超量化合物库筛选策略–P3

DrugScience

发布于 2022-05-17 05:22:57

48301

代码可运行

文章被收录于专栏：DrugScienceDrugScience

运行总次数：1

代码可运行

上期回顾：

超量化合物库筛选策略–P1

超量化合物库筛选策略–P2

具体步骤：

3. 获取反应库文件并进行分析

这里使用了ORD，开源化合反应物库

同时需要安装相关的包ord-schema

$ git clone git@github.com:open-reaction-database/ord-schema.git
$ pip install -r requirements.txt
$ conda install -c rdkit rdkit
$ python setup.py install

查看ord-data中的反应数据库

这里选取部分予以展示

4. 这里选取了其中的一个反应库用于分析

数据来源：Coley, C. W. et al. A graph-convolutional neural network model for the prediction of chemical reactivity. Chemical Science 10, 370–377 (2019). doi: 10.1039/c8sc04228d

# import everything
import ord_schema
from ord_schema import message_helpers, validations
from ord_schema.proto import dataset_pb2
import math
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os
import wget
from rdkit import Chem
from rdkit.Chem import AllChem
from glob import glob
# 提取化合反应库，并处理反应库
# 这个路径需要注意一下
pb_path = './ord-data/data/48/ord_dataset-488402f6ec0d441ca2f7d6fabea7c220.pb'
data = message_helpers.load_message(pb_path, dataset_pb2.Dataset)
data_l = list(data.reactions)
reactions_l = [i.identifiers[0].value for i in data_l]
# 获取一些合成反应,1+1=2,SMART格式,同时去一下重
reactant_l_2 = list(set([i for i in reactions_l if i.split('>')[0].count('.') == 2]))
reaction_smarts_uni_mols = [AllChem.ReactionFromSmarts(i) for i in reactant_l_2]

参考：

[1] Kearnes S M , Maser M R , Wleklinski M , et al. The Open Reaction Database[J]. 2021.

[2] Coley, C. W. et al. A graph-convolutional neural network model for the prediction of chemical reactivity. Chemical Science 10, 370–377 (2019). doi: 10.1039/c8sc04228d

[3] https://github.com/open-reaction-database/ord-schema

[4] https://github.com/open-reaction-database/ord-data

[5] https://www.daylight.com/dayhtml/doc/theory/theory.smarts.html

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2022-04-21，如有侵权请联系 cloudcommunity@tencent.com 删除

https