RDKit | RDKit中的药效团特征

最新推荐文章于 2023-07-14 17:14:27 发布
最新推荐文章于 2023-07-14 17:14:27 发布
阅读量2.2k 收藏 1
点赞数 3
分类专栏： RDKit | 化学信息学与AI 文章标签： python RDKit 化学信息学 药效团
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/105248525
版权
本文介绍了如何在RDKit中利用FDef文件创建药效团特征，涉及功能族如Donor、Acceptor、NegIonizable等，并详细列举了不同类型的特征，包括SMARTS定义。
摘要由CSDN通过智能技术生成

提取与蛋白质可能残基相互作用的配体结构的（空间和电子）特征，

  1. 功能组类型
  2. 相对位置

RDKit中药效团的特征

 

创建特征

将FDef文件中的信息用于药效团识别

导入库

import os
from rdkit import RDConfig
from rdkit.Chem import AllChem
from rdkit import Chem

载入FDef文件

fdef = AllChem.BuildFeatureFactory(os.path.join(RD
了解本专栏 订阅专栏 解锁全文 超级会员免费看
DrugAI
关注
专栏目录
订阅专栏
RDKit | 基于RDKit从分子中提取3D药效团特征
DrugAI
03-22 2833
从分子中提取3D药效团特征 导入库 import os from rdkit import Geometry from rdkit import RDConfig from rdkit.Chem import AllChem from rdkit.Chem import ChemicalFeatures from rdkit.Chem.Pharm3D import Pharmacophore...
RDKit：可视化药效团（Pharmacophore）
DrugAI
06-17 4639
药效团 成药靶点中必定存在着能与药物结合的特异性结合位点。对某个靶点发挥活性的化合物在结构特征上必定有相似之处。这些化合物的最普遍的共有特性被定义为药效团（pharmacophore） 药效团模型的重要意义： 药效团模型不仅仅利用分子拓扑学相似性而且利用了基团的功能相似性，从而运用了生物电子等排体（bioisosterism）的概念使得模型更加可靠。如果仅仅考虑化合物之间形状的相似性，将会导...
RDkit二：利用RDkit筛选进行化学小分子2D药效团筛选
gongfuxiongmao_的博客
06-07 1793
RDkit二：利用RDkit筛选进行化学小分子药效团筛选
rdkit 化学性质(ChemicalFeatures)和药效团
qq_36801966的博客
07-01 1654
文章目录一、引入所需库二、化学性质三、化学特征文件介绍3.1 化学特征（chemical features）3.2 FDef文件语法3.2.1 原子类型（Atom Type）定义3.2.2 特征(Feature)定义3.2.3 其它语法四、2D药效团指纹4.1 参数设置4.2 生成2D药效团指纹4.3 修改FDef设置4.4 Gobbi 2D 药效团指纹 一、引入所需库 #! /usr/bin/python # coding: utf-8 import os from rdkit import Chem
RDKit | 基于RDKit计算3D药效团指纹
DrugAI
03-18 2629
3D Pharmacophore指纹 导入库 from rdkit import Chem, DataStructs, RDConfig from rdkit.Chem import AllChem from rdkit.Chem.Pharm2D import Gobbi_Pharm2D, Generate 载入数据，产生3D结构 mol = Chem.MolFromSmiles( '...
2d-pharmacophore-search:简单的rdkit脚本
04-27
二维药效团搜索和基本从头设计 我有兴趣尝试一些脚手架跳跃式实验 search2d.py采用初始模型，使用RDKit计算其2d药效团。 然后根据化合物的笑容库进行搜索。实际上，我一直在使用Zinc Clean Leads数据库，但此处已截短版本上载以供试用（Zinc许可证可防止分发大块的Zinc） 理想情况下，我将并行化搜索，但目前它是串行搜索，因此速度较慢。 使用Pharmacophore指纹图谱上的Tanimoto相似性，将起始分子与数据库的每个成员进行比较。 python search2d.py> log.txt 一旦我们有了类似药效团的化合物列表，brics-scaffold-hop.py就会使用BRICS算法将这些化合物片段化，然后从这些化合物中生成一个新的化合物库。 然后，通过比较与目标母体分子和已知非特异性抑制剂的相似性，以阴性设计方式评估这些从头设计的化合物。 pyt
RDKit|化学特征、药效团提取与2D药效团指纹计算
最会设计的科研狗
05-19 2463
文章目录一、化学特征和药效团提取二、化学特征文件介绍1.化学特征（chemical features）2.FDef文件语法三、2D药效团指纹1.编码原理2.参数设置3.生成2D药效团指纹4.修改FDef设置5.Gobbi 2D药效团指纹 一、化学特征和药效团提取 Rdkit中有一系列基于SMARTS定义的化学特征。要对分子进行化学特征分析和计算时，需要先导入一个特征库，创建一个特征工厂，并通过特征工厂计算化学特征。先来操作一下，原理及介绍在第二部分。 获取特征库：RDConfig.RDDataDir目录下
RDKit|分子基础操作与药效团查找
最会设计的科研狗
05-23 4222
文章目录分子基础操作与药效团查找1.原子操作2.键操作3.环操作4.手动实现氧族药效团查找 分子基础操作与药效团查找 1.原子操作 在rdkit中，分子中的每一个原子都是对象，可以通过原子对象的属性和函数来获取各种信息。 对原子进行遍历：m.GetAtoms() 获取原子索引：GetIdx() 获取原子序号：GetAtomicNum() 获取原子符号：GetSymbol() 获取原子连接数（受H是否隐藏影响）：GetDegree() 获取原子总连接数（与H是否隐藏无关）：GetTotalDegree()
如何理解与定义药效团指纹(2D Pharmacophore Fingerprints)？——以 rdkit 为例
qq_37364789的博客
03-08 1465
条件 基本熟悉 rdkit 的使用。 正文 概念 药效团指纹综合考虑了化学信息和结构信息，从原理上适合于描述分子间的相互作用。化学信息指的是利用SMARTS定义的一套原子类型的指定规则；结构信息指的是通过2D分子图上一对原子间的最短路径，为选取的原子对（二元组）、三元组、四元组等等引入几何信息。 下面这张图(ref:10.1021/ci7003253)比较形象地说明了三元组的编码方案。值得注意的是，这篇文献的实现着重强调了一个原子可能被同时分配于若干种原子类型，因此同样的原子组合可能贡献了若干指纹位。 所
RDKit化学信息学包
08-09
支持ubuntu下的python C++调用，rdkit是化学信息学的一个包，用于将化学的分子式用smiles实现
Rdkit|分子3D构象生成与优化
发呆的比目鱼的博客
07-14 3979
Rdkit|分子3D构象生成与优化
Rdkit|药效团（Pharmacophore）
最新发布
发呆的比目鱼的博客
07-14 1158
Rdkit|药效团（Pharmacophore）
fdef
阿天MSDN
06-27 972
ff
论文笔记--Open-source platform to benchmark fingerprints for ligand-based virtual screening
weixin_44228389的博客
04-15 395
写在前面： 之前写过一篇论文笔记，讲的是MoleculeNet，同样的，这篇论文也是一篇起到benchmark作用的论文，但针对的是不同指纹在分子相似性搜索方面的基准和综合。 目前获取分子2D药效团的算法主要可以分为4类： （1）基于字典的； （2）基于拓扑或路径的； （3）圆形指纹； （4）药效团指纹。 目前一些常用虚拟筛选（VS）的评价指标： （1）接收机工作特征(ROC)曲线下面积(AUC)；（AUC对早期识别不够敏感） （2）在数据集的给定分数χ处的富集因子(EF)；（EF依赖于ac
RDKit | 基于Lipinski规则过滤化合物库
DrugAI
10-24 3714
Lipinski规则 有机小分子药物设计中，很多小分子候补化合物往往具有很好的in vitro活性，但是一旦进入下一步动物实验的时候，in vivo的药理活性常常得不到很好的结果。往往当出现这种情况的时候，就涉及到药代动力学范畴，比如透膜性，代谢稳定性等除了小分子候补药物与靶蛋白结合能力以外必须要考虑的问题。尤其是口服的化合物，口服后需要考虑如何被消化器官吸收，如何通过...
rdkit | 基于片段的分子生成(骨架a+骨架b
04-30
RDKit是一种常用的分子仿真、分析和可视化工具，它可以对化学分子进行多种操作和计算。其中包括基于片段的分子生成，这也是RDKit在药物发现和化学合成中的一个重要应用。 基于片段的分子生成是指根据已知的分子结构中所包含的骨架a和骨架b，生成与之相似但不完全相同的化合物。这种方法可以用于研究药物分子结构的多样性、发现药物活性的结构相关性，以及优化化合物的代谢性质、药效学性质等。 具体来说，基于片段的分子生成一般分为两个步骤。首先，需要对已知的骨架a和骨架b进行分段，得到不同的化学片段。然后，根据这些片段的性质和结构，结合组成分子的其他原子和键，利用相应的算法和软件程序生成相似的化合物。这些化合物可以通过计算化学性质、分析构效关系等方法进行进一步的研究和优化。 RDKit提供了一系列用于基于片段的分子生成的工具和函数，如MolFragmenter，MolStandardize，MolInterchange等。这些工具可以高效地对分子进行分段、生成相似分子、处理化学反应等操作，加速药物发现和化学研究的过程。同时，RDKit还支持多种化学文件格式、API接口、可视化效果等，方便用户使用和操作。 总之，基于片段的分子生成是RDKit在药物发现和化学合成领域中的重要应用之一。它为研究药物结构、优化化合物性质、设计新的药物分子等方面提供了有效的工具和方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DrugAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值