RDKit|一站式搞定分子读取、输出、可视化

一、简介

让计算机识别分子结构是计算化学码农的必备技能，也是对分子进行后续操作的基础。本文整理和总结了rdkit进行读取、输出和可视化的一些方法，包含对SMILES、SDF、MOL、MOL2、CSV等文件的处理，以及分子的结构展示。

二、读取分子

2.1.读SMILES/SMARTS

2.1.1.直接读字符串

• 从SMILES/SMARTS直接读取
  很简单了，不必多说

>>> from rdkit import Chem
>>> m = Chem.MolFromSmiles('C[C@H](O)c1ccccc1')
>>> m = Chem.MolFromSmarts('Cc1ccccc1')

2.1.2.文件批量读取

文件类似这样（格式化的就行）：

SMILES	Name
C1=CC=CC=CC=C1	0
c1ccccc1	1
c1cocc1	2

• 从.smi批量读取：SmilesMolSupplier(data, delimiter, smilesColumn, nameColumn, titleLine, sanitize)
  data：数据文件
  delimiter：分隔符，默认为’ ’
  smilesColumn：SMILES所在列，默认为0
  nameColumn：SMILES名称所在列，默认为1
  titleLine：是否含有标题行，默认True
  sanitize：是否检查正确性，默认True

>>> suppl = Chem.SmilesMolSupplier('data/batch_smiles.smi', delimiter='\t')
>>> mols = [Chem.MolToSmiles(mol) for mol in suppl]
>>> print(mols)
['C1=CC=CC=CC=C1', 'c1ccccc1', 'c1ccoc1']

2.1.3.文本批量读取

• 从文本批量读取：SmilesMolSupplierFromText()
  参数基本同上

>>> with open('data/batch_smiles.smi', 'r') as f:
>>>     mols_text = f.read()
>>> suppl = Chem.SmilesMolSupplierFromText(mols_text, delimiter='\t')
>>> mols = [Chem.MolToSmiles(mol) for mol in suppl]
>>> print(mols)
['C1=CC=CC=CC=C1', 'c1ccccc1', 'c1ccoc1']

2.1.4.DataFrame批量读取

• 读取DataFrame中的SMILES：AddMoleculeColumnToFrame(frame, smilesCol, molCol, includeFingerprints)
  frame：DataFrame对象
  smilesCol：SMILES所在列
  molCol：新列名，将存放产生的rdkit mol对象
  includeFingerprints：是否生成指纹
• 顺便计算下分子量：Descriptors.MolWt()

>>> import pandas as pd
>>> from rdkit.Chem import Descriptors
>>> from rdkit.Chem import PandasTools
>>> df = pd.read_csv('data/smiles_df.csv')
>>> PandasTools.AddMoleculeColumnToFrame(df,'SMILES','mol',includeFingerprints=True)
>>> df['MW'] = df['mol'].apply(Descriptors.MolWt)
>>> df.head(2)

           Name                 SMILES                         mol         MW  
0    Lanreotide     c1(c2c(cccc2)[nH...   <img data-content="rd...   1096.347  
1  Lansoprazole     Cc1c(OCC(F)(F)F)...   <img data-content="rd...    369.368 

2.2.读.sdf

2.2.1.文件批量读取

• 从.sdf里批量读取：SDMolSupplier(fileName, sanitize, removeHs, strictParsing)
  fileName：文件名
  sanitize：检查化合价，计算芳香性、共轭、杂化、kekule，默认True
  removeHs：是否隐藏氢原子，默认True
  strictParsing：是否使用严格模式进行解析，默认True

>>> suppl = Chem.SDMolSupplier('data/batch.sdf')
>>> mols = [Chem.MolToSmiles(mol) for mol in suppl if mol]
>>> print(mols)
['C1=C\\C=C/C=C\\C=C/1', 'c1ccccc1', 'c1ccoc1']

2.2.2.压缩包批量读取

• 从file object/.gz里读取

>>> import gzip
>>> gz_file = gzip.open('data/batch.sdf.gz', 'r')
>>> suppl = Chem.ForwardSDMolSupplier(gz_file)
>>> mols = [Chem.MolToSmiles(mol) for mol in suppl if mol]
>>> print(mols)
>>> f.close()
['C1=C\\C=C/C=C\\C=C/1', 'c1ccccc1', 'c1ccoc1']

2.3.读.mol

• 从.mol里读取：MolFromMolFile(fileName, sanitize, removeHs, strictParsing)
  参数同上

>>> m = Chem.MolFromMolFile('data/output.mol')
>>> print(Chem.MolToSmiles(mol))
c1cocc1

2.4.读.mol2

• 不推荐，容易出bug：MolFromMol2File(…)
  参数同上

>>> m = Chem.MolFromMol2File('data/output.mol2')
>>> print(Chem.MolToSmiles(mol))
c1cocc1

2.5.读其他格式：pdb, fasta, peptide, …

• 其他格式大同小异，不再赘述了，方法如下，感兴趣可自己尝试

# PDB
>>> Chem.MolFromPDBFile()
>>> Chem.MolFromPDBBlock()
# FASTA
>>> Chem.MolFromFASTA()
# peptide
>>> Chem.MolFromSequence()

三、输出分子

3.1.输出SMILES/SMARTS

3.1.1.输出默认式

• 输出SMILES：MolToSmiles(mol, isomericSmiles, kekuleSmiles, canonical, …)
  kekuleSmiles：默认False，不使用kekule时：脂肪族碳用"C"表示（大写），芳香族用"c"表示（小写）
  isomericSmiles：默认True，区分同分异构体（"@“表示手性，”\“和”/"表示顺反异构）
  canonical：默认True，输出标准SMILES

>>> m1 = Chem.MolFromSmiles('C1=CC=CC=CC=C1')
>>> m2 = Chem.MolFromSmiles('C1=CC=CC=C1')
>>> m3 = Chem.MolFromSmiles('C1=COC=C1')
>>> mols = [m1, m2, m3]
>>> print([Chem.MolToSmiles(mol) for mol in mols])
['C1=CC=CC=CC=C1', 'c1ccccc1', 'c1ccoc1']

3.1.2.输出kekule式

• 输出kekule形式
  kekule形式：在符合4N+2规则的芳香体系中，通过使用双键代替小写的碳原子来表示芳香性
  4N+2规则：也叫Hueckel规则，在闭环共轭体系中，当π电子数为4n+2时，才具有芳香性

>>> for mol in mols:
>>>     Chem.Kekulize(mol)
>>> print([Chem.MolToSmiles(mol, kekuleSmiles=True) for mol in mols])
['C1=CC=CC=CC=C1', 'C1=CC=CC=C1', 'C1=COC=C1']

• 注：m1有共轭结构，但不属于芳香系统。m3中氧提供了2个π电子，碳各提供1个，总数为6，属于芳香系统

3.1.3.设置立体参数

• 不区分同分异构体
  通过isomericSmiles控制

>>> m4 = Chem.MolFromSmiles('C[C@H](O)c1ccccc1')
>>> print(Chem.MolToSmiles(m4))
C[C@H](O)c1ccccc1
>>> print(Chem.MolToSmiles(m4, isomericSmiles=False))
CC(O)c1ccccc1

3.1.4.批量输出SMILES

• 批量输出SMILES：SmilesWriter(fileName, delimiter, includeHeader, nameHeader, isomericSmiles, kekuleSmiles)
  fileName：输出文件名
  delimiter：分隔符，默认为空格’ ’
  includeHeader：是否写入表头，默认True
  nameHeader：分子名一列的列名，默认’Name’
  isomericSmiles：立体信息，默认True
  kekuleSmiles：kekule形式，默认False

>>> writer = Chem.SmilesWriter('data/batch.smi', delimiter='\t')
>>> for i, mol in enumerate(mols):
>>>     writer.write(mol)
>>> writer.close()

• 输出结果：就是2.1.2.表格中的样子

3.1.5.批量输出SMILES和属性

• 批量输出SMILES及属性，通过以下函数进行操作：
  mol.GetPropNames()，查看分子属性列表
  mol.GetProp()，获取相应属性
  mol.SetProp(key, val)，新增属性名key、对应属性值val
  writer.SetProps()，设置哪些属性要输出

• 以输出分子量和LogP为例
  使用Descriptors计算属性，并添加

>>> writer = Chem.SmilesWriter('data/batch_smiles.smi', delimiter='\t', nameHeader='mol_id')
>>> writer.SetProps(['LOGP', 'MW'])
>>> for i, mol in enumerate(mols):
>>>     mw = Descriptors.ExactMolWt(mol)
>>>     logp = Descriptors.MolLogP(mol)
>>>     mol.SetProp('MW', '%.2f' %(mw))
>>>     mol.SetProp('LOGP', '%.2f' %(logp))
>>>     mol.SetProp('_Name', 'No_%s' %(i))
>>>     writer.write(mol)
>>> writer.close()
>>> print('number of mols:', writer.NumMols())
number of mols: 3
>>> print('mol properties:', [i for i in mol.GetPropNames()])
mol properties: ['MW', 'LOGP']

• 输出结果：在2.1.2.表格中，多了“MW”和“LOGP“两列，不在这里展示了，想要代码和源文件的可以看这里。

3.1.6.输出SMARTS

• 输出SMARTS：MolToSmarts()
  这个也不多说了

>>> Chem.MolToSmarts(m3, isomericSmiles=True)
'[#6]1:[#6]:[#8]:[#6]:[#6]:1'

3.2.输出.sdf

3.2.1.批量输出到.sdf

• 批量输出到文件：SDWriter()
  使用方法类似于SMILES的批量输出
  可以像3.1.5.一样自定义属性信息，并记录在.sdf文件中

>>> writer = Chem.SDWriter('data/batch.sdf')
>>> writer.SetProps(['LOGP', 'MW'])
>>> for i, mol in enumerate(mols):
>>>     mw = Descriptors.ExactMolWt(mol)
>>>     logp = Descriptors.MolLogP(mol)
>>>     mol.SetProp('MW', '%.2f' %(mw))
>>>     mol.SetProp('LOGP', '%.2f' %(logp))
>>>     mol.SetProp('_Name', 'No_%s' %(i))
>>>     writer.write(mol)
>>> writer.close()

• 输出结果：比较长，不展示了，需要的可以自取。

3.2.2.批量输出到.gz

• 批量输出到.gz

>>> outf = gzip.open('data/batch.sdf.gz','wt+')
>>> writer = Chem.SDWriter(outf)
>>> for mol in mols:
>>>     writer.write(mol)
>>> writer.close()
>>> outf.close()

3.3.输出.mol

3.3.1输出连接表

• 直接输出：MolToMolBlock()

>>> m1 = Chem.MolFromSmiles('C1CCC1')
>>> print(Chem.MolToMolBlock(m1))

     RDKit          2D

  4  4  0  0  0  0  0  0  0  0999 V2000
    1.0607    0.0000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
...
  4  1  1  0
M  END

3.3.2.输出到.mol

• 输出到文件：MolToMolFile(mol, filename, includeStereo, …)
  mol：mol对象
  filename：文件名
  includeStereo：立体信息，默认True

>>> m1.SetProp('_Name', 'cyclobutane')
>>> Chem.MolToMolFile(m1, 'data/output.mol')

3.4.输出其他格式:pdb, fasta, xyz…

• 其他格式大同小异，不再赘述了，方法如下，感兴趣可自己尝试

# PDB
>>> Chem.MolToPDBBlock()
>>> Chem.MolToPDBFile()
>>> Chem.PDBWriter()
# FASTA
>>> Chem.MolToFASTA()
# XYZ
>>> Chem.MolToXYZBlock()
>>> Chem.MolToXYZFile()

四、分子可视化

该部分只介绍方法，不贴图了，代码源文件可自行查看。

4.1.单个展示

• 从mol对象到图片：MolToImage(mol, size, kekulize, wedgeBonds, fitImage, …)
  mol：mol对象
  size：图片尺寸，默认(300, 300)
  kekulize：是否展示kekule形式，默认True（True：芳香系统用实线表示，False：虚线表示）
  wedgeBonds：是否展示楔形键，即立体构型，默认True

>>> from rdkit.Chem import Draw
>>> mol = Chem.MolFromSmiles('C[C@H](O)c1ccccc1')
>>> Draw.MolToImage(mol, size=(150,150), kekulize=True)

• 在新窗口中展示图片：ShowMol()
  参数基本同上

>>> Draw.ShowMol(mol, size=(150,150), kekulize=False)

• 保存图片MolToFile(mol, filename, size, kekulize, wedgeBonds, …)
  参数基本同上

>>> Draw.MolToFile(mol, 'data/output.png', size=(150, 150))

4.2.批量展示

4.2.1.从DataFrame中展示

• 从df中展示：FrameToGridImage(frame, column, molsPerRow, subImgSize, legendsCol, …)
  frame：DataFrame对象
  column：rdkit mol对象所在列
  molsPerRow,：每行显示的分子数
  subImgSize：图片大小
  legendsCol：标题所在列

>>> df = pd.read_csv('data/smiles_df.csv')
>>> PandasTools.AddMoleculeColumnToFrame(df,'SMILES','mol',includeFingerprints=True)
>>> PandasTools.FrameToGridImage(df, column='mol', molsPerRow=5, subImgSize=(200,200), legendsCol='Name')

4.2.2.从mol列表中展示

• 从列表生成分子结构：MolsToGridImage(mols, maxMols, molsPerRow, subImgSize, legends, …)
  部分参数和上面的一致
  mols：mol对象列表
  maxMols：最多显示的分子数
  molsPerRow,：每行显示的分子数
  subImgSize：图片大小
  legends：图题

>>> mols = df.mol.tolist()
>>> legends = df.Name.tolist()
>>> Draw.MolsToGridImage(mols, maxMols=2, molsPerRow=2, subImgSize=(300,300), legends=legends)  

4.3. 3D展示

• 转换3D时，为了得到靠谱的三维构象，一般先加氢：AddHs(mol)
• 通过距离几何算法计算3D坐标：EmbedMolecule(mol, randomSeed, …)
  mol：mol对象
  randomSeed：随机种子
• 转换完后再进行一步力场优化，比如MMFF94：MMFFOptimizeMolecule(mol)

>>> m3d = Chem.MolFromSmiles('CNC(=O)N(N(CCCl)S(C)(=O)=O)S(C)(=O)=O')
>>> m3d = Chem.AddHs(m3d)
>>> AllChem.EmbedMolecule(m3d, randomSeed=3)
>>> AllChem.MMFFOptimizeMolecule(m3d)
>>> Draw.MolToImage(m3d, size=(250,250))

本文参考自rdkit官方文档。
代码及源文件在这里。