RDKit | 拓扑极性表面积（TPSA）

最新推荐文章于 2024-07-10 16:50:08 发布
最新推荐文章于 2024-07-10 16:50:08 发布
阅读量2.6k 收藏 1
点赞数 1
分类专栏： DrugAi 文章标签： 深度学习
原文链接：https://blog.csdn.net/gcn_Raymond/article/details/121725220
版权

RDKit | 拓扑极性表面积（TPSA）

化合物的极性表面积（PSA）是分子表面极性部分的面积值的总和。极性部分通常在诸如氧或氮的杂元素周围，因此可以认为这些部分结构是加在一起的。PSA是描述分子的极性和脂溶性的描述符，例如辛醇/水分配比（logP）。在PSA和膜渗透性的实验数据之间发现了很好的相关性。

考虑到单一构象，计算出世界药品索引中所列化合物的PSA。另外，选择了43个包含氧，氮，磷和硫的部分结构，并且通过最小二乘法对每个部分结构的重量进行参数化以用于计算的PSA。

这样，将某个索引视为来自子结构的贡献之和的方法是一种在化学信息学中经常出现的概念。通过将每个原子分解成亚结构，也可以很容易地看到每个原子的贡献。

from rdkit.Chem import rdMolDescriptors
TPSA=rdMolDescriptors.CalcTPSA(Chem.MolFromSmiles(mol))
发呆的比目鱼
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RDKit | 计算拓扑极性表面积TPSA
DrugAI
10-24 5242
极表面积（PSA） 化合物的极性表面积（PSA）是分子表面极性部分的面积值的总和。极性部分通常在诸如氧或氮的杂元素周围，因此可以认为这些部分结构是加在一起的。 PSA的特点 PSA是描述分子的极性和脂溶性的描述符，例如辛醇/水分配比（logP）。在PSA和膜渗透性的实验数据之间发现了很好的相关性。例如太大PSA（140埃2具有上述化合物）已被经验已知为具...
药物分子关于RO5等常用属性计算（LogP, TPSA, MW, QED....）+ 怎么计算Penalized LogP（plogp）？
简单记录生活、学习
11-29 4011
药物分子关于RO5等常用属性计算
极性表面积与非极性表面积
xiaolan39的博客
05-09 2780
溶剂可及表面积 （） 蛋白或者药物小分子的极性表面积 （polar surface area，PSA） 非极性表面积 （ apolar surface area，ASA） 极性表面积定义为由极性原子（氮和氧原子以及它们所连接的氢原子)来计算。 非极性表面积可以通过考虑碳，卤素和非极性氢原子来计算非极性表面积。 ASA值与实验观察到的蛋白质折叠过程的热容量和焓的热力学变化，62种蛋白质-溶剂相互作用以及配体-受体结合密切相关 ...
rdkit中 logP, mr, TPSA, Labute ASA 讲解
qq_21521561的博客
11-23 8887
logP logP值指某物质在正辛醇（油）和水中的分配系数比值的对数值。反映了物质在油水两相中的分配情况。logP值越大，说明该物质越亲油，反之，越小，则越亲水，即水溶性越好。 TPSA拓扑分子极性表面积 是常用于药物化学的一个参数，其定义为化合物内极性分子的总表面积，多为氧原子及氮原子，也包括与其相连的氢原子。在药物化学的应用中，极性表面积是评价药物在细胞内的可运输性质的描述指标。这一...
求大佬帮忙！
amang_的博客
03-12 251
为什么会出现这样的情况？？？
分子生成中常见分子描述符介绍及代码实现
gcn_Raymond的博客
12-08 7461
一、背景介绍 本文针对计算机辅助药物设计 (CADD)中的分子生成方向进行一下总结，主要内容是根据模型生成的分子理化性质检验，包括多种性质的定义、计算公式、评价指标及实现代码。 计算机辅助药物设计 (CADD) 提高了药物发现的速度。在不同的方法中，DL方法一般通过神经网络训练大量的样本数据来学习样本的分子结构。不同于传统的相似配体（ligand）搜索，DL模型在训练过程中通过学习先验知识获取特征信息和一般规则。在深度学习领域，生成模型可以有效地生成具有所需特性的新化合物...
GEFRAN高精度压力变送器-TPSA产品资料
03-31
GEFRAN高精度压力变送器-TPSA产品资料. 介绍了关于GEFRAN高精度压力变送器-TPSA产品资料的详细说明，提供变送器的技术资料的下载。
OpticalLibTPSA:使用TPSA的光学库-开源
04-28
这是用于在VB.net中实现的截断幂级数代数基础上进行光学计算的库。 它表示光学系统为从起始表面到终止表面的映射。 这些表面本身被指定为截尾幂级数。 这些图包括路径长度； 该库会根据路径长度差异计算干扰，并通过...
血清sE-cad、TPSA在前列腺癌诊断中的意义.pdf
08-04
血清sE-cad、TPSA在前列腺癌诊断中的意义.pdf
【TPSA-21-12】关于Chrome存在安全问题可能影响Windows版本微信的通告.pdf
09-18
【TPSA-21-12】关于Chrome存在安全问题可能影响Windows版本微信的通告 网络与基础架构安全 漏洞分析 业务风控 网络安全 零信任
Coconut-TMAP-SVM
07-24
MW、sp3 C 的分数、氢键供体 (HBD) 和受体 (HBA) 计数、使用 Crippen 方法计算的 logP (AlogP) 以及使用计算的拓扑极性表面积 (TPSA)。 使用来鉴定糖基化和/或肽结构。 违反一项以上利平斯基规则的分子被标记为非...
【基础知识补充】三个重要理化参数和计算预测、药代动力学（PK）、毒性预测 / ADME
简单记录生活、学习
10-19 2550
在新药研发的过程中，大部分化合物会因为缺乏药效、不良药代动力学性质、动物体内毒性、人体副作用或一些商业因素而最终无法成为药物。在这些因素中，药代动力学性质和毒性问题造成的失败率高达50%，因此也成为药物研发过程中重点关注的方向。ADME决定了药物在体内的生物利用度、作用时间长短和所需剂量大小。的原则，提出在先导化合物的发现阶段进行ADME/T性质预测，选择性质理想的化合物进行实验筛选，从而降低研发成本，提高候选药物后期开发的成功率。在药物研发的过程中，不少药物化学家遵循。这三个方面分类介绍相关的预测方法。
《药物设计学》单词表
Yinger_2000的博客
01-18 2315
寒假抽空听了《药物设计学》的网课，体会就是非常考验化学和生物基础呀orz 整理了一下课上涉及到过的词汇： A absorption phase 吸收阶段 这段时间内血浆中药物浓度随时间增加而上升。 agonist 受体激动剂 启动了受体的生物学功能，主要是一些内源性物质，也有一些外源性物质。 antagonist 受体拮抗剂 与受体结合后阻碍了内源性物质与受体集合，从而导致生物作用的抑制。 B C...
rdkit 分子性质描述符（Descriptors）
qq_36801966的博客
06-29 6827
文章目录一、引入所需库二、性质描述符计算三、原子对性质的贡献可视化 分子性质也被称为描述符。 RDKit中内置了大量的分子描述符的计算方法， 这些方法主要位于rdkit.Chem.Descriptors <https://www.rdkit.org/docs/source/rdkit.Chem.Descriptors.html#module-rdkit.Chem.Descriptors>_ 也有些常用的性质在AllChem模块下面。 一、引入所需库 #! /usr/bin/python # co
RDKit：基于RDKit的溶解度预测的机器学习模型
DrugAI
09-02 3697
基于RDKit和Python3的化合物溶解度的机器学习模型小案例。 《仅供参考》 # In[1]:导入依赖包 from rdkit import Chem, DataStructs from rdkit.Chem import AllChem from rdkit.ML.Descriptors import MoleculeDescriptors from rdkit.Chem impor...
RDKit|分子描述符计算与可视化
最会设计的科研狗
05-16 8528
文章目录一、描述符计算模块1.rdkit.Chem.Lipinski模块2.rdkit.Chem.Descriptors模块3.rdkit.ML.Descriptors.MoleculeDescriptors模块二、原子描述符可视化1.原子partial charge可视化2.原子logP可视化 一、描述符计算模块 1.rdkit.Chem.Lipinski模块 rdkit中提供了许多描述符的计算方法，可用于分子筛选、成药性评估等。以lipinski类药的相关规则为例，可以通过rdkit.Chem.Lipi
【MindSpore学习打卡】应用实践-自然语言处理-深入理解LSTM+CRF在序列标注中的应用
weixin_43427267的博客
07-08 1133
CRF是一种概率图模型，适用于捕获序列中相邻Token之间的依赖关系。设xx0xnxx0​...xn​为输入序列，yy0ynyy0​...yn​为输出的标注序列，其中nnn为序列的最大长度。则输出序列yyyPy∣xexp⁡Scorexy∑y′∈Yexp⁡Scorexy′Py∣x∑y′∈Y​expScorexy′expScorexy​其中，Scorexy。
基于深度学习的高压线路巡线
weixin_42605076的博客
07-07 629
基于深度学习的高压线路巡线是一项通过无人机、机器人或固定摄像头等设备采集图像和视频数据，并利用深度学习技术自动检测和分析高压线路状态的技术。这项技术旨在提高巡检效率、降低人工成本和提升电力系统的安全性。
37.深度学习中的梯度下降法及其实现
最新发布
qq_41238579的博客
07-10 476
梯度下降法（Gradient Descent）是一种常用的优化算法，广泛应用于机器学习和深度学习中。其基本思想是通过迭代更新参数，使得损失函数逐步减小，最终找到最优解。常见的梯度下降法包括随机梯度下降（SGD）、动量法（Momentum）、自适应学习率方法（Adagrad、RMSprop、Adadelta）和Adam等。本文通过代码实现详细展示了梯度下降法在二维和三维空间中的应用，并对比了多种优化器的效果。通过这些实践，我们能够更直观地理解梯度下降法的工作原理及其在深度学习中的应用。
data['mol'] = data['smiles'].apply(lambda x: Chem.MolFromSmiles(x)) print("data:",data.shape) data= data.dropna(axis=0) print("data:",data.shape) data['tpsa'] = data['mol'].apply(lambda x: Descriptors.TPSA(x)) data['mol_w'] = data['mol'].apply(lambda x: Descriptors.ExactMolWt(x)) data['num_valence_electorons'] = data['mol'].apply(lambda x: Descriptors.NumValenceElectrons(x)) data['num_heteroatoms'] = data['mol'].apply(lambda x: Descriptors.NumHeteroatoms(x)) from sklearn.model_selection import train_test_split y = data.pIC51.values X = data.drop(columns=['smiles','pIC51','mol']) x_train,x_test ,y_train,y_test = train_test_split(X, y, test_size=.20,random_state=42) X.index = range(0,1974)
06-10
这是一个Python代码片段，用于对数据文件进行处理和划分。具体来说，代码首先通过将smiles列中的每个SMILES字符串转换为分子对象，将其存储在新的mol列中。然后，代码删除包含空值的行。接下来，代码使用rdkit库中的Descriptors函数，计算每个分子的Topological Polar Surface Area(TPSA)、分子质量、价电子数和非碳原子数，并将这些特征存储在新的列中。最后，代码使用sklearn库的train_test_split函数，将数据划分为训练集和测试集，并将原始数据的索引重置为0-1973。其中，y表示目标变量，即pIC51值，X表示所有特征，包括smiles、mol和计算出的特征，x_train、x_test、y_train和y_test表示训练集和测试集的输入和输出。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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