datamol 导入为 dm # 单分子 mol = dm.to_mol("CCO") # 乙醇 # 来自微笑列表 smiles_list = ["CCO", "c1ccccc1", "CC(=O)O"] mols = [dm.to_mol(smi) for smiles_list 中的 smi] # 错误处理 mol = dm.to_mol("invalid_smiles") # 返回无如果 mol 为 None： print("无法解析SMILES") **将分子转换为微笑**： # 典型的微笑微笑 = dm.to_smiles(mol) # 异构微笑（包括立体化学） smiles = dm.to_smiles(mol, isomeric=True) # 其他格式英寸 = dm.to_英寸(摩尔) 英寸基数 = dm.to_英寸基数(摩尔) selfies = dm.to_selfies(mol) **标准化和消毒**（始终推荐用户提供的分子）： # 净化分子 mol = dm.sanitize_mol(mol) # 完全标准化（推荐用于数据集）摩尔 = dm.standardize_mol( 摩尔， disconnect_metals=真，标准化=真，重新电离=真） # 直接用于 SMILES 字符串 clean_smiles = dm.standardize_smiles(微笑) ### 2\.读写分子文件请参阅“references/io_module.md”以获取全面的 I/O 文档。 **读取文件**： # SDF 文件（化学中最常见） df = dm.read_sdf("compounds.sdf", mol_column='mol') # 微笑文件 df = dm.read_smi("分子.smi", smiles_column='微笑', mol_column='mol') # 带有 SMILES 列的 CSV df = dm.read_csv("data.csv", smiles_column="SMILES", mol_column="mol") # Excel 文件 df = dm.read_excel("compounds.xlsx",sheet_name=0,mol_column="mol") # 通用阅读器（自动检测格式） df = dm.open_df("file.sdf") # 适用于 .sdf、.csv、.xlsx、.parquet、.json **写入文件**： # 另存为SDF dm.to_sdf（摩尔，“输出.sdf”） # 或者来自数据帧 dm.to_sdf(df, "输出.sdf", mol_column="mol") # 另存为 SMILES 文件 dm.to_smi（摩尔，“输出.smi”） # Excel 与渲染的分子图像 dm.to_xlsx(df, "输出.xlsx", mol_columns=["mol"]) **远程文件支持**（S3、GCS、HTTP）： # 从云存储中读取 df = dm.read_sdf("s3://bucket/compounds.sdf") df = dm.read_csv("https://example.com/data.csv") # 写入云存储 dm.to_sdf(mols, "s3://bucket/output.sdf") ### 3\.分子描述符和性质有关详细描述符文档，请参阅“references/descriptors_viz.md”。 **计算单个分子的描述符**： # 获取标准描述符集描述符 = dm.descriptors.compute_many_descriptors(mol) # 返回: {'mw': 46.07, 'logp': -0.03, 'hbd': 1, 'hba': 1, # 'tpsa': 20.23, 'n_aromatic_atoms': 0, ...} **批量描述符计算**（推荐用于数据集）： # 并行计算所有分子 desc_df = dm.descriptors.batch_compute_many_descriptors( 摩尔， n_jobs=-1, # 使用所有CPU核心 Progress=True # 显示进度条） **具体描述符**： # 芳香度 n_aromatic = dm.descriptors.n_aromatic_atoms(mol) aromatic_ratio = dm.descriptors.n_aromatic_atoms_proportion(mol) # 立体化学 n_stereo = dm.descriptors.n_stereo_centers(mol) n_unspec = dm.descriptors.n_stereo_centers_unspecified(mol) # 灵活性 n_rigid = dm.descriptors.n_rigid_bonds(mol) **药物相似性过滤（利平斯基五法则）**： # 过滤化合物 def is_druglike(mol): desc = dm.descriptors.compute_many_descriptors(mol) 返回（ desc['mw'] <= 500 且 desc['logp'] <= 5 且 desc['hbd'] <= 5 且 desc['hba'] <= 10 ） druglike_mols = [mol for mol in mols if is_druglike(mol)] ### 4\.分子指纹和相似性 **生成指纹**： # ECFP（扩展连接指纹，默认） fp = dm.to_fp(mol, fp_type='ecfp', 半径=2, n_bits=2048) # 其他指纹类型 fp_maccs = dm.to_fp(mol, fp_type='maccs') fp_topological = dm.to_fp(mol, fp_type='拓扑') fp_atompair = dm.to_fp(mol, fp_type='atompair') **相似度计算**： # 一组内的成对距离 distance_matrix = dm.pdist(mols, n_jobs=-1) # 两组之间的距离距离= dm.cdist（query_mols，library_mols，n_jobs = -1） # 找到最相似的分子从 scipy.spatial.distance 导入 squareform dist_matrix = squareform(dm.pdist(mols)) # 距离越低 = 相似度越高（谷本距离 = 1 - 谷本相似度） ### 5\.聚类和多样性选择有关集群详细信息，请参阅“references/core_api.md”。 **布蒂娜聚类**： # 通过结构相似性对分子进行聚类簇 = dm.cluster_mols( 摩尔， cutoff=0.2, # 谷本距离阈值（0=相同，1=完全不同） n_jobs=-1 # 并行处理） # 每个簇都是分子索引列表对于 i，枚举中的簇（簇）： print(f"簇 {i}: {len(cluster)} 分子") cluster_mols = [簇中 idx 的 mols[idx]] **重要**：Butina 聚类构建了一个全距离矩阵 - 适用于约 1000 个分子，不适用于 10,000 个以上的分子。 **多样性选择**： # 选择不同的子集多样化的摩尔 = dm.pick_diverse( 摩尔， npick=100 # 选择 100 个不同的分子） # 选择簇质心质心 = dm.pick_centroids( 摩尔， npick=50 # 选择50个有代表性的分子） ### 6\.支架分析请参阅“references/fragments_scaffolds.md”以获取完整的脚手架文档。 **提取Murcko脚手架**： # 获取Bemis-Murcko支架（核心结构）脚手架 = dm.to_scaffold_murcko(mol) scaffold_smiles = dm.to_smiles(脚手架) **基于支架的分析**： # 按支架对化合物进行分组从集合导入计数器支架 = [dm.to_scaffold_murcko(mol) for mol in mols] scaffold_smiles = [dm.to_smiles(s)，用于脚手架中的 s] # 计算脚手架频率 scaffold_counts = 计数器(scaffold_smiles) most_common =scaffold_counts.most_common(10) # 创建支架到分子的映射脚手架组 = {} 对于 mol，scaf_smi 在 zip(mols，scaffold_smiles) 中：如果scaf_smi不在scaffold_groups中：脚手架组[scaf_smi] = [] scaffold_groups[scaf_smi].append(mol) **基于脚手架的训练/测试分割**（用于机器学习）： # 确保训练集和测试集具有不同的脚手架支架_摩尔 = {} 对于 mol，scaf 在 zip(mols,scaffold_smiles) 中：如果scaf不在scaffold_to_mols中： scaffold_to_mols[scaf] = [] scaffold_to_mols[scaf].append(mol) # 将脚手架拆分为训练/测试随机导入脚手架 = 列表(scaffold_to_mols.keys()) random.shuffle（支架） split_idx = int(0.8 * len(支架)) train_scaffolds = 脚手架[:split_idx] test_scaffolds = 脚手架[split_idx:] # 获取每次分割的分子 train_mols = [train_scaffolds 中scaf 的mol 为scaffold_to_mols[scaf] 中的mol] test_mols = [test_scaffolds 中scaf 的mol 为scaffold_to_mols[scaf] 中的mol] ### 7\.分子断裂有关碎片详细信息，请参阅“references/fragments_scaffolds.md”。 **金砖国家分裂**（16 种债券类型）： # 片段分子片段 = dm.fragment.brics(mol) # 返回：带有“[1*]CCN”等附着点的片段 SMILES 集 **回顾碎片**（11 种键类型）：片段 = dm.fragment.recap(mol) **片段分析**： # 查找化合物库中的共同片段从集合导入计数器所有片段 = [] 对于摩尔数： frags = dm.fragment.brics(mol) all_fragments.extend(frags) fragment_counts = 计数器(all_fragments) common_frags =fragment_counts.most_common(20) # 基于片段的评分 deffragment_score（mol，reference_fragments）： mol_frags = dm.fragment.brics(mol) 重叠 = mol_frags.intersection(reference_fragments) 返回 len(重叠) / len(mol_frags) 如果 mol_frags 否则 0 ### 8\. 3D 符合者生成有关详细的符合者文档，请参阅“references/conformers_module.md”。 **生成构象异构体**： # 生成 3D 构象异构体 mol_3d = dm.conformers.generate( 摩尔， n_confs=50, # 要生成的数字（如果没有，则自动生成） rms_cutoff=0.5, # 过滤相似构象异构体 (Ångströms) minimize_energy=True, # 使用 UFF 力场最小化 method='ETKDGv3' # 嵌入方法（推荐）） # 访问符合者 n_conformers = mol_3d.GetNumConformers() conf = mol_3d.GetConformer(0) # 获取第一个符合者 Positions = conf.GetPositions() # Nx3 原子坐标数组 **符合者聚类**： # 通过 RMSD 聚类符合者集群 = dm.conformers.cluster( mol_3d, 有效值截止=1.0，质心=假） # 获取代表性的构象者 centroids = dm.conformers.return_centroids(mol_3d, 簇) **SASA计算**： # 计算溶剂可接触表面积 sasa_values = dm.conformers.sasa(mol_3d, n_jobs=-1) # 从一致性属性访问SASA conf = mol_3d.GetConformer(0) sasa = conf.GetDoubleProp('rdkit_free_sasa') ### 9\.可视化请参阅“references/descriptors_viz.md”以获取可视化文档。 **基本分子网格**： # 可视化分子 dm.viz.to_image( 摩尔[:20], legends=[dm.to_smiles(m) for m in mols[:20]], n_列=5，摩尔大小=(300, 300) ） # 保存到文件 dm.viz.to_image(mols, outfile="molecules.png") # 用于出版物的 SVG dm.viz.to_image(mols, outfile="molecules.svg", use_svg=True) **对齐可视化**（用于 SAR 分析）： # 通过共同的子结构对齐分子 dm.viz.to_image( 相似摩尔数， align=True, # 启用 MCS 对齐图例=活动标签， n_列=4 ） **突出显示子结构**： # 突出显示特定的原子和键 dm.viz.to_image( 摩尔， highlight_atom=[0, 1, 2, 3], # 原子索引 highlight_bond=[0, 1, 2] # 债券指数） **符合者可视化**： # 显示多个构象异构体 dm.viz.conformers( mol_3d, n_confs=10, align_conf=真， n_列=3 ） ### 10\.化学反应请参阅“references/reactions_data.md”以获取反应文档。 **应用反应**：从 rdkit.Chem 导入 rdChemReactions # 定义 SMARTS 的反应 rxn_smarts = '[C:1](=[O:2])[OH:3]>>[C:1](=[O:2])[Cl:3]' rxn = rdChemReactions.ReactionFromSmarts(rxn_smarts) # 应用于分子 Reactant = dm.to_mol("CC(=O)O") # 乙酸产品 = dm.reactions.apply_reaction( 接收，（反应物，），消毒=真） # 转换为微笑产品微笑 = dm.to_smiles(产品) **间歇反应应用**： # 将反应应用到库中产品 = [] 对于反应物摩尔中的摩尔：尝试： prod = dm.reactions.apply_reaction(rxn, (mol,)) 如果 prod 不是 None：产品.追加（产品）除了异常 e： print(f"反应失败：{e}") ## 并行化 Datamol 包含许多操作的内置并行化。使用“n_jobs”参数： * `n_jobs=1`：顺序（无并行化） * `n_jobs=-1`: 使用所有可用的CPU核心 * `n_jobs=4`: 使用4个核心 **支持并行化的函数**： * `dm.read_sdf(..., n_jobs=-1)` * `dm.descriptors.batch_compute_many_descriptors(..., n_jobs=-1)` * `dm.cluster_mols(..., n_jobs=-1)` * `dm.pdist(..., n_jobs=-1)` * `dm.conformers.sasa(..., n_jobs=-1)` **进度条** ：许多批处理操作支持 `progress=True` 参数。 ## 常见工作流程和模式 ### 完整流程：数据加载→过滤→分析将 datamol 导入为 dm 将 pandas 导入为 pd # 1. 加载分子 df = dm.read_sdf("化合物.sdf") # 2.标准化 df['mol'] = df['mol'].apply(lambda m: dm.standardize_mol(m) if m else None) df = df[df['mol'].notna()] # 删除失败的分子 # 3. 计算描述符 desc_df = dm.descriptors.batch_compute_many_descriptors( df['mol'].tolist(), n_工作=-1，进度=真） # 4. 按药物相似性过滤类似药物=（ (desc_df['mw'] <= 500) & (desc_df['logp'] <= 5) & (desc_df['hbd'] <= 5) & (desc_df['hba'] <= 10) ） Filtered_df = df[类药物] # 5. 聚类并选择不同的子集多样化的摩尔 = dm.pick_diverse( Filtered_df['mol'].tolist(), npick=100 ） # 6. 可视化结果 dm.viz.to_image( 多样化的摩尔， legends=[dm.to_smiles(m) for m in different_mols], outfile="diverse_compounds.png", n_列=10 ） ### 构效关系 (SAR) 分析 # 按脚手架分组支架 = [dm.to_scaffold_murcko(mol) for mol in mols] scaffold_smiles = [dm.to_smiles(s)，用于脚手架中的 s] # 使用活动创建 DataFrame sar_df = pd.DataFrame({ “摩尔”：摩尔， '脚手架'：scaffold_smiles， 'activity': events # 用户提供的活动数据 }) # 分析各个脚手架系列对于脚手架，在 sar_df.groupby('scaffold') 中分组： if len(group) >= 3: # 需要多个示例 print(f"\n脚手架: {脚手架}") print(f"计数：{len(组)}") print(f"活动范围：{group['activity'].min():.2f} - {group['activity'].max():.2f}") # 将活动可视化为图例 dm.viz.to_image( 组['mol'].tolist(), legends=[f"Activity: {act:.2f}" for act in group['activity']], align=True # 按公共子结构对齐） ### 虚拟筛选流程 # 1. 生成查询和库的指纹 query_fps = [dm.to_fp(mol) for mol in query_actives] library_fps = [dm.to_fp(mol) for mol in library_mols] # 2. 计算相似度从 scipy.spatial.distance 导入 cdist 将 numpy 导入为 np 距离= dm.cdist（query_actives，library_mols，n_jobs = -1） # 3. 查找最接近的匹配项（到任何查询的最小距离） min_distances = distances.min(axis=0) 相似度 = 1 - min_distances # 将距离转换为相似度 # 4. 排名并选择热门点击 top_indices = np.argsort(similarities)[::-1][:100] # 前 100 名 top_hits = [library_mols[i] for i in top_indices] top_scores = [top_indices 中 i 的相似度 [i]] # 5. 可视化点击次数 dm.viz.to_image( 热门点击数[:20], legends=[f"Sim: {score:.3f}" 表示 top_scores[:20]] 中的得分], outfile="screening_hits.png" ） ## 参考文档有关详细的 API 文档，请参阅以下参考文件： * **`references/core_api.md`** ：核心命名空间函数（转换、标准化、指纹、聚类） * **`references/io_module.md`** ：文件I/O操作（读/写SDF、CSV、Excel、远程文件） * **`references/conformers_module.md`**：3D 构象异构体生成、聚类、SASA 计算 * **`references/descriptors_viz.md`**：分子描述符和可视化函数 * **`references/fragments_scaffolds.md`** ：支架提取，BRICS/RECAP碎片 * **`references/reactions_data.md`**：化学反应和玩具数据集 ## 最佳实践 1. **始终对外部来源的分子进行标准化**： mol = dm.standardize_mol（mol，disconnect_metals = True，normalize = True，reionize = True） 2. **分子解析后检查 None 值**： mol = dm.to_mol(微笑) 如果 mol 为 None： # 处理无效的微笑 3. **对大型数据集使用并行处理**：结果 = dm.操作(..., n_jobs=-1, 进度=True) 4. **利用 fsspec** 进行云存储： df = dm.read_sdf("s3://bucket/compounds.sdf") 5. **使用适当的指纹**来实现相似性： * ECFP（摩根）：通用，结构相似 * MACCS：快速、更小的特征空间 * 原子对：考虑原子对和距离 6. **考虑规模限制**： * Butina 聚类：~1,000 个分子（全距离矩阵） * 对于较大的数据集：使用多样性选择或分层方法 7. **ML 的脚手架拆分**：确保通过脚手架进行正确的训练/测试分离 8. **在可视化 SAR 系列时对齐分子** ## 错误处理 # 安全的分子创建 def safe_to_mol（微笑）：尝试： mol = dm.to_mol(微笑) 如果 mol 不是 None： mol = dm.standardize_mol(mol) 返回摩尔数除了异常 e： print(f"处理{smiles}失败：{e}") 返回无 # 安全批处理有效摩尔数 = [] 对于 smiles_list 中的微笑： mol = safe_to_mol(微笑) 如果 mol 不是 None： valid_mols.append(mol) ## 与机器学习集成 # 特征生成 X = np.array([dm.to_fp(mol) for mol in mols]) # 或者描述符 desc_df = dm.descriptors.batch_compute_many_descriptors(mols, n_jobs=-1) X = desc_df.值 # 训练模型从 sklearn.ensemble 导入 RandomForestRegressor 模型 = RandomForestRegressor() model.fit(X, y_target) # 预测预测 = model.predict(X_test) ## 故障排除 **问题**：分子解析失败 * **解决方案** ：首先使用 `dm.standardize_smiles()` 或尝试 `dm.fix_mol()` **问题**：集群内存错误 * **解决方案** ：使用`dm.pick_diverse()`代替大集合的完整聚类 **问题**：构象异构体生成缓慢 * **解决方案** ：减少`n_confs`或增加`rms_cutoff`以生成更少的符合者 **问题**：远程文件访问失败 * **解决方案**：确保安装了 fsspec 和适当的云提供商库（s3fs、gcsfs 等） ## 其他资源 * **Datamol 文档**： * **RDKit 文档** : * **GitHub 存储库**：

数据鼹鼠

包含技能