RDKit|分子指纹提取、相似性比较及应用

一、分子指纹提取

1.Topological Fingerprints

也叫RDKit topological fingerprint。该算法受Daylight fingerprint启发而产生,它会计算所有介于minPath和maxPath之间的分子路径（子图，subgraphs），对每个子图进行哈希运算，产生一个原始的bit ID。对bit ID取模（除数是fpSize），并在相应的位上进行设置。
对子图做哈希运算，其实就是对原子和键做哈希，它考虑了原子类型、芳香性、键的类型三种特征

对每个子图生成指纹的大致流程：

• 1.对子图计算一个哈希值
• 2.使用哈希值生成一个raw ID
• 3.对raw ID取模
• 4.如果nBitsPerHash大于1，根据raw ID再随机生成一个数，直到达到指定值
• 5.组成分子指纹相应的位。

使用rdkit来生成拓扑分子指纹

• 计算拓扑分子指纹：RDKFingerprint(mol, minPath，maxPath, fpSize, nBitsPerHash, useHs, tgtDensity, bitInfo, …)
  mol：mol对象
  minPath：默认1。生成子图所需的最少键的数量
  maxPath：默认7。生成子图时最多键的数量
  fpSize：生成指纹的长度，默认2048
  nBitsPerHash：默认2。每个子图对应的位数。如果大于1，就将raw ID作为种子随机生成若干个数。
  useHs：默认True，将显式氢考虑进指纹中。
  tgtDensity：默认0。如果大于0，指纹长度会不断减半，直到大于等于设置的密度，或到达minSize的设置值。
  bitInfo：用于接收指纹结果的字典。键为位数，值为相同指纹的列表(列表的每个元素为键的序号)。

>>> ms = [Chem.MolFromSmiles('CCOC'), Chem.MolFromSmiles('CCO'), Chem.MolFromSmiles('COC')]
>>> fps = [Chem.RDKFingerprint(x) for x in ms]
>>> fps
[<rdkit.DataStructs.cDataStructs.ExplicitBitVect at 0x7538300>,
 <rdkit.DataStructs.cDataStructs.ExplicitBitVect at 0x75383f0>,
 <rdkit.DataStructs.cDataStructs.ExplicitBitVect at 0x7538670>]

先简单地进行一下相似性比较

• 相似度比较：DataStructs.FingerprintSimilarity(fp1, fp2)

>>> DataStructs.FingerprintSimilarity(fps[0], fps[1])
0.6

• 通过传入空字典rdkinfo获取非空分子指纹信息
  黄色表示带有芳香性质的原子

>>> mol = Chem.MolFromSmiles('c1ccccc1CC1CC1')
>>> rdkinfo = {
   }
>>> rdkfp = Chem.RDKFingerprint(mol, bitInfo=rdkinfo)
>>> Draw.DrawRDKitBit(mol, list(rdkinfo.keys())[0], rdkinfo)

2.MACCS

是一种基于SMARTS的，长度为167的分子指纹，每一位所代表的含义可以参考openbabel的介绍。

>>> from rdkit.Chem import MACCSkeys
>>> fps = [MACCSkeys.GenMACCSKeys(x) for x in ms]
>>> DataStructs.FingerprintSimilarity(fps[0],fps[1])
0.5
>>> fps[0].GetNumBits()
167

3.Atom Pairs and Topological Torsions

这两种指纹算法的概念在30多年前提出，比较相似，指纹会包括原子序号、π电子数和相邻原子数三个维度的信息。此外还可以通过参数，加入手性的信息。两种指纹都可以用sparse form和explicit form形式来表示，并且可以查看指纹所代表的化学信息。

• 计算atom pair指纹：GetAtomPairFingerprint(mol, minLength, maxLength, …)
• 同GetAtomPairFingerprintAsIntVect()
  这个方法生成的指纹非常庞大稀疏。

>>> from rdkit