Rdkit|分子片段、R集团分解、片段指纹与指纹重要性分析

发呆的比目鱼

已于 2023-07-17 15:14:52 修改

阅读量593

点赞数 3

分类专栏： DrugAi 文章标签：人工智能算法深度学习 python

于 2023-07-17 15:03:15 首次发布

原文链接：https://blog.csdn.net/dreadlesss/article/details/106242143

版权

DrugAi 专栏收录该内容

186 篇文章 166 订阅

订阅专栏

github:地址

文章目录

Rdkit|分子片段、R集团分解、片段指纹与指纹重要性分析

Rdkit|分子片段、R集团分解、片段指纹与指纹重要性分析

分子片段生成

分子片段(molecular fragments)是一组可能具有相关功能的相连的原子组成的。RDKit中包含了大量把分子分解成片段的方法和处理片段的工具。

获取官能团库：RDConfig.RDDataDir目录下的FunctionalGroups.txt
根据官能团库实例化一个参数器：FragmentCatalog.FragCatParams()

import os
from rdkit import Chem
from rdkit.Chem import Draw
from rdkit.Chem import RDConfig

from rdkit.Chem import FragmentCatalog

lLen: 官能团最短
uLen: 官能团最长
fgroupFilename: 官能团路径

# fName = os.path.join(RDConfig.RDDataDir, 'FunctionalGroups.txt')
fName = "./data/FunctionalGroups.txt"
fparams = FragmentCatalog.FragCatParams(1, 6, fName)

查看库中包含的官能团数量：GetNumFuncGroups()
查看某个官能团对应的基团：GetFuncGroup()

print(fparams.GetNumFuncGroups())
m = fparams.GetFuncGroup(2)
Draw.MolToImage(m)

传入参数器，创建一个片段存储器：FragmentCatalog.FragCatalog()
产生的分子片段都会存储在该对象中
创建一个片段生成器：FragmentCatalog.FragCatGenerator()
通过该对象生成片段
计算分子片段：AddFragsFromMol()
查看分子片段数量：GetNumEntries()

m = Chem.MolFromSmiles('OCC=CC(=O)O')
fcat = FragmentCatalog.FragCatalog(fparams)
fcgen = FragmentCatalog.FragCatGenerator()
fcgen.AddFragsFromMol(m, fcat)
fcat.GetNumEntries()

通过存储器查看片段：fcat.GetEntryDescription()
尖括号中的内容：表示与片段相连的官能团，以下面的结果为例：
第0号片段中，对应着一个乙基片段，该乙基与一个羟基相连。
第1号片段中，对应着一个乙烯片段，该乙烯与一个羧基相连。

Draw.MolToImage(m)

print(fcat.GetEntryDescription(0))
print(fcat.GetEntryDescription(1))

关于官能团的详细信息，可以通过下述方法获取：

向存储器传入分子片段id，获取片段中所包含的官能团编号：fcat.GetEntryFuncGroupIds()
向参数器传入官能团编号，获取官能团对应的mol对象：fparams.GetFuncGroup()

print(list(fcat.GetEntryFuncGroupIds(0)))

funcgroup = fparams.GetFuncGroup(34)
print(Chem.MolToSmarts(funcgroup))
print(funcgroup.GetProp('_Name'))

提取得到的片段是层级结构，小片段在最底层，逐渐合并形成大片段。可以查看一个小片段形成了哪些大片段。

根据id获取片段：fcat.GetEntryDescription()
获取上级片段id：fcat.GetEntryDownIds()

print(fcat.GetEntryDescription(0))
list(fcat.GetEntryDownIds(0))

根据上级片段id，获取上级片段信息

fcat.GetEntryDescription(2)

片段指纹生成

先将多个分子的片段汇总到一个片段存储器中

ms = [Chem.MolFromSmiles('OCC(NC1CC1)CCC'), Chem.MolFromSmiles('OCC=CC(=O)O')]
fcat = FragmentCatalog.FragCatalog(fparams)
for m in ms:
    fcgen.AddFragsFromMol(m, fcat)
    print(fcat.GetNumEntries())

存储器收集完所有片段后，再用它来生成分子指纹

创建一个片段指纹生成器：FragFPGenerator()
传入分子和存储器来生成指纹：GetFPForMol(mol, fcat)
以字符串形式查看指纹：ToBitString()
查看指纹中哪些位是有效的：GetOnBits()

fpgen = FragmentCatalog.FragFPGenerator()
fp1 = fpgen.GetFPForMol(ms[1], fcat)
print(fp1.ToBitString())
print(list(fp1.GetOnBits()))

可以用处理一般分子指纹的方法来处理片段分子指纹，例如寻找相同的片段

先对分子指纹做一步“&”位运算，两个指纹都为1时，结果为1，否则为0
获取两个指纹中都出现的片段：GetOnBits()
查看片段信息：GetEntryDescription()

fp0 = fpgen.GetFPForMol(ms[0], fcat)
andfp = fp0 & fp1
onbit = list(andfp.GetOnBits())
print(onbit)

fcat.GetEntryDescription(onbit[0])

也可以按上述思路查看一下哪些片段导致了分子的不同

对分子指纹做“^”运算，两个指纹相同时，结果为0，否则为1。再做一步“&”运算
按上述方法查看相异片段

dis = fp0 ^ fp1
combinedfp = fp0 & dis
onbit = list(combinedfp.GetOnBits())
print(onbit)
fcat.GetEntryDescription(onbit[-1])

指纹重要性分析

这里主要介绍指纹对离散标签的重要性分析。在rdkit.ML.InfoTheory.rdInfoTheory.InfoBitRanker中提供了对指纹分析的功能。这个类可以根据分子指纹和离散标签，对特征进行计算和排序，看看哪些特征对活性比较重要。

先对163个分子生成片段指纹，完整代码如下

sdf_file = './data/bzr.sdf'
suppl = Chem.SDMolSupplier(sdf_file)
sdms = [x for x in suppl if x is not None]
print(len(sdms))

# 获取官能团库
fName = './data/FunctionalGroups.txt'
# 片段参数器
fparams = FragmentCatalog.FragCatParams(1, 6, fName)
# 片段存储器
fcat = FragmentCatalog.FragCatalog(fparams)
# 片段生成器
fcgen = FragmentCatalog.FragCatGenerator()
# 片段指纹生成器
fpgen = FragmentCatalog.FragFPGenerator()
# 汇总所有片段
for m in sdms:
    fcgen.AddFragsFromMol(m, fcat)
    for i in range(fcat.GetNumEntries()):
        print(fcat.GetEntryDescription(i))

fps = [fpgen.GetFPForMol(x, fcat) for x in sdms]
print(len(fps), fps[0].GetNumBits())

dir(fps[0])

fps[0].ToBitString()

信息增益（infoGain）分析，实例化一个排序对象：InfoBitRanker(nBits, nClasses, infoType)

nBits：指纹长度
nClasses：类别数量，需要和标签满足的关系：0 <= 标签 < 类别数量
infoType：度量指标。默认使用rdInfoTheory.InfoType.ENTROPY，即信息增益作为比较标准，它反映了使用某个特征进行分类后，系统混乱程度降低的多少，数值越大表明特征越重要。

from rdkit.ML import InfoTheory
ranker = InfoTheory.InfoBitRanker(len(fps[0]), 2)

获取每个分子的活性信息：GetDoubleProp(‘ACTIVITY’)
以7作为标准对活性离散化，大于7为1，小于7为0
根据指纹和类别进行投票：AccumulateVotes(fp, act)
获取前5个重要特征：GetTopN(5)
依次输出特征id、信息增益、特征为1类别中的无活性分子数、特征为1类别中的有活性分子数。

acts = [x.GetDoubleProp('ACTIVITY') for x in sdms]
for i,fp in enumerate(fps):
    act = int(acts[i]>7)
    ranker.AccumulateVotes(fp,act)

top5 = ranker.GetTopN(5)
for id, gain, n0, n1 in top5:
    print(int(id), '%.3f'%gain, int(n0), int(n1))

加入偏置，以信息增益为例，重新设置infoType
设置偏置类别：SetBiasList()
在这种模式下，一个特征与所设置了偏置类别的相关性要高于所有非偏置类别，例如设置偏置类别为4，某位特征为1对应的标签中，类别为4的数量应该大于其他类别的数量。

ranker = InfoTheory.InfoBitRanker(len(fps[0]), 2, InfoTheory.InfoType.BIASENTROPY)
ranker.SetBiasList((0,))
acts = [x.GetDoubleProp('ACTIVITY') for x in sdms]
for i,fp in enumerate(fps):
    act = 0 if acts[i]<7 else 1
    ranker.AccumulateVotes(fp, act)
top5 = ranker.GetTopN(5)
for id, gain, n0, n1 in top5:
    print(int(id), '%.3f'%gain, int(n0), int(n1))

使用卡方检验（chi squared test），将infoType设置为如下参数，其他相同

ranker = InfoTheory.InfoBitRanker(len(fps[0]), 2, InfoTheory.InfoType.CHISQUARE)
for i,fp in enumerate(fps):
    act = int(acts[i]>7)
    ranker.AccumulateVotes(fp, act)
top5 = ranker.GetTopN(5)
for id, gain, n0, n1 in top5:
    print(int(id), '%.3f'%gain, int(n0), int(n1))