Практикум 3. Хемоинформатика¶
In [1]:
from IPython.display import Image, display
In [2]:
from rdkit import Chem
from rdkit.Chem import AllChem
from rdkit import RDConfig
from rdkit.Chem.Draw import IPythonConsole
from rdkit.Chem import Draw, Lipinski
import numpy as np
from IPython.display import display,Image
Правило 5 Лепински:
In [4]:
def lipinski_rule(smiles):
don = Lipinski.NumHDonors(smiles) < 5
acc = Lipinski.NumHAcceptors(smiles) < 10
wgt = Lipinski.rdMolDescriptors.CalcExactMolWt(smiles) < 500
des = Lipinski.rdMolDescriptors.CalcCrippenDescriptors(smiles)[0] < 5
return all([don, acc, wgt, des])
Нарисуем ибупрофен:
In [5]:
ibu=Chem.MolFromSmiles('CC(C)CC1=CC=C(C=C1)C(C)C(=O)O')
AllChem.Compute2DCoords(ibu)
display(ibu)
Сделаем производное ибупрофена для клик-химии
In [15]:
nnn_ibu=Chem.MolFromSmiles('CC(C)Cc1ccc(cc1)[C@@](C)(C1=CN=NN1)C(=O)O') # SMILES с википедии =)
AllChem.Compute2DCoords(nnn_ibu)
display(nnn_ibu)
# Хотя от механизма реакции зависит, какое стереопроизводное будет в результате получения.
# Дальше лучше буду рисовать без этой информации.
Перевернем его для удобного использвания дальше
In [20]:
templ = Chem.MolFromSmiles('N1N=NC(=C1)C(C(O)=O)(C)C1=CC=C(C=C1)CC(C)C')
AllChem.Compute2DCoords(templ)
display(templ)
Идем в PubChem https://pubchem.ncbi.nlm.nih.gov/search/search.cgi и ищем поиском Substructure search (33558).
Скачали данные в формате SMILES
In [35]:
import pandas as pd
In [52]:
smiles = pd.read_csv("./4432027415351750751.txt", sep="\t", header=None, names=["id", "SMILES"])
smiles.head(3)
Out[52]:
In [53]:
len(smiles)
Out[53]:
In [54]:
smiles = smiles["SMILES"]
In [56]:
condition = smiles.apply(lambda x: '.' not in x) &\
smiles.apply(lambda x: len(x) < 30)
In [59]:
targets = smiles[condition].reset_index(drop=True)
targets
Out[59]:
In [65]:
azides = [Chem.MolFromSmiles('N=[N+]=[N-]'),
Chem.MolFromSmiles('N=[N+]=[NH]')]
In [66]:
mods = []
for smile in smiles:
if "N=[N+]=[N-]" in smile: # cheers =)
smile = smile.replace("N=[N+]=[N-]", 'N1N=NC(=C1)C(C(O)=O)(C)C1=CC=C(C=C1)CC(C)C')
else:
continue
try:
mol = Chem.MolFromSmiles(smile)
if lipinski_rule(mol):
mods.append(mol)
except:
pass
In [67]:
len(mods)
Out[67]:
Молекул набралось немало! Это отлично.
Отрисуем несколько (64):
In [68]:
Draw.MolsToGridImage(mods[:64], molsPerRow=8, subImgSize=(150, 150))
Out[68]:
In [70]:
mods[5]
Ну и теперь посчитаем сходство пятой молекулы из полученных с исходной молекулой
In [77]:
from rdkit.Chem.Draw import SimilarityMaps
In [90]:
similarity = SimilarityMaps.GetSimilarityMapForFingerprint(ibu, mods[4], SimilarityMaps.GetMorganFingerprint)
In [91]:
similarity[1]
Out[91]:
Вес маловат, сходство небольшое
Попробуем понять, что это значит, сравнив исходники друг с другом
In [92]:
similarity = SimilarityMaps.GetSimilarityMapForFingerprint(ibu, templ, SimilarityMaps.GetMorganFingerprint)
In [93]:
similarity[1]
Out[93]:
In [94]:
similarity = SimilarityMaps.GetSimilarityMapForFingerprint(templ, nnn_ibu, SimilarityMaps.GetMorganFingerprint)
similarity[1]
Out[94]:
Тут вес почему-то даже меньше, чем в предыдущем случае, странно.
Теперь посмотрим в 3D
In [95]:
m3d = Chem.AddHs(mods[4])
Chem.AllChem.EmbedMolecule(m3d)
AllChem.MMFFOptimizeMolecule(m3d, maxIters=500, nonBondedThresh=200)
Out[95]:
In [97]:
display(m3d)
Странно выглядящая 2D-проекция одной из конформаций молекулы.
nglview установить не удалось =(
Сохраню результаты:
In [105]:
import pickle
In [106]:
with open('mod5.pkl', 'wb') as modfile:
pickle.dump(m3d, modfile)
Поменяю ядро и загружусь
In [5]:
import pickle
In [6]:
with open('mod5.pkl', 'rb') as modfile:
m3d = pickle.load(modfile)
In [8]:
import nglview as nv
In [10]:
nv.show_rdkit(m3d)
In [11]:
view = nv.show_rdkit(m3d)
In [12]:
view
In [23]:
view.render_image()
In [24]:
view._display_image()
Out[24]:
Все равно не работает =(((