from rdkit import Chem
from rdkit.Chem import AllChem
from rdkit import RDConfig
from rdkit.Chem.Draw import IPythonConsole 
from rdkit.Chem import Draw
import numpy as np
from IPython.display import display,Image

RDKit WARNING: [16:59:29] Enabling RDKit 2019.09.3 jupyter extensions

Нарисуем ибупрофен и проверим на правила Лепински:

import rdkit.Chem.Lipinski as Lipinksy

ibu=Chem.MolFromSmiles('CC(C)CC1=CC=C(C=C1)C(C)C(=O)O')
AllChem.Compute2DCoords(ibu)
display(ibu)

print(Lipinksy.NumHDonors(ibu))
print(Lipinksy.NumHAcceptors(ibu))
print(Lipinksy.rdMolDescriptors.CalcExactMolWt(ibu))
print(Lipinksy.rdMolDescriptors.CalcCrippenDescriptors(ibu)[0])

1
1
206.130679816
3.073200000000001

Изменим SMILES ибупрофена для проведения клик-реакции (то есть добавим тройную связь)

libu=Chem.MolFromSmiles('C#CC(C)CC1=CC=C(C=C1)C(C)C(=O)O')
AllChem.Compute2DCoords(libu)
display(libu)

После реакции он будет таким:

ibu=Chem.MolFromSmiles('N1C=C(N=N1)C(C)CC1=CC=C(C=C1)C(C)C(=O)O')
AllChem.Compute2DCoords(ibu)
display(ibu)

Теперь скачаем из pubchem соединения, содержащие азидную группу (то есть способные вступить в клик-реакцию с модифицированным ибупрофеном). Для этого мы используем модуль pubchempy.

import pubchempy as pcp

structures = []
per_page = 10**5
for smiles in ["N=N=N", "NN#N", "N#NN"]:
    for i in range(200):
        try:
            a = pcp.get_properties(
              properties="CanonicalSMILES", 
              identifier=smiles, namespace="smiles", 
              searchtype="substructure",
              RingsNotEmbedded=True,
              listkey_count=per_page, listkey_start=i*per_page
            )
        except:
            break
        print("Retrieved page {} of {} search".format(i+1, smiles))
        structures.extend(a)

Retrieved page 1 of N=N=N search
Retrieved page 2 of N=N=N search
Retrieved page 3 of N=N=N search
Retrieved page 4 of N=N=N search
Retrieved page 5 of N=N=N search
Retrieved page 6 of N=N=N search
Retrieved page 7 of N=N=N search
Retrieved page 8 of N=N=N search
Retrieved page 9 of N=N=N search
Retrieved page 10 of N=N=N search
Retrieved page 11 of N=N=N search
Retrieved page 12 of N=N=N search
Retrieved page 13 of N=N=N search
Retrieved page 14 of N=N=N search
Retrieved page 15 of N=N=N search
Retrieved page 16 of N=N=N search
Retrieved page 17 of N=N=N search
Retrieved page 1 of NN#N search
Retrieved page 1 of N#NN search

compounds = {str(i['CID']).strip():i['CanonicalSMILES'].strip() for i in structures}
smiles = list(compounds.values())

Найдем такие структуры, которые после присоединения к ним ибупрофена удовлетворяют 5 правилам Лепински.

res = []
for smi in smiles:
    if len(res) > 25:
        break
    if '=N[N+]#N' in smi:
        newsmi=smi.replace('=N[N+]#N','N1C=C(N=N1)C(C)CC1=CC=C(C=C1)C(C)C(=O)O')
    else:
        continue
    try:
        newmol=Chem.MolFromSmiles(newsmi)
        if (Lipinksy.NumHDonors(newmol)<=5) and (Lipinksy.NumHAcceptors(newmol)<=10) and (Lipinksy.rdMolDescriptors.CalcExactMolWt(newmol) < 500) and (Lipinksy.rdMolDescriptors.CalcCrippenDescriptors(newmol)[0] <= 5):
            AllChem.Compute2DCoords(newmol)
            res.append(newmol)
            display(newmol)
    except:
        pass

from IPython.display import display

to_print = [res[0], res[5], res[8], res[13], res[17], res[20], res[22], res[23], res[25]]
display(Draw.MolsToGridImage(to_print, useSVG=True, molsPerRow=3, subImgSize=(300, 200)))

Построим Similiraty Map ибупрофена с одним из соединений.

from rdkit.Chem.Draw import SimilarityMaps

fp = SimilarityMaps.GetMorganFingerprint(res[3], fpType='bv')

fig, maxweight = SimilarityMaps.GetSimilarityMapForFingerprint(ibu, res[3], SimilarityMaps.GetMorganFingerprint)

Добавился крупный довесок, способный образовывать H-связи.

import nglview as nv

m3d=Chem.AddHs(res[3])
Chem.AllChem.EmbedMolecule(m3d)
AllChem.MMFFOptimizeMolecule(m3d,maxIters=500,nonBondedThresh=200 )
display(m3d)

view = nv.show_rdkit(m3d)
view