RDKit | 基于PCA探索化学空间

最新推荐文章于 2024-02-19 19:00:00 发布

DrugAI

最新推荐文章于 2024-02-19 19:00:00 发布

阅读量2k

点赞数 4

分类专栏： RDKit | 化学信息学与AI 文章标签： RDKit 化学信息学 Python

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/u012325865/article/details/100727712

版权

RDKit | 化学信息学与AI 专栏收录该内容

154 篇文章 640 订阅 ¥99.00 ¥99.00

订阅专栏

超级会员免费看

本文介绍了如何利用RDKit库，通过主成分分析(PCA)和K-means聚类来探索化学空间。首先，导入必要的库，加载SMILES格式的分子数据，接着计算分子描述符。然后进行PCA处理，通过分析PCA的解释方差选择关键特征。接下来，对PCA值进行缩放，并应用K-means聚类。根据聚类结果，评估群集分布的质量，并通过PCA图识别主要的化学特性。最后，保存和分析聚类数据。

摘要由CSDN通过智能技术生成

基于主成分分析和聚类探索化学空间

PCA ：Principal Component Analysis

分析化合物数据库，发现它们之间的共享描述符（物理化学特性）。

1. 导入库

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import gridspec

from rdkit import Chem, DataStructs
from rdkit.Chem import Descriptors,Crippen

from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

import matplotlib.cm as cm
from sklearn.metrics import silhouette_samples, silhouette_score
from sklearn.cluster import

了解本专栏