开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

RDKIT:合并/添加粒子

RDKIT是一个开源的化学信息学工具包，用于分子建模和药物发现领域。它提供了丰富的功能和算法，可以用于合并或添加粒子。

合并粒子是指将两个或多个分子合并成一个更大的分子。这在药物发现和化学研究中非常常见，可以用于生成新的化合物或研究分子间的相互作用。RDKIT提供了合并分子的函数和方法，可以将分子的原子、键和属性进行合并，生成一个新的分子。

添加粒子是指向一个分子中添加一个或多个新的原子或基团。这在药物设计和分子修饰中非常有用，可以通过添加特定的基团来改变分子的性质和活性。RDKIT提供了添加原子和基团的函数和方法，可以根据需要在分子中添加新的化学实体。

RDKIT在药物发现、化学信息学和计算化学等领域有广泛的应用。它可以用于分子描述符计算、化学反应预测、药物筛选、分子对接和虚拟筛选等任务。RDKIT还提供了Python接口，方便开发人员使用和集成到自己的项目中。

对于合并/添加粒子的具体操作和代码示例，可以参考RDKIT官方文档和示例代码。以下是腾讯云相关产品和产品介绍链接地址：

腾讯云人工智能平台：https://cloud.tencent.com/product/ai
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器：https://cloud.tencent.com/product/cvm
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/baas
腾讯云物联网平台：https://cloud.tencent.com/product/iot
腾讯云移动开发平台：https://cloud.tencent.com/product/mpe
腾讯云音视频处理：https://cloud.tencent.com/product/vod
腾讯云网络安全服务：https://cloud.tencent.com/product/ddos

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Chemical Science | SDEGen：基于随机微分方程的构象生成模型

本文介绍一篇来自浙江大学侯廷军教授、康玉副教授和碳硅智慧联合发表在Chemical Science的论文《SDEGen: Learning to Evolve Molecular Conformations from Thermodynamic Noise for Conformation Generation》。该论文提出了一种将分子力学当中的随机动力学系统和深度学习当中的概率模型相结合的小分子三维构象生成模型：SDEGen。作者采用随机微分方程（Stochastic Differential Equation, SDE）模拟分子构象从热噪声分布到热平衡分布的过程，联合概率深度学习的最新DDIM（Denoising Diffusion Implicit Models）模型，不仅提高了模型生成构象的效率，并且在多项评测任务（包括构象生成质量、原子间距离分布和构象簇的热力学性质）上实现了精度的提升。如在构象生成质量上，其多样性指标优于传统方法22%，准确性指标优于传统方法40%；在热力学性质预测方面，将传统方法的精度提升了一个数量级，与量化计算的结果误差缩小至～2kJ/mol。除此之外，这篇文章还引入了晶体构象的比对实验和势能面分布实验，为构象生成任务的评测提供了更多维及更物理的视角。大量的实验表明，SDEGen不仅可以搜索到小分子晶体构象所在的势能面的势阱当中，还可以搜索到完整势能面上多个局域优势构象。同时，SDEGen模型计算效率极高，在分子对接、药效团识别、定量构效关系等药物设计任务中具有广泛的应用前景。

03

Elsevier的Greg Landrum访谈 | 成功的开源化学信息软(RDKit)的要素是什么？

RDKit是化学信息学和机器学习软件的集合，正在协助解决化学信息的难题。RDKit的创始人和创建者Greg Landrum在Elsevier的推动下接受了UDM（统一数据模型）团队的采访，分享了他的经验，即成功之路是怎样的，一个开源项目要想成功需要具备哪些要素。采访中所学到的知识将有助于塑造统一数据模型项目的未来，该项目正在从财团主导的Pistoia联盟模式向社区主导的模式转变。

05

Python每日一谈｜No.33.实例.13. 药物分子可合成性分析-SA

反正，你要做药物，或者不管做什么，都需要顾及到各种各样的条件，我们总是在所处的条件环境下进行选择或者进行实验。

01

基于随机森林的化合物活性二分类模型

基于随机森林算法的化合物二分类机器学习模型 ---- 代码示例 #导入依赖包 import pandas as pd import numpy as np from rdkit import Chem, DataStructs from rdkit.Chem import AllChem from rdkit.ML.Descriptors import MoleculeDescriptors from rdkit.Chem import Descriptors from rdkit.Chem.EState

05

DGL & RDKit | 基于GCN的多任务分类模型

纽约大学、纽约大学上海分校、AWS上海研究院以及AWS MXNet Science Team共同开源了一个面向图神经网络及图机器学习的全新框架，命名为Deep Graph Library（DGL）。

06

RDKit | 化学信息学与AI(专辑)

介绍RDKit相关知识点和运用以及RDKit作为处理化学、生物、药学和材料学科中分子数据作为可输入机器学习和深度学习模型的重要工具应用。内容涵盖了基于RDKit的Python3的分子的读写、化合物的分子指纹和分子描述符计算、化合物的2D/2D比对、化合物相似性搜索、化合物骨架分析和亚结构搜索、RMSD计算与构象生成优化、分子相似图与聚类分析、化学反应处理、可视化与化学空间探索及RDkit相关的机器学习、深度学习应用过程详解

06

RDKit | 化合物库的相似性分析

实例中使用SMILES文件，该分析可以以相同的方式从分子的SDF或其他格式文件中加载数据，只需确保使用适当的方法将分子加载到RDKit中。

03

RDKit相关文章汇总

RDKit在2000-2006年期间在Rational Discovery开发和使用，用于构建吸收、分布、代谢、代谢、毒性和生物活性的预测模型。2006年6月Rational Discovery被关闭，但该工具包在BSD许可证下作为开源发布。目前，RDKit的开源开发由诺华积极贡献，其中包括诺华捐赠的源代码。

04

Rdkit学习-No.1-安装与使用

RDkit的安装与使用简介 RDkit著名的开源化学信息学工具之一，基于BSD协议，核心数据结构与算法由C++编写。支持Python2与Python3，支持KNIME，支持机器学习方面的分子描述符的产生。安装 1:Conda模式官方建议使用Conda进行安装与管理，Conda可以使用清华的源进行下载，安装完成后，再次更换其安装源，同样更换为清华的源。换源的教程参考安装命令： conda install rdkit 2：Pycharm模式 Pycharm并不能直接安装RDkit，当使用上一步Conda

02

Rdkit根据分子性质（描述符）筛选小分子

（1）如何使用Conda安装RDKit 使用安装的RDKit创建新的conda环境需要一个类似于以下命令 $ conda create -c rdkit -n my-rdkit-env rdkit 最后，必须激活新环境，以便相应的python解释器在同一shell中可用 $ conda activate my-rdkit-env windows代码略有不同 C:\> activate my-rdkit-env

02

RDKit：运用RDKit计算USRCAT（形状相似性）

USRCAT是基于形状的方法，它的工作速度非常快。代码是免费提供的，如果要使用代码，用户需要安装它。

02

Rdkit实现分子指纹

Morgan Fingerprints (CircularFingerprints)

01

GEODIFF：用于分子构象生成的几何扩散模型

本文介绍一篇ICLR 2022在审论文《GEODIFF：A GEOMETRIC DIFFUSION MODEL FOR MOLECULAR CONFORMATION GENERATION》。根据分子图来预测分子构象是化学信息学和药物发现中的一项基础工作。随着深度生成模型的兴起，这一工作取得重大进展。在这篇论文中，作者提出了新的生成模型GEODIFF。受热力学粒子扩散模型的启发，GEODIFF将每个原子当作一个粒子，GEODIFF所需要学习的部分——分子构象生成即扩散模型的逆过程。对比最先进的一些生成模型，GEODIFF在多个基准上展示出其竞争力，对于大分子尤其明显。

02

聚类小分子数据集(基于RDKit的Python脚本)

聚类是一种有价值的化学信息学技术，用于将大型化合物数据集合细分为单个小组相似化合物。其中一个优点是处理非常大的小分子数据集时特别有用。通常用于分析高通量筛选结果、虚拟筛选或对接研究的分析。

07

RDKit：可视化药效团（Pharmacophore）

成药靶点中必定存在着能与药物结合的特异性结合位点。对某个靶点发挥活性的化合物在结构特征上必定有相似之处。这些化合物的最普遍的共有特性被定义为药效团（pharmacophore）

05

RDKit | 基于RDKit和k-均值对化合物进行非分层聚类

具有高相似性的分子组合可以改写为在化合物空间（化学空间）中具有短距离。在这种情况下，“相似性”和“距离”可互换使用。通过选择相距较远的化合物，可以构建各种化合物库。

08

RDKit | 基于主成分分析可视化(DrugBank)类药性的化学空间

DrugBank数据库是唯一将详细的药品数据（即化学，药理学和制药）与综合药物靶点信息（即序列，结构和作用通路）相结合的“生物信息学和化学信息学”资源.DrugBank由加拿大卫生研究院，亚伯达省创新 - 健康解决方案和代谢组学创新中心（TMIC）提供支持，该中心是国家资助的研究以及支持广泛的尖端技术代谢组学研究的核心.DrugBank数据库查询包含以下信息：药品类型，药品简介，化学结构，药品成分，临床试验，药物靶点，酶，转运体，载体，药品图片，批准情况，批准的处方药，国外上市商品名，药物相互作用，制造商，包装商等。

05

Rdkit学习-No.5-使用SMARTS根据已有的化学反应生成新分子

from rdkit.Chem.AllChem import ReactionFromSmarts

02

超量化合物库筛选策略–P4

注：对于SMARTS不是很熟悉，所以，我在怀疑某些SMARTS写错了，从其余地方进行查找，更新了反应物的SMARTS，放在这里。

01

LayaAir 3D插件使用者必读，重大升级与调整要来了

LayaAir引擎计划于下周一（11月2日）推出2.8.0正式版和2.9.0beta版。2.8.0在两个月的时间内经历4个beta之后终于迎来了正式版，正式版修复了开发者反馈的若干BUG，这将是比较稳定的一个版本，建议开发者升级。

01

基于RDKit探索DrugBank（demo）

https://russodanielp.github.io/exploring-drugbank-using-rdkit.html

03

RDKit | 基于集成学习(Ensemble learning)预测溶解度

集成学习(Ensemble learning)是这样一个过程，按照某种算法生成多个模型，如分类器或者称为专家，再将这些模型按照某种方法组合在一起来解决某个智能计算问题。集成学习主要用来提高模型（分类，预测，函数估计等）的性能，或者用来降低模型选择不当的可能性。集成算法本身是一种监督学习算法，因为它可以被训练然后进行预测，组合的多个模型作为整体代表一个假设（hypothesis）。

06

LayaAir 2.9.0的3D渲染效果大幅提升（支持CommandBuffer、反射探针等众多3D功能）、插件功能大幅升级

一是LayaAir 2.8.0的正式版，这是一个历经两个月，中间发布了4个beta版升级而来的正式版，所以相对比较稳定，而且该版本开始，也支持了淘宝创意互动小程序，建议大家升级到该版本。

04

RDKit | 化合物活性数据的不平衡学习

顾名思义即我们的数据集样本类别极不均衡，以二分类问题为例，数据集中的多数类为Smax，少数类为Smin，通常情况下把多数类样本的比例为100:1、1000:1，甚至是10000:1这种情况下为不平衡数据。

04

深度高能粒子对撞追踪：Kaggle TrackML粒子追踪挑战赛亚军访谈

AI 科技评论按： Kaggle TravML 粒子追踪挑战赛的颁奖仪式即将在 NIPS 2018 大会上进行。这个比赛不仅是机器学习助力其它领域科学研究的经典案例，而且来自中国台湾的 Pei-Lien Chou 也获得了挑战赛的第二名。

02

创建独立的Python化学信息学环境

OpenBabel和RDKit作为常用的化学信息学工具很受青睐，为了防止和其他项目的冲突，将他们单独创建在同一个Python环境。

02

rdkit.Chem

- GetHashedAtomPairFingerprint（与GetAtomPairFingerprint相同）

01

RDKit | 基于Murcko骨架聚类化合物库

一种方法是使用合适的指纹技术将化合物矢量化并评估他们之间的距离。这种方法经常被使用，但是对于人类很难直观地理解化合物之间的距离。

05

基于Pytorch和RDKit建立QSAR模型

python qsar_pytorch.py solubility.train.sdf solubility.test.sdf

03

RDKit | 定量评估类药性(QED)

QED（quantitative estimate of drug-likeness）是一种将药物相似性量化为介于0和1之间的数值的方法。

05

DGL | 基于JTNN可视化给定分子的邻居分子

JTNN ：Junction Tree Variational Autoencoder for Molecular Graph Generation

05

RDKit支持PostgreSQL配置

psql -c 'create extension rdkit' drugbank

01

rdkit.Chem.QED

QED代表类药分子的定量估计，这一概念由Richard Bickerton及其同事首次提出的。QED测量的经验基本原理反映了分子性质的基本分布，包括分子量，logP，拓扑极性表面积，氢键供体和受体的数量，芳环和可旋转键的数量，以及有害化学官能团分布。

02

RDKit | 定量评估类药性(QED)

QED（quantitative estimate of drug-likeness）是一种将药物相似性量化为介于0和1之间的数值的方法。

01

基于机器学习的化合物活性预测模型

利用化合物的结构与活性数据，基于RDKit和Python3的机器学习活性预测模型小示例。

03

RDkit＆mol2vec ：靶标抑制剂活性二分类模型对比

RDKit提供各种功能，如不同的化学I/O格式，包括SMILES/SMARTS，结构数据格式（SDF），Thor数据树（TDT），Sybyl线符号（SLN），Corina mol2和蛋白质数据库（PDB）。子结构搜索; 标准SMILES; 手性支持；化学转化；化学反应；分子序列化；相似性/多样性选择；二维药效团；分层子图/片段分析; Bemis和Murcko骨架；逆合成组合分析程序（RECAP）; 多分子最大共同亚结构；功能图；基于形状的相似性；基于RMSD的分子分子比对；基于形状的对齐；使用Open3-DALIGN算法的无监督分子-分子比对；与PyMOL进行3D可视化集成；功能组过滤；分子描述符库；相似图；机器学习等。

05

基于RDKit的Python脚本：SDF格式转SMILES格式

简化分子线性输入规范（SMILES）是一种用ASCII字符串明确描述分子结构的规范，由David Weininger和Arthur Weininger于20世纪80年代晚期开发，并由其他人，尤其是日光化学信息系统有限公司修改和扩展。

03

庆祝法国队夺冠：用Python放一场烟花秀

天天敲代码的朋友，有没有想过代码也可以变得很酷炫又浪漫？今天就教大家用Python模拟出绽放的烟花庆祝昨晚法国队夺冠，工作之余也可以随时让程序为自己放一场烟花秀。这个有趣的小项目并不复杂，只需一点可视化技巧，100余行Python代码和程序库Tkinter，最后我们就能达到下面这个效果：

01

RDKit：计算不同小分子构象之间的RMSD

python isoRMSD.py mol1.pdb mol2.pdb rmsd.txt

02

从0开始实现一个合成大西瓜

作者：橙红年代 (https://juejin.cn/post/6923803717808422925)

01

哈尔滨工业大学提出MolTailor模型，通过文本提示定制化学分子表示

深度学习现在广泛应用于药物发现（AIDD），能够显著加速药物发现的进程并降低成本。作为AIDD最基本的环节，分子表示对于预测分子性质以实现各种下游应用至关重要。大多数现有的方法都试图结合更多的信息来学习更好的表示。然而，并非所有特性对于特定任务都同等重要。忽略这一点可能会降低训练效率和预测准确性。

01

Unity通用渲染管线（URP）系列（十五）——粒子（Color and Depth Textures）

这是有关创建自定义脚本渲染管线的系列教程的第15部分。我们将基于颜色和深度纹理来创建基于深度的淡入和扭曲粒子。

02

RDKit：基于支持向量回归（SVR）预测logP

RDKit一个用于化学信息学的python库。使用支持向量回归（SVR）来预测logP。分子的输入结构特征是摩根指纹，输出是logP。

02

基于图卷积神经网络的分子距离矩阵预测

2022年2月3日，西南交通大学计算机与人工智能学院的林小惠/江永全*/杨燕等人在Journal of Molecular Structure杂志发表文章，提出了一种基于图卷积网络预测原子间两两距离的模型，以解决传统计算方法在确定分子结构时实验成本高、计算成本高的问题。

03

Unity动画系统需要了解的东西，包括：编辑器、事件、资源管理等

导入类动画是通过Unity提供的动画导入器将3D模型导入到Unity项目中的过程。导入过程包括以下步骤：

05

基于RDKit的溶解度预测的机器学习模型

基于RDKit和Python3的化合物溶解度的机器学习模型小案例。代码示例(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 import Descriptors from rdkit.Chem.EState import Fingerpri

02

基于随机森林（RF）的机器学习模型预测hERG阻断剂活性

从分子相似性评估到使用机器学习技术的定量构效关系分析各种建模方法已应用于不同大小和组成的数据集（阻断剂和非阻滞剂的数量）。本研究中使用从公共生物活性数据开发用于预测hERG阻断剂的稳健分类器。随机森林被用来开发使用不同分子描述符，活性阈值和训练集合成的预测模型。与先前提取数据集的研究报告相比，该模型在外部验证中表现出优异的性能。

03

Rdkit学习-No.2-获得一个分子中的原子，成键信息

好久不更，博主日忙，大概下次更就好过年了吧，给大家拜个早年，88。 import rdkit from rdkit import Chem #导入一个分子 smi = 'c1ccccc1' #rdkit读取 mol = Chem.MolFromSmiles(smi) #获取分子中的原子数目 atom_num = mol.GetNumAtoms() #获取分子中的键数目 bond_num = mol.GetNumBonds() nei_atom = [] nei_bond = [] #获取分子中的原子的相邻原

03

Rdkit学习-No.4-化合物库的设计-基于BRICS

BRICS provides another method for fragmenting molecules along synthetically accessible bonds

00

超量化合物库筛选策略–P3

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

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭