Python 如何使用RDKit计算微笑结构列表的分子指纹和相似性?
我正在使用RDKit根据两组具有微笑结构的分子之间的Tanimoto系数计算分子相似性。 现在我可以从两个单独的csv文件中提取微笑结构。我想知道如何将这些结构放入RDKit中的指纹模块,以及如何在两个分子列表之间逐个计算相似性Python 如何使用RDKit计算微笑结构列表的分子指纹和相似性?,python,csv,similarity,fingerprint,rdkit,Python,Csv,Similarity,Fingerprint,Rdkit,我正在使用RDKit根据两组具有微笑结构的分子之间的Tanimoto系数计算分子相似性。 现在我可以从两个单独的csv文件中提取微笑结构。我想知道如何将这些结构放入RDKit中的指纹模块,以及如何在两个分子列表之间逐个计算相似性 from rdkit import DataStructs from rdkit.Chem.Fingerprints import FingerprintMols ms = [Chem.MolFromSmiles('CCOC'), Chem.MolFromSmiles(
from rdkit import DataStructs
from rdkit.Chem.Fingerprints import FingerprintMols
ms = [Chem.MolFromSmiles('CCOC'), Chem.MolFromSmiles('CCO'), ... Chem.MolFromSmiles('COC')]
fps = [FingerprintMols.FingerprintMol(x) for x in ms]
DataStructs.FingerprintSimilarity(fps[0],fps[1])
我想把我所有的微笑结构(超过10000个)放到“ms”列表中,并得到他们的指纹。
然后我将比较两个列表中每对分子之间的相似性,也许这里需要一个for循环
提前谢谢
我使用pandas dataframe选择并打印带有我的结构的列表,并将列表保存到列表1和列表2中。当它运行到ms1行时,有如下错误:
TypeError: No registered converter was able to produce a C++ rvalue of type std::__cxx11::basic_string<wchar_t,
std::char_traits<wchar_t>, std::allocator<wchar_t> > from this Python object of type float
例如,钆二酰胺的微笑是“O=C1[O-][Gd+3]234567[O]=C(C[N]2(CC[N]3(CC[O-]4)=O)CC[N]5(CC([O]6)NC)CC(=O)[O-]7)C1)NC”,并且错误代码如下(当运行fps线时):
如果原始csv文件如下所示,如何在输出文件中包括分子名称以及相似性值:
姓名、微笑、价值、价值2
分子量1,CCOCN(C)(C),0.25,A
分子2,CCO,1.12,B
分子3,COC,2.25,C
我添加了这些代码以将分子名称包含在输出文件中,这些代码在名称方面存在一些数组值错误(特别是对于d2):
编辑答案以捕获所有评论。 RDKit具有大量相似性功能,因此您可以将一个指纹与一系列指纹进行比较。只需在指纹列表上循环 如果CSV是这样的 第一个微笑无效的csv
smiles,value,value2
CCOCN(C)(C),0.25,A
CCO,1.12,B
COC,2.25,C
第二个微笑是正确的
smiles,value,value2
CCOCC,0.55,D
CCCO,2.58,E
CCCCO,5.01,F
这是如何读出微笑,删除无效的微笑,做指纹相似性没有重复和保存排序值
from rdkit import Chem
from rdkit import DataStructs
from rdkit.Chem.Fingerprints import FingerprintMols
import pandas as pd
# read and Conconate the csv's
df_1 = pd.read_csv('first.csv')
df_2 = pd.read_csv('second.csv')
df_3 = pd.concat([df_1, df_2])
# proof and make a list of SMILES
df_smiles = df_3['smiles']
c_smiles = []
for ds in df_smiles:
try:
cs = Chem.CanonSmiles(ds)
c_smiles.append(cs)
except:
print('Invalid SMILES:', ds)
print()
# make a list of mols
ms = [Chem.MolFromSmiles(x) for x in c_smiles]
# make a list of fingerprints (fp)
fps = [FingerprintMols.FingerprintMol(x) for x in ms]
# the list for the dataframe
qu, ta, sim = [], [], []
# compare all fp pairwise without duplicates
for n in range(len(fps)-1): # -1 so the last fp will not be used
s = DataStructs.BulkTanimotoSimilarity(fps[n], fps[n+1:]) # +1 compare with the next to the last fp
print(c_smiles[n], c_smiles[n+1:]) # witch mol is compared with what group
# collect the SMILES and values
for m in range(len(s)):
qu.append(c_smiles[n])
ta.append(c_smiles[n+1:][m])
sim.append(s[m])
print()
# build the dataframe and sort it
d = {'query':qu, 'target':ta, 'Similarity':sim}
df_final = pd.DataFrame(data=d)
df_final = df_final.sort_values('Similarity', ascending=False)
print(df_final)
# save as csv
df_final.to_csv('third.csv', index=False, sep=',')
打印输出:
Invalid SMILES: CCOCN(C)(C)C
CCO ['COC', 'CCOCC', 'CCCO', 'CCCCO']
COC ['CCOCC', 'CCCO', 'CCCCO']
CCOCC ['CCCO', 'CCCCO']
CCCO ['CCCCO']
query target Similarity
9 CCCO CCCCO 0.769231
2 CCO CCCO 0.600000
1 CCO CCOCC 0.500000
7 CCOCC CCCO 0.466667
3 CCO CCCCO 0.461538
8 CCOCC CCCCO 0.388889
4 COC CCOCC 0.333333
5 COC CCCO 0.272727
0 CCO COC 0.250000
6 COC CCCCO 0.214286
谢谢你的回答!你的代码运行良好。那么,如何将我的结构从csv文件导入到两个列表中呢?在你的问题中,你写道,你能够从csv文件中提取微笑。你没有把他们列在名单上吗?你做了什么?我使用pandas dataframe选择并打印带有我的结构的列表,并将列表保存到列表1和列表2中。当它运行到MS1行时,它的错误如下:Type Error:没有注册的转换器能够生成类型为STD::Y.OXCXX11::Basic字符串的C++值。我在回答中添加了一个熊猫/csv示例。谢谢。我试过了,它在同一点上返回了相同的错误代码。
smiles,value,value2
CCOCC,0.55,D
CCCO,2.58,E
CCCCO,5.01,F
from rdkit import Chem
from rdkit import DataStructs
from rdkit.Chem.Fingerprints import FingerprintMols
import pandas as pd
# read and Conconate the csv's
df_1 = pd.read_csv('first.csv')
df_2 = pd.read_csv('second.csv')
df_3 = pd.concat([df_1, df_2])
# proof and make a list of SMILES
df_smiles = df_3['smiles']
c_smiles = []
for ds in df_smiles:
try:
cs = Chem.CanonSmiles(ds)
c_smiles.append(cs)
except:
print('Invalid SMILES:', ds)
print()
# make a list of mols
ms = [Chem.MolFromSmiles(x) for x in c_smiles]
# make a list of fingerprints (fp)
fps = [FingerprintMols.FingerprintMol(x) for x in ms]
# the list for the dataframe
qu, ta, sim = [], [], []
# compare all fp pairwise without duplicates
for n in range(len(fps)-1): # -1 so the last fp will not be used
s = DataStructs.BulkTanimotoSimilarity(fps[n], fps[n+1:]) # +1 compare with the next to the last fp
print(c_smiles[n], c_smiles[n+1:]) # witch mol is compared with what group
# collect the SMILES and values
for m in range(len(s)):
qu.append(c_smiles[n])
ta.append(c_smiles[n+1:][m])
sim.append(s[m])
print()
# build the dataframe and sort it
d = {'query':qu, 'target':ta, 'Similarity':sim}
df_final = pd.DataFrame(data=d)
df_final = df_final.sort_values('Similarity', ascending=False)
print(df_final)
# save as csv
df_final.to_csv('third.csv', index=False, sep=',')
Invalid SMILES: CCOCN(C)(C)C
CCO ['COC', 'CCOCC', 'CCCO', 'CCCCO']
COC ['CCOCC', 'CCCO', 'CCCCO']
CCOCC ['CCCO', 'CCCCO']
CCCO ['CCCCO']
query target Similarity
9 CCCO CCCCO 0.769231
2 CCO CCCO 0.600000
1 CCO CCOCC 0.500000
7 CCOCC CCCO 0.466667
3 CCO CCCCO 0.461538
8 CCOCC CCCCO 0.388889
4 COC CCOCC 0.333333
5 COC CCCO 0.272727
0 CCO COC 0.250000
6 COC CCCCO 0.214286