- 一串远、分子片段生成
- 二、片段指紋生成
- 三儿惫、指紋重要性分析
一澡罚、分子片段生成
分子片段（Molecular Fragments）是一組相連的原子，并可能包含有相關(guān)官能團肾请。在rdkit中提供了一系列用于分析留搔、操作分子片段的工具。說起來比較抽象铛铁，操作起來也比較抽象隔显。
- 獲取官能團庫：RDConfig.RDDataDir目錄下的'FunctionalGroups.txt'
- 根據(jù)官能團庫實例化一個參數(shù)器：FragmentCatalog.FragCatParams()
>>> import os
>>> from rdkit import Chem
>>> from rdkit.Chem import Draw
>>> from rdkit.Chem import RDConfig
>>> from rdkit.Chem import FragmentCatalog
>>> fName = os.path.join(RDConfig.RDDataDir, 'FunctionalGroups.txt')
>>> fparams = FragmentCatalog.FragCatParams(1, 6, fName)
- 查看庫中包含的官能團數(shù)量：GetNumFuncGroups()
- 查看每個官能團對應(yīng)的基團：GetFuncGroup()
>>> print(fparams.GetNumFuncGroups())
>>> m = fparams.GetFuncGroup(0)
>>> m
39
1
- 傳入?yún)?shù)器，創(chuàng)建一個片段存儲器：FragmentCatalog.FragCatalog()
產(chǎn)生的分子片段都會存儲在該對象中 - 創(chuàng)建一個片段生成器：FragmentCatalog.FragCatGenerator()
通過該對象生成片段 - 計算分子片段：AddFragsFromMol()
- 查看分子片段數(shù)量：GetNumEntries()
>>> m = Chem.MolFromSmiles('OCC=CC(=O)O')
>>> fcat = FragmentCatalog.FragCatalog(fparams)
>>> fcgen = FragmentCatalog.FragCatGenerator()
>>> fcgen.AddFragsFromMol(m, fcat)
>>> fcat.GetNumEntries()
3
- 通過存儲器查看片段：fcat.GetEntryDescription()
尖括號中的內(nèi)容：表示與片段相連的官能團饵逐，以下面的結(jié)果為例：
第0號片段中括眠，對應(yīng)著一個乙基片段，該乙基與一個羥基相連倍权。
第1號片段中掷豺，對應(yīng)著一個乙烯片段，該乙烯與一個羧基相連。
>>> print(fcat.GetEntryDescription(0))
>>> print(fcat.GetEntryDescription(1))
C<-O>C
C=C<-C(=O)O>
關(guān)于官能團的詳細(xì)信息当船，可以通過下述方法獲忍饣：
- 向存儲器傳入分子片段id，獲取片段中所包含的官能團編號：fcat.GetEntryFuncGroupIds()
- 向參數(shù)器傳入官能團編號生年，獲取官能團對應(yīng)的mol對象：fparams.GetFuncGroup()
>>> print(list(fcat.GetEntryFuncGroupIds(0)))
>>> funcgroup = fparams.GetFuncGroup(34)
>>> print(Chem.MolToSmarts(funcgroup))
>>> print(funcgroup.GetProp('_Name'))
[34]
*-[O&D1]
-O
提取得到的片段是層級結(jié)構(gòu)婴程，小片段在最底層廓奕，逐漸合并形成大片段抱婉。可以查看一個小片段形成了哪些大片段桌粉。
- 根據(jù)id獲取片段：fcat.GetEntryDescription()
- 獲取上級片段id：fcat.GetEntryDownIds()
>>> print(fcat.GetEntryDescription(0))
>>> list(fcat.GetEntryDownIds(0))
C<-O>C
[2]
- 根據(jù)上級片段id蒸绩，獲取上級片段信息
>>> fcat.GetEntryDescription(2)
'C<-C(=O)O>=CC<-O>'
二、片段指紋生成
- 先將多個分子的片段匯總到一個片段存儲器中
>>> ms = [Chem.MolFromSmiles('OCC(NC1CC1)CCC'), Chem.MolFromSmiles('OCC=CC(=O)O')]
>>> fcat = FragmentCatalog.FragCatalog(fparams)
>>> for m in ms:
>>> fcgen.AddFragsFromMol(m, fcat)
>>> fcat.GetNumEntries()
17
存儲器收集完所有片段后铃肯，再用它來生成分子指紋
- 創(chuàng)建一個片段指紋生成器：FragFPGenerator()
- 傳入分子和存儲器來生成指紋：GetFPForMol(mol, fcat)
- 以字符串形式查看指紋：ToBitString()
- 查看指紋中哪些位是有效的：GetOnBits()
>>> fpgen = FragmentCatalog.FragFPGenerator()
>>> fp1 = fpgen.GetFPForMol(ms[1], fcat)
>>> print(fp1.ToBitString())
>>> print(list(fp1.GetOnBits()))
10000000000000011
[0, 15, 16]
可以用處理一般分子指紋的方法來處理片段分子指紋患亿，例如尋找相同的片段
- 先對分子指紋做一步“&”位運算，兩個指紋都為1時押逼，結(jié)果為1步藕，否則為0
- 獲取兩個指紋中都出現(xiàn)的片段：GetOnBits()
- 查看片段信息：GetEntryDescription()
>>> fp0 = fpgen.GetFPForMol(ms[0], fcat)
>>> andfp = fp0 & fp1
>>> onbit = list(andfp.GetOnBits())
>>> fcat.GetEntryDescription(onbit[0])
'C<-O>C'
也可以按上述思路查看一下哪些片段導(dǎo)致了分子的不同
- 對分子指紋做“^”運算，兩個指紋相同時挑格，結(jié)果為0咙冗，否則為1。再做一步“&”運算
- 按上述方法查看相異片段
>>> dis = fp0 ^ fp1
>>> combinedfp = fp0 & dis
>>> onbit = list(combinedfp.GetOnBits())
>>> fcat.GetEntryDescription(onbit[-1])
'CCCC(C<-O>)N<-cPropyl>'
三漂彤、指紋重要性分析
這里主要介紹指紋對離散標(biāo)簽的重要性分析雾消。在rdkit.ML.InfoTheory.rdInfoTheory.InfoBitRanker中提供了對指紋分析的功能。這個類可以根據(jù)分子指紋和離散標(biāo)簽挫望，對特征進行計算和排序立润，看看哪些特征對活性比較重要。
- 先對163個分子生成片段指紋媳板，完整代碼如下
>>> suppl = Chem.SDMolSupplier('data/bzr.sdf')
>>> sdms = [x for x in suppl]
>>> # 獲取官能團庫
>>> fName = os.path.join(RDConfig.RDDataDir, 'FunctionalGroups.txt')
>>> # 片段參數(shù)器
>>> fparams = FragmentCatalog.FragCatParams(1, 6, fName)
>>> # 片段存儲器
>>> fcat = FragmentCatalog.FragCatalog(fparams)
>>> # 片段生成器
>>> fcgen = FragmentCatalog.FragCatGenerator()
>>> # 片段指紋生成器
>>> fpgen = FragmentCatalog.FragFPGenerator()
>>> # 匯總所有片段
>>> for m in sdms:
>>> fcgen.AddFragsFromMol(m, fcat)
>>> # 生成片段指紋
>>> fps = [fpgen.GetFPForMol(x, fcat) for x in sdms]
>>> print(len(fps), fps[0].GetNumBits())
163 8266
- 信息增益（infoGain）分析桑腮，實例化一個排序?qū)ο螅篒nfoBitRanker(nBits, nClasses, infoType)
nBits：指紋長度
nClasses：類別數(shù)量，需要和標(biāo)簽滿足的關(guān)系：0 <= 標(biāo)簽 < 類別數(shù)量
infoType：度量指標(biāo)蛉幸。默認(rèn)使用rdInfoTheory.InfoType.ENTROPY到旦，即信息增益作為比較標(biāo)準(zhǔn)，它反映了使用某個特征進行分類后巨缘，系統(tǒng)混亂程度降低的多少添忘，數(shù)值越大表明特征越重要。
>>> from rdkit.ML import InfoTheory
>>> ranker = InfoTheory.InfoBitRanker(len(fps[0]), 2)
- 獲取每個分子的活性信息：GetDoubleProp('ACTIVITY')
- 以7作為標(biāo)準(zhǔn)對活性離散化若锁，大于7為1搁骑，小于7為0
- 根據(jù)指紋和類別進行投票：AccumulateVotes(fp, act)
- 獲取前5個重要特征：GetTopN(5)
- 依次輸出特征id、信息增益、特征為1類別中的無活性分子數(shù)仲器、特征為1類別中的有活性分子數(shù)煤率。
>>> 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))
698 0.081 20 17
222 0.073 23 25
378 0.073 30 43
196 0.073 30 43
1207 0.073 0 25
- 加入偏置，以信息增益為例乏冀，重新設(shè)置infoType
- 設(shè)置偏置類別：SetBiasList()
在這種模式下蝶糯，一個特征與所設(shè)置了偏置類別的相關(guān)性要高于所有非偏置類別，例如設(shè)置偏置類別為4辆沦，某位特征為1對應(yīng)的標(biāo)簽中昼捍，類別為4的數(shù)量應(yīng)該大于其他類別的數(shù)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))
698 0.081 20 17
222 0.073 23 25
378 0.073 30 43
196 0.073 30 43
2375 0.062 5 0
- 使用卡方檢驗（chi squared test）肢扯，將infoType設(shè)置為如下參數(shù)妒茬，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))
698 20.023 20 17
222 17.451 23 25
378 16.242 30 43
196 16.242 30 43
2375 14.861 5 0
- 帶偏置的卡方檢驗同上，重新設(shè)置infoType為InfoTheory.InfoType.BIASCHISQUARE即可
