| Name | pybiotech JSON |
| Version |
0.2.3
JSON |
| download |
| home_page | None |
| Summary | A collection of reusable python biotech library from AI Lingues. |
| upload_time | 2025-08-12 14:20:27 |
| maintainer | None |
| docs_url | None |
| author | None |
| requires_python | >=3.11 |
| license | MIT |
| keywords |
ailingues
components
biotech
library
|
| VCS |
|
| bugtrack_url |
|
| requirements |
No requirements were recorded.
|
| Travis-CI |
No Travis.
|
| coveralls test coverage |
No coveralls.
|
<!--
* @Author: Zeng Shengbo shengbo.zeng@ailingues.com
* @Date: 2025-06-19 15:05:41
* @LastEditors: Zeng Shengbo shengbo.zeng@ailingues.com
* @LastEditTime: 2025-08-12 22:00:43
* @FilePath: //pybiotech//README.md
* @Description:
*
* Copyright (c) 2025 by AI Lingues, All Rights Reserved.
-->
# AI Lingues Biotech Python Library
本组件库用于生物科学和医疗方面的数据处理、分析等。
- 支持NIH公开数据库数据查询访问
- 支持SDF格式文件高速读取
- 支持分子化合物构象力场优化及特征计算
## core 模块
### molecule 模块
#### calculator 模块
- MolCaculator
分子计算器类
计算分子化合物相关的参数、特征等
| 函数 | 描述 |
| ----------------------------------| ----------------------------------------------------------------- |
| approximate_oe_hydrophobe | 计算"疏水簇" |
| calc_surface_area | 计算分子化合物的表面积 |
| calc_hydrophobic_surface_area | 计算分子疏水表面积 |
| calc_diameter | 计算单个分子的最大直径 |
| calc_sssr | 计算分子的环信息(SSSR 与 RingInfo 快照） |
| calc_logp | 计算分子化合物的脂溶性(LogP) |
| calc_morgan_fringerprint | 计算分子化合物的Morgan指纹 |
| calc_maccs_fingerprint | 计算分子化合物的MACCS指纹 |
| calc_crippen_contribs | 计算分子的Crippen规范化贡献,包括每个原子的 logP 贡献和摩尔折射率贡献 |
| calc_pharmacophore_features | 计算药效团特征 |
| calc_intra_pharmacophore_distance | 计算每种药效团类型内部所有原子的欧几里得距离矩阵 |
| calc_inter_pharmacophore_distance | 计算两个不同药效团类型之间的欧几里得距离矩阵 |
| get_ring_atoms | 提取所有环中原子的索引 (1-based) |
| get_hydrophobic_clusters | 识别疏水原子并根据 3D 距离聚合成多个“簇”，以对应 SDF 中多行 hydrophobe |
| get_anions_cations | 获取阴离子原子列表、阳离子原子列表 (1-based) |
| get_hbond_acceptors | 识别氢键受体原子 (0-based 索引) |
| get_hbond_donors | 识别氢键供体原子 (0-based 索引) |
- approximate_oe_hydrophobe 计算"疏水簇"。
在纯 RDKit 环境下近似地模仿 OEShape 的疏水原子聚合逻辑, 返回多个"疏水簇"。
每个簇可视为一行 hydrophobe, 类似:
3 38 41 42 hydrophobe
4 17 19 20 21 hydrophobe
等等.
参数说明:
----------
mol : RDKit Mol 对象
如果已带有合理的 3D conformer，可不再 embed。如果没3D,且embed_if_needed=True则会自动Embed+Optimize。
distance_threshold : float
两个候选原子若距离 < 此阈值则视为同一疏水簇. OEShape常用 ~1.0 or 1.5Å.
exclude_aromatic : bool
是否排除所有芳香碳(例如苯环C). OEShape 里通常某些芳香C也可能算疏水, 这里可选。
partial_charge_cutoff : float or None
若不为 None, 则使用 Gasteiger 部分电荷, 排除绝对值>=该阈值的碳, 以排除极性碳.
例如 0.2 -> |q|≥0.2 的碳视为不疏水.
min_cluster_size : int
最小簇大小, 若某个簇只有 < min_cluster_size 个原子, 则可视为噪声/舍弃 (或可保留).
extended_filter : bool
若 True, 用 "不含 O,N,S,P,卤素" 规则剔除碳; 否则只要邻居里无 O,N 即保留。
embed_if_needed : bool
若 mol 无 3D 构象, 是否调用 ETKDG embed.
max_attempts : int
embed 出错时的尝试次数.
返回:
-------
hydrophobe_lines : list of tuples [(atom_count, [a1,a2,...]), ...]
其中 a1,a2,... 是1-based原子索引, 已排序, 代表同一个疏水簇.
可以把它转成 SDF-like字符串:
f"{atom_count} {' '.join(map(str, atom_ids))} hydrophobe"
也可以直接当数据结构用.
注意:
-----
1. 不保证与 OEShape 结果完全一致, 只是"力场 + 距离聚类 + 不同过滤"的思路.
2. 若 embed 失败/坐标不合理, 或分子过大, 可能结果仍不理想.
3. 可多次调参 distance_threshold, partial_charge_cutoff 等, 观察对结果的影响.
- calc_surface_area 计算分子化合物的表面积。
在调用之前,必须做如下处理：
1. 添加显式氢原子
mol.UpdatePropertyCache(strict=False)
mol_with_H = Chem.AddHs(mol)
2. 生成 3D 坐标
AllChem.EmbedMolecule(mol_with_H)
AllChem.MMFFOptimizeMolecule(mol_with_H)
Args:
mol (Chem.Mol): 分子化合物对象
Raises:
Exception: _description_
Returns:
float: 分子总表面积
- calc_hydrophobic_surface_area 计算分子疏水表面积。
在调用之前,必须做如下处理：
1. 添加显式氢原子
mol.UpdatePropertyCache(strict=False)
mol_with_H = Chem.AddHs(mol)
2. 生成 3D 坐标
AllChem.EmbedMolecule(mol_with_H)
AllChem.MMFFOptimizeMolecule(mol_with_H)
Args:
mol (Chem.Mol): 分子化合物对象
is_high_precise (bool): 是否更精确,缺省为False
Raises:
e: _description_
Returns:
float: 分子疏水表面积
- calc_diameter 计算单个分子的最大直径。
Args:
mol (Chem.Mol): RDKit分子对象,假设已经有3D坐标。
Returns:
float: 分子的最大直径（Angstrom）。
- calc_sssr 计算分子的环信息（SSSR 与 RingInfo 快照）。
功能
- 调用 GetSymmSSSR(mol) 触发并获取“对称 SSSR”环集（以原子索引表示）。
- 读取 RingInfo（mol.GetRingInfo()），给出每个原子/键的“环计数”等信息，以及按原子/按键的环列表。
- 返回结构化结果，便于后续分析与统计（不再 print）。
参数
mol : rdkit.Chem.rdchem.Mol
RDKit 分子对象。函数内部不会修改该对象（仅读取）。
返回
Dict[str, Any]
{
"num_rings": int, # SSSR 环的数量
"atom_rings": List[List[int]], # SSSR：每个环对应的原子索引列表
"by_size": Dict[int, List[List[int]]],# 按环尺寸分组的 SSSR
"ri_atom_rings": List[List[int]], # RingInfo.AtomRings()（不一定等同于 SSSR）
"ri_bond_rings": List[List[int]], # RingInfo.BondRings()
"atom_ring_count": List[int], # 每个原子属于多少个环
"bond_ring_count": List[int], # 每根键属于多少个环
"atom_in_ring": List[bool], # 原子是否在任何环中（派生自计数>0）
"bond_in_ring": List[bool], # 键是否在任何环中（派生自计数>0）
"algorithm": str, # 'SymmSSSR'
}
说明
- GetSymmSSSR() 会确保环感知已进行，并把信息缓存到 RingInfo。
- 返回中的 `atom_rings` 是 SSSR（对称最小环集）；`ri_atom_rings/ri_bond_rings` 来自 RingInfo，可能包含与 SSSR 不完全一致的环枚举（实现层面差异）。
- 原子/键的“是否在环中”通过计数 > 0 派生，效率高且直观。
- calc_logp 计算分子化合物的脂溶性(LogP)。
Args:
mol (Chem.Mol): 分子化合物Mol实例对象,支持Chem.Mol子类实例
Returns:
float: 脂溶性(LogP)值
- calc_morgan_fringerprint 计算分子化合物的Morgan指纹。
说明:
Morgan指纹是RDKit中一种常用的分子指纹类型,可以用于描述分子的结构和相似性。
它基于分子的拓扑结构和半径参数生成,具有以下特点：
1.生成的指纹是一个固定长度的二进制向量,每个位表示一个子结构的存在或缺失。
2.指纹的长度和半径参数可以根据需要进行调整,以平衡指纹的信息量和计算效率。
3.可以使用不同的哈希函数来生成指纹,以增加指纹的多样性和鲁棒性。
GetMorganGenerator签名: 参考doc/specifications/interface/GetMorganGenerator.md
注意事项：
关于countSimulation参数
1.Morgan 指纹默认行为:
默认情况下（countSimulation=False）：Morgan 指纹是一个位向量,值为 0 或 1,表示某个化学环境是否存在。
启用计数模拟（countSimulation=True）：Morgan 指纹包含整数值,表示某个化学环境出现的次数。
2.在分类问题中：
2.1如果化学环境的 存在与否 是关键,则 0 和 1 的位向量形式通常足够。
适用场景：
a.化学环境的存在与否足够描述目标性质。
b.任务是分类问题（例如,是否具有毒性、是否活跃）。
c.数据稀疏,或子结构的出现次数分布较均匀。
如果化学环境的 出现频率 是分类的潜在决定因素,则保留计数信息可能更有帮助。
适用场景：
a.化学环境的出现频率对分类任务有重要影响。
b.任务需要描述分子中功能性团的强度（如高毒性分子）。
c.需要捕捉数量信息的额外价值。
d.其他解决预测问题或者分析场景
引用[fingerprint](https://github.com/daiyizheng/DL/blob/master/07-rdkit/08-rdkit%E5%8C%96%E5%AD%A6%E6%8C%87%E7%BA%B9.ipynb)
Args:
mol (Chem.Mol): 分子化合物Mol实例对象,支持Chem.Mol子类实例
countSimulation (bool): 是否开启计数,缺省为False(此参数详细参考注意事项部分)
bitSize (int): 位向量长度,缺省2048
Returns:
np.array: Morgan指纹数据数组
- calc_maccs_fingerprint 计算分子化合物的MACCS指纹。
方法:
使用rdkit.Chem.MACCSkeys.GenMACCSKeys 函数来计算分子
说明：
MACCS (Molecular ACCess System) 分子指纹是一种用于表示分子结构信息的二进制指纹。
MACCS分子指纹是基于分子中是否含有特定的亚结构来定义的,共包含166个不同的分子特征。
每个特征都对应于一个特定的化学子结构,例如,一个羟基、一个苯环或一个氮原子等。
如果分子中存在这个特征,则该特征对应的二进制位上的值为1,否则为0。
MACCS分子指纹的长度为166位,它可以用于分子相似性比较、分子分类、分子聚类、分子筛选等许多领域中的化学信息学研究。
注意事项：
无
引用 [fingerprint](https://github.com/daiyizheng/DL/blob/master/07-rdkit/08-rdkit%E5%8C%96%E5%AD%A6%E6%8C%87%E7%BA%B9.ipynb)
Args:
mol (Chem.Mol): 分子化合物Mol实例对象,支持Chem.Mol子类实例
Returns:
np.array: MACCS指纹数据数组
- calc_crippen_contribs 计算分子的Crippen规范化贡献,包括每个原子的 logP 贡献和摩尔折射率贡献。
方法：
说明：
基于分子的原子电荷和分子的几何形状计算的,可以用于描述分子的溶解度、生物利用度和其他性质。
这个函数通常与RDKit分子对象一起使用。
注意事项：
1. 传入的Chem.Mol对象应先调用UpdatePropertyCache方法处理
2. Crippen规范化贡献虽然是按整个分子化合物计算,但计算结果应按索引位置将贡献值分配到对应原子作为原子特征的一部分
Args:
mol (Chem.Mol): 分子化合物Mol实例对象,支持Chem.Mol子类实例
Returns:
tuple: 包括每个原子的 logP 贡献和摩尔折射率贡献
元组,其中包含两个长度为分子中原子数的列表。
第一个列表包含每个原子的Crippen贡献的平均值,
第二个列表包含每个原子的Crippen贡献的标准差。
- calc_pharmacophore_features 计算药效团特征。
1. 检测是否含 3D conformer, 若无则做简单的Embed + Optimize(可选).
2. 计算氢键受体/供体, 阴阳离子, 环原子, 疏水原子等.
3. 返回 (features, features_count, atom_list).
其中:
- features = {"rings":0/1,...}
- features_count = {"rings":N,...}
- atom_list = {"rings":[...],...} (1-based or list of lists)
- calc_intra_pharmacophore_distance 计算每种药效团类型内部所有原子的欧几里得距离矩阵。
参数:
mol: RDKit Mol 对象,需包含 3D 坐标 (Conformer)。
atom_list: dict,每种药效团类型对应的原子编号列表,如 {'rings': [1,2,3], 'anion': [4,5], ...}
conf_id: int,可选,指定使用哪个 conformer 计算距离。
返回:
intra_distances: dict
key为药效团类型,value为对应的距离矩阵 (二维list),
如: {'rings': [[0.0, 1.2, ...], [...], ...], 'anion': [...], ...}
- calc_inter_pharmacophore_distance 计算两个不同药效团类型之间的欧几里得距离矩阵。
参数:
mol: RDKit Mol 对象,需包含 3D 坐标 (Conformer)。
atom_list: dict,每种药效团类型对应的原子编号列表,例如:
{'rings': [1,2,3], 'anion': [4,5], 'cation': [], ...}
type1: str,第一个药效团类型 (如 'rings', 'anion', 'cation', 'acceptor', 'donor', 'hydrophobe')
type2: str,第二个药效团类型
conf_id: int,可选,指定使用哪个 conformer 计算距离。
返回:
inter_distance_matrix: 二维 list, 形状为 (len(type1原子), len(type2原子))
- get_ring_atoms 提取所有环中原子的索引 (1-based)。
参数:
mol: RDKit Mol 对象
use_ringinfo: bool
如果为 True, 使用 ringinfo 来识别环原子;
如果为 False, 使用 GetSymmSSSR.
返回:
List[List[int]] -- 每个环是一个列表, 里面存环内的原子(1-based).
例如: [[1,2,3,4,5,6],[8,9,10]].
- get_hydrophobic_clusters 识别疏水原子并根据 3D 距离聚合成多个“簇”，以对应 SDF 中多行 hydrophobe。
识别疏水原子并根据 3D 距离聚合成多个“簇”，以对应 SDF 中多行 hydrophobe。
返回: List[List[int]], 每个子列表是一群(簇)疏水原子的 1-based 索引。
参数:
-------
mol : RDKit Mol 对象 (需有3D构象,若无需先 Embed + 优化)
distance_threshold : float
任意两个候选疏水原子的3D距离若 < 该值，就视为同一簇。
默认1.0Å，也可尝试1.5/2.0等。
extended : bool
True: 不含 O,N,S,P,卤素(F,Cl,Br,I)的碳视为疏水
False: 仅要求邻居里无 O,N
返回:
-------
clusters_1based : List[List[int]]
例如 [[10,12,14],[18,22,23]]，表示两簇疏水原子(1-based)。
若没有疏水原子，返回空列表 []。
- get_anions_cations 获取阴离子原子列表、阳离子原子列表 (1-based)。
当前基于 formal charge 判定:
- atom.GetFormalCharge() <0 => anion
- atom.GetFormalCharge() >0 => cation
对多价电荷, 同样识别到同一组, 如 +2 => cation.
若需部分电荷, 需额外力场/量化计算.
- get_hbond_acceptors 识别氢键受体原子 (0-based 索引)。
返回 SubstructMatch 的 tuple list, 每个元素是 (atom_idx, ...).
如果只需原子 idx, 可自行提取 match[0].
这里使用稍微更全的 SMARTS 例子, 包含芳环N, 羰基O等.
- get_hbond_donors 识别氢键供体原子 (0-based 索引)。
## loaders 模块
加载数据模块
### sdf_loader 模块
#### SDFLoader 类
SDF格式数据加载器
从SDF格式数据中读取分子化合物数据,支持从文件、从目录和从文本三种方式读取。
- closeWarning 关闭警告信息
此方法是禁用rdkit的警告信息输出
- openWarning 打开警告信息
此方法是恢复rdkit的警告信息输出
- readDataFromFile 从指定sdf文件中读取 molecule 数据
Args:
sdfDoc (str): sdf 文档名（含路径）
startIndex (int, optional): 起始索引（包含）. Defaults to 0.
endIndex (int, optional): 结束索引（不包含，默认值 -1 代表读取到文件末尾）. Defaults to -1.
ignore_error (bool, optional): 是否忽略错误. Defaults to True.
Raises:
FileNotFoundError: 指定文件不存在
ValueError: 开始索引必须是非负数
ValueError: 结束索引必须大于开始索引，或指定为-1
ValueError: 数据段错误
Returns:
tuple[list[Mol], int, int]: 已读出 molecule 列表, 应读数量, 实际读取数量
- readDataFromDir 从指定目录中读取所有的sdf文件,并且读取全部文件的molecule数据
Args:
sdfDir (str): 指定读取的文件目录
recursive (bool, optional): 是否递归子目录. Defaults to True.
ignore_error (bool, optional): 是否忽略错误. Defaults to True.
Raises:
FileNotFoundError: 指定目录不存在
TypeError: 指定目录并非目录类型
Returns:
tuple[list[Mol], int, int]: 已读出molecule列表,应读数量,实际读取数量
- readDataFromText 从给定文本中读取分子化合物数据
Args:
sdfText (str): 包含分子化合物的sdf格式内容的文本
ignore_error (bool, optional): 是否忽略错误. Defaults to True.
Returns:
tuple[list[Mol], int, int]: 已读出molecule列表,应读数量,实际读取数量
Raw data
{
"_id": null,
"home_page": null,
"name": "pybiotech",
"maintainer": null,
"docs_url": null,
"requires_python": ">=3.11",
"maintainer_email": null,
"keywords": "AILingues, components, biotech, library",
"author": null,
"author_email": "AI Lingues <support@ailingues.com>",
"download_url": null,
"platform": null,
"description": "<!--\n * @Author: Zeng Shengbo shengbo.zeng@ailingues.com\n * @Date: 2025-06-19 15:05:41\n * @LastEditors: Zeng Shengbo shengbo.zeng@ailingues.com\n * @LastEditTime: 2025-08-12 22:00:43\n * @FilePath: //pybiotech//README.md\n * @Description: \n * \n * Copyright (c) 2025 by AI Lingues, All Rights Reserved. \n-->\n# AI Lingues Biotech Python Library\n\n\u672c\u7ec4\u4ef6\u5e93\u7528\u4e8e\u751f\u7269\u79d1\u5b66\u548c\u533b\u7597\u65b9\u9762\u7684\u6570\u636e\u5904\u7406\u3001\u5206\u6790\u7b49\u3002\n\n- \u652f\u6301NIH\u516c\u5f00\u6570\u636e\u5e93\u6570\u636e\u67e5\u8be2\u8bbf\u95ee\n- \u652f\u6301SDF\u683c\u5f0f\u6587\u4ef6\u9ad8\u901f\u8bfb\u53d6\n- \u652f\u6301\u5206\u5b50\u5316\u5408\u7269\u6784\u8c61\u529b\u573a\u4f18\u5316\u53ca\u7279\u5f81\u8ba1\u7b97\n\n\n## core \u6a21\u5757\n\n### molecule \u6a21\u5757\n\n#### calculator \u6a21\u5757\n\n- MolCaculator \n \u5206\u5b50\u8ba1\u7b97\u5668\u7c7b\n \n \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u76f8\u5173\u7684\u53c2\u6570\u3001\u7279\u5f81\u7b49\n\n\n\n| \u51fd\u6570 | \u63cf\u8ff0 |\n| ----------------------------------| ----------------------------------------------------------------- |\n| approximate_oe_hydrophobe | \u8ba1\u7b97\"\u758f\u6c34\u7c07\" |\n| calc_surface_area | \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684\u8868\u9762\u79ef |\n| calc_hydrophobic_surface_area | \u8ba1\u7b97\u5206\u5b50\u758f\u6c34\u8868\u9762\u79ef |\n| calc_diameter | \u8ba1\u7b97\u5355\u4e2a\u5206\u5b50\u7684\u6700\u5927\u76f4\u5f84 |\n| calc_sssr | \u8ba1\u7b97\u5206\u5b50\u7684\u73af\u4fe1\u606f(SSSR \u4e0e RingInfo \u5feb\u7167\uff09 |\n| calc_logp | \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684\u8102\u6eb6\u6027(LogP) |\n| calc_morgan_fringerprint | \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684Morgan\u6307\u7eb9 |\n| calc_maccs_fingerprint | \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684MACCS\u6307\u7eb9 |\n| calc_crippen_contribs | \u8ba1\u7b97\u5206\u5b50\u7684Crippen\u89c4\u8303\u5316\u8d21\u732e,\u5305\u62ec\u6bcf\u4e2a\u539f\u5b50\u7684 logP \u8d21\u732e\u548c\u6469\u5c14\u6298\u5c04\u7387\u8d21\u732e |\n| calc_pharmacophore_features | \u8ba1\u7b97\u836f\u6548\u56e2\u7279\u5f81 |\n| calc_intra_pharmacophore_distance | \u8ba1\u7b97\u6bcf\u79cd\u836f\u6548\u56e2\u7c7b\u578b\u5185\u90e8\u6240\u6709\u539f\u5b50\u7684\u6b27\u51e0\u91cc\u5f97\u8ddd\u79bb\u77e9\u9635 |\n| calc_inter_pharmacophore_distance | \u8ba1\u7b97\u4e24\u4e2a\u4e0d\u540c\u836f\u6548\u56e2\u7c7b\u578b\u4e4b\u95f4\u7684\u6b27\u51e0\u91cc\u5f97\u8ddd\u79bb\u77e9\u9635 |\n| get_ring_atoms | \u63d0\u53d6\u6240\u6709\u73af\u4e2d\u539f\u5b50\u7684\u7d22\u5f15 (1-based) |\n| get_hydrophobic_clusters | \u8bc6\u522b\u758f\u6c34\u539f\u5b50\u5e76\u6839\u636e 3D \u8ddd\u79bb\u805a\u5408\u6210\u591a\u4e2a\u201c\u7c07\u201d\uff0c\u4ee5\u5bf9\u5e94 SDF \u4e2d\u591a\u884c hydrophobe |\n| get_anions_cations | \u83b7\u53d6\u9634\u79bb\u5b50\u539f\u5b50\u5217\u8868\u3001\u9633\u79bb\u5b50\u539f\u5b50\u5217\u8868 (1-based) |\n| get_hbond_acceptors | \u8bc6\u522b\u6c22\u952e\u53d7\u4f53\u539f\u5b50 (0-based \u7d22\u5f15) |\n| get_hbond_donors | \u8bc6\u522b\u6c22\u952e\u4f9b\u4f53\u539f\u5b50 (0-based \u7d22\u5f15) |\n\n\n \n\n\n- approximate_oe_hydrophobe \u8ba1\u7b97\"\u758f\u6c34\u7c07\"\u3002\n\n \u5728\u7eaf RDKit \u73af\u5883\u4e0b\u8fd1\u4f3c\u5730\u6a21\u4eff OEShape \u7684\u758f\u6c34\u539f\u5b50\u805a\u5408\u903b\u8f91, \u8fd4\u56de\u591a\u4e2a\"\u758f\u6c34\u7c07\"\u3002\n \u6bcf\u4e2a\u7c07\u53ef\u89c6\u4e3a\u4e00\u884c hydrophobe, \u7c7b\u4f3c:\n 3 38 41 42 hydrophobe\n 4 17 19 20 21 hydrophobe\n \u7b49\u7b49.\n\n \u53c2\u6570\u8bf4\u660e:\n ----------\n mol : RDKit Mol \u5bf9\u8c61\n \u5982\u679c\u5df2\u5e26\u6709\u5408\u7406\u7684 3D conformer\uff0c\u53ef\u4e0d\u518d embed\u3002\u5982\u679c\u6ca13D,\u4e14embed_if_needed=True\u5219\u4f1a\u81ea\u52a8Embed+Optimize\u3002\n distance_threshold : float\n \u4e24\u4e2a\u5019\u9009\u539f\u5b50\u82e5\u8ddd\u79bb < \u6b64\u9608\u503c\u5219\u89c6\u4e3a\u540c\u4e00\u758f\u6c34\u7c07. OEShape\u5e38\u7528 ~1.0 or 1.5\u00c5.\n exclude_aromatic : bool\n \u662f\u5426\u6392\u9664\u6240\u6709\u82b3\u9999\u78b3(\u4f8b\u5982\u82ef\u73afC). OEShape \u91cc\u901a\u5e38\u67d0\u4e9b\u82b3\u9999C\u4e5f\u53ef\u80fd\u7b97\u758f\u6c34, \u8fd9\u91cc\u53ef\u9009\u3002\n partial_charge_cutoff : float or None\n \u82e5\u4e0d\u4e3a None, \u5219\u4f7f\u7528 Gasteiger \u90e8\u5206\u7535\u8377, \u6392\u9664\u7edd\u5bf9\u503c>=\u8be5\u9608\u503c\u7684\u78b3, \u4ee5\u6392\u9664\u6781\u6027\u78b3.\n \u4f8b\u5982 0.2 -> |q|\u22650.2 \u7684\u78b3\u89c6\u4e3a\u4e0d\u758f\u6c34.\n min_cluster_size : int\n \u6700\u5c0f\u7c07\u5927\u5c0f, \u82e5\u67d0\u4e2a\u7c07\u53ea\u6709 < min_cluster_size \u4e2a\u539f\u5b50, \u5219\u53ef\u89c6\u4e3a\u566a\u58f0/\u820d\u5f03 (\u6216\u53ef\u4fdd\u7559).\n extended_filter : bool\n \u82e5 True, \u7528 \"\u4e0d\u542b O,N,S,P,\u5364\u7d20\" \u89c4\u5219\u5254\u9664\u78b3; \u5426\u5219\u53ea\u8981\u90bb\u5c45\u91cc\u65e0 O,N \u5373\u4fdd\u7559\u3002\n embed_if_needed : bool\n \u82e5 mol \u65e0 3D \u6784\u8c61, \u662f\u5426\u8c03\u7528 ETKDG embed.\n max_attempts : int\n embed \u51fa\u9519\u65f6\u7684\u5c1d\u8bd5\u6b21\u6570.\n\n \u8fd4\u56de:\n -------\n hydrophobe_lines : list of tuples [(atom_count, [a1,a2,...]), ...]\n \u5176\u4e2d a1,a2,... \u662f1-based\u539f\u5b50\u7d22\u5f15, \u5df2\u6392\u5e8f, \u4ee3\u8868\u540c\u4e00\u4e2a\u758f\u6c34\u7c07.\n \u53ef\u4ee5\u628a\u5b83\u8f6c\u6210 SDF-like\u5b57\u7b26\u4e32:\n f\"{atom_count} {' '.join(map(str, atom_ids))} hydrophobe\"\n \u4e5f\u53ef\u4ee5\u76f4\u63a5\u5f53\u6570\u636e\u7ed3\u6784\u7528.\n\n \u6ce8\u610f:\n -----\n 1. \u4e0d\u4fdd\u8bc1\u4e0e OEShape \u7ed3\u679c\u5b8c\u5168\u4e00\u81f4, \u53ea\u662f\"\u529b\u573a + \u8ddd\u79bb\u805a\u7c7b + \u4e0d\u540c\u8fc7\u6ee4\"\u7684\u601d\u8def.\n 2. \u82e5 embed \u5931\u8d25/\u5750\u6807\u4e0d\u5408\u7406, \u6216\u5206\u5b50\u8fc7\u5927, \u53ef\u80fd\u7ed3\u679c\u4ecd\u4e0d\u7406\u60f3.\n 3. \u53ef\u591a\u6b21\u8c03\u53c2 distance_threshold, partial_charge_cutoff \u7b49, \u89c2\u5bdf\u5bf9\u7ed3\u679c\u7684\u5f71\u54cd.\n\n\n- calc_surface_area \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684\u8868\u9762\u79ef\u3002\n\n \u5728\u8c03\u7528\u4e4b\u524d,\u5fc5\u987b\u505a\u5982\u4e0b\u5904\u7406\uff1a\n\n 1. \u6dfb\u52a0\u663e\u5f0f\u6c22\u539f\u5b50\n mol.UpdatePropertyCache(strict=False)\n\n mol_with_H = Chem.AddHs(mol)\n\n 2. \u751f\u6210 3D \u5750\u6807\n AllChem.EmbedMolecule(mol_with_H)\n\n AllChem.MMFFOptimizeMolecule(mol_with_H)\n\n Args:\n mol (Chem.Mol): \u5206\u5b50\u5316\u5408\u7269\u5bf9\u8c61\n\n Raises:\n Exception: _description_\n\n Returns:\n float: \u5206\u5b50\u603b\u8868\u9762\u79ef\n\n- calc_hydrophobic_surface_area \u8ba1\u7b97\u5206\u5b50\u758f\u6c34\u8868\u9762\u79ef\u3002\n\n \u5728\u8c03\u7528\u4e4b\u524d,\u5fc5\u987b\u505a\u5982\u4e0b\u5904\u7406\uff1a\n\n 1. \u6dfb\u52a0\u663e\u5f0f\u6c22\u539f\u5b50\n mol.UpdatePropertyCache(strict=False)\n\n mol_with_H = Chem.AddHs(mol)\n\n 2. \u751f\u6210 3D \u5750\u6807\n AllChem.EmbedMolecule(mol_with_H)\n\n AllChem.MMFFOptimizeMolecule(mol_with_H)\n\n Args:\n mol (Chem.Mol): \u5206\u5b50\u5316\u5408\u7269\u5bf9\u8c61\n is_high_precise (bool): \u662f\u5426\u66f4\u7cbe\u786e,\u7f3a\u7701\u4e3aFalse\n\n Raises:\n e: _description_\n\n Returns:\n float: \u5206\u5b50\u758f\u6c34\u8868\u9762\u79ef\n\n- calc_diameter \u8ba1\u7b97\u5355\u4e2a\u5206\u5b50\u7684\u6700\u5927\u76f4\u5f84\u3002\n\n Args:\n mol (Chem.Mol): RDKit\u5206\u5b50\u5bf9\u8c61,\u5047\u8bbe\u5df2\u7ecf\u67093D\u5750\u6807\u3002\n\n Returns:\n float: \u5206\u5b50\u7684\u6700\u5927\u76f4\u5f84\uff08Angstrom\uff09\u3002\n \n- calc_sssr \u8ba1\u7b97\u5206\u5b50\u7684\u73af\u4fe1\u606f\uff08SSSR \u4e0e RingInfo \u5feb\u7167\uff09\u3002\n\n \u529f\u80fd\n - \u8c03\u7528 GetSymmSSSR(mol) \u89e6\u53d1\u5e76\u83b7\u53d6\u201c\u5bf9\u79f0 SSSR\u201d\u73af\u96c6\uff08\u4ee5\u539f\u5b50\u7d22\u5f15\u8868\u793a\uff09\u3002\n - \u8bfb\u53d6 RingInfo\uff08mol.GetRingInfo()\uff09\uff0c\u7ed9\u51fa\u6bcf\u4e2a\u539f\u5b50/\u952e\u7684\u201c\u73af\u8ba1\u6570\u201d\u7b49\u4fe1\u606f\uff0c\u4ee5\u53ca\u6309\u539f\u5b50/\u6309\u952e\u7684\u73af\u5217\u8868\u3002\n - \u8fd4\u56de\u7ed3\u6784\u5316\u7ed3\u679c\uff0c\u4fbf\u4e8e\u540e\u7eed\u5206\u6790\u4e0e\u7edf\u8ba1\uff08\u4e0d\u518d print\uff09\u3002\n\n \u53c2\u6570\n mol : rdkit.Chem.rdchem.Mol\n RDKit \u5206\u5b50\u5bf9\u8c61\u3002\u51fd\u6570\u5185\u90e8\u4e0d\u4f1a\u4fee\u6539\u8be5\u5bf9\u8c61\uff08\u4ec5\u8bfb\u53d6\uff09\u3002\n\n \u8fd4\u56de\n Dict[str, Any]\n {\n \"num_rings\": int, # SSSR \u73af\u7684\u6570\u91cf\n \"atom_rings\": List[List[int]], # SSSR\uff1a\u6bcf\u4e2a\u73af\u5bf9\u5e94\u7684\u539f\u5b50\u7d22\u5f15\u5217\u8868\n \"by_size\": Dict[int, List[List[int]]],# \u6309\u73af\u5c3a\u5bf8\u5206\u7ec4\u7684 SSSR\n \"ri_atom_rings\": List[List[int]], # RingInfo.AtomRings()\uff08\u4e0d\u4e00\u5b9a\u7b49\u540c\u4e8e SSSR\uff09\n \"ri_bond_rings\": List[List[int]], # RingInfo.BondRings()\n \"atom_ring_count\": List[int], # \u6bcf\u4e2a\u539f\u5b50\u5c5e\u4e8e\u591a\u5c11\u4e2a\u73af\n \"bond_ring_count\": List[int], # \u6bcf\u6839\u952e\u5c5e\u4e8e\u591a\u5c11\u4e2a\u73af\n \"atom_in_ring\": List[bool], # \u539f\u5b50\u662f\u5426\u5728\u4efb\u4f55\u73af\u4e2d\uff08\u6d3e\u751f\u81ea\u8ba1\u6570>0\uff09\n \"bond_in_ring\": List[bool], # \u952e\u662f\u5426\u5728\u4efb\u4f55\u73af\u4e2d\uff08\u6d3e\u751f\u81ea\u8ba1\u6570>0\uff09\n \"algorithm\": str, # 'SymmSSSR'\n }\n\n \u8bf4\u660e\n - GetSymmSSSR() \u4f1a\u786e\u4fdd\u73af\u611f\u77e5\u5df2\u8fdb\u884c\uff0c\u5e76\u628a\u4fe1\u606f\u7f13\u5b58\u5230 RingInfo\u3002\n - \u8fd4\u56de\u4e2d\u7684 `atom_rings` \u662f SSSR\uff08\u5bf9\u79f0\u6700\u5c0f\u73af\u96c6\uff09\uff1b`ri_atom_rings/ri_bond_rings` \u6765\u81ea RingInfo\uff0c\u53ef\u80fd\u5305\u542b\u4e0e SSSR \u4e0d\u5b8c\u5168\u4e00\u81f4\u7684\u73af\u679a\u4e3e\uff08\u5b9e\u73b0\u5c42\u9762\u5dee\u5f02\uff09\u3002\n - \u539f\u5b50/\u952e\u7684\u201c\u662f\u5426\u5728\u73af\u4e2d\u201d\u901a\u8fc7\u8ba1\u6570 > 0 \u6d3e\u751f\uff0c\u6548\u7387\u9ad8\u4e14\u76f4\u89c2\u3002\n\n\n- calc_logp \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684\u8102\u6eb6\u6027(LogP)\u3002\n\n Args:\n mol (Chem.Mol): \u5206\u5b50\u5316\u5408\u7269Mol\u5b9e\u4f8b\u5bf9\u8c61,\u652f\u6301Chem.Mol\u5b50\u7c7b\u5b9e\u4f8b\n\n Returns:\n float: \u8102\u6eb6\u6027(LogP)\u503c\n \n- calc_morgan_fringerprint \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684Morgan\u6307\u7eb9\u3002\n\n\n \u8bf4\u660e:\n Morgan\u6307\u7eb9\u662fRDKit\u4e2d\u4e00\u79cd\u5e38\u7528\u7684\u5206\u5b50\u6307\u7eb9\u7c7b\u578b,\u53ef\u4ee5\u7528\u4e8e\u63cf\u8ff0\u5206\u5b50\u7684\u7ed3\u6784\u548c\u76f8\u4f3c\u6027\u3002\n \u5b83\u57fa\u4e8e\u5206\u5b50\u7684\u62d3\u6251\u7ed3\u6784\u548c\u534a\u5f84\u53c2\u6570\u751f\u6210,\u5177\u6709\u4ee5\u4e0b\u7279\u70b9\uff1a\n 1.\u751f\u6210\u7684\u6307\u7eb9\u662f\u4e00\u4e2a\u56fa\u5b9a\u957f\u5ea6\u7684\u4e8c\u8fdb\u5236\u5411\u91cf,\u6bcf\u4e2a\u4f4d\u8868\u793a\u4e00\u4e2a\u5b50\u7ed3\u6784\u7684\u5b58\u5728\u6216\u7f3a\u5931\u3002\n 2.\u6307\u7eb9\u7684\u957f\u5ea6\u548c\u534a\u5f84\u53c2\u6570\u53ef\u4ee5\u6839\u636e\u9700\u8981\u8fdb\u884c\u8c03\u6574,\u4ee5\u5e73\u8861\u6307\u7eb9\u7684\u4fe1\u606f\u91cf\u548c\u8ba1\u7b97\u6548\u7387\u3002\n 3.\u53ef\u4ee5\u4f7f\u7528\u4e0d\u540c\u7684\u54c8\u5e0c\u51fd\u6570\u6765\u751f\u6210\u6307\u7eb9,\u4ee5\u589e\u52a0\u6307\u7eb9\u7684\u591a\u6837\u6027\u548c\u9c81\u68d2\u6027\u3002\n\n GetMorganGenerator\u7b7e\u540d: \u53c2\u8003doc/specifications/interface/GetMorganGenerator.md\n\n \u6ce8\u610f\u4e8b\u9879\uff1a\n \u5173\u4e8ecountSimulation\u53c2\u6570\n 1.Morgan \u6307\u7eb9\u9ed8\u8ba4\u884c\u4e3a:\n \u9ed8\u8ba4\u60c5\u51b5\u4e0b\uff08countSimulation=False\uff09\uff1aMorgan \u6307\u7eb9\u662f\u4e00\u4e2a\u4f4d\u5411\u91cf,\u503c\u4e3a 0 \u6216 1,\u8868\u793a\u67d0\u4e2a\u5316\u5b66\u73af\u5883\u662f\u5426\u5b58\u5728\u3002\n \u542f\u7528\u8ba1\u6570\u6a21\u62df\uff08countSimulation=True\uff09\uff1aMorgan \u6307\u7eb9\u5305\u542b\u6574\u6570\u503c,\u8868\u793a\u67d0\u4e2a\u5316\u5b66\u73af\u5883\u51fa\u73b0\u7684\u6b21\u6570\u3002\n\n 2.\u5728\u5206\u7c7b\u95ee\u9898\u4e2d\uff1a\n 2.1\u5982\u679c\u5316\u5b66\u73af\u5883\u7684 \u5b58\u5728\u4e0e\u5426 \u662f\u5173\u952e,\u5219 0 \u548c 1 \u7684\u4f4d\u5411\u91cf\u5f62\u5f0f\u901a\u5e38\u8db3\u591f\u3002\n \u9002\u7528\u573a\u666f\uff1a\n a.\u5316\u5b66\u73af\u5883\u7684\u5b58\u5728\u4e0e\u5426\u8db3\u591f\u63cf\u8ff0\u76ee\u6807\u6027\u8d28\u3002\n b.\u4efb\u52a1\u662f\u5206\u7c7b\u95ee\u9898\uff08\u4f8b\u5982,\u662f\u5426\u5177\u6709\u6bd2\u6027\u3001\u662f\u5426\u6d3b\u8dc3\uff09\u3002\n c.\u6570\u636e\u7a00\u758f,\u6216\u5b50\u7ed3\u6784\u7684\u51fa\u73b0\u6b21\u6570\u5206\u5e03\u8f83\u5747\u5300\u3002\n\n \u5982\u679c\u5316\u5b66\u73af\u5883\u7684 \u51fa\u73b0\u9891\u7387 \u662f\u5206\u7c7b\u7684\u6f5c\u5728\u51b3\u5b9a\u56e0\u7d20,\u5219\u4fdd\u7559\u8ba1\u6570\u4fe1\u606f\u53ef\u80fd\u66f4\u6709\u5e2e\u52a9\u3002\n \u9002\u7528\u573a\u666f\uff1a\n a.\u5316\u5b66\u73af\u5883\u7684\u51fa\u73b0\u9891\u7387\u5bf9\u5206\u7c7b\u4efb\u52a1\u6709\u91cd\u8981\u5f71\u54cd\u3002\n b.\u4efb\u52a1\u9700\u8981\u63cf\u8ff0\u5206\u5b50\u4e2d\u529f\u80fd\u6027\u56e2\u7684\u5f3a\u5ea6\uff08\u5982\u9ad8\u6bd2\u6027\u5206\u5b50\uff09\u3002\n c.\u9700\u8981\u6355\u6349\u6570\u91cf\u4fe1\u606f\u7684\u989d\u5916\u4ef7\u503c\u3002\n d.\u5176\u4ed6\u89e3\u51b3\u9884\u6d4b\u95ee\u9898\u6216\u8005\u5206\u6790\u573a\u666f\n\n \u5f15\u7528[fingerprint](https://github.com/daiyizheng/DL/blob/master/07-rdkit/08-rdkit%E5%8C%96%E5%AD%A6%E6%8C%87%E7%BA%B9.ipynb)\n \n Args:\n mol (Chem.Mol): \u5206\u5b50\u5316\u5408\u7269Mol\u5b9e\u4f8b\u5bf9\u8c61,\u652f\u6301Chem.Mol\u5b50\u7c7b\u5b9e\u4f8b\n countSimulation (bool): \u662f\u5426\u5f00\u542f\u8ba1\u6570,\u7f3a\u7701\u4e3aFalse(\u6b64\u53c2\u6570\u8be6\u7ec6\u53c2\u8003\u6ce8\u610f\u4e8b\u9879\u90e8\u5206)\n bitSize (int): \u4f4d\u5411\u91cf\u957f\u5ea6,\u7f3a\u77012048\n\n Returns:\n np.array: Morgan\u6307\u7eb9\u6570\u636e\u6570\u7ec4\n\n- calc_maccs_fingerprint \u8ba1\u7b97\u5206\u5b50\u5316\u5408\u7269\u7684MACCS\u6307\u7eb9\u3002\n\n \u65b9\u6cd5:\n \u4f7f\u7528rdkit.Chem.MACCSkeys.GenMACCSKeys \u51fd\u6570\u6765\u8ba1\u7b97\u5206\u5b50\n\n \u8bf4\u660e\uff1a\n MACCS (Molecular ACCess System) \u5206\u5b50\u6307\u7eb9\u662f\u4e00\u79cd\u7528\u4e8e\u8868\u793a\u5206\u5b50\u7ed3\u6784\u4fe1\u606f\u7684\u4e8c\u8fdb\u5236\u6307\u7eb9\u3002\n MACCS\u5206\u5b50\u6307\u7eb9\u662f\u57fa\u4e8e\u5206\u5b50\u4e2d\u662f\u5426\u542b\u6709\u7279\u5b9a\u7684\u4e9a\u7ed3\u6784\u6765\u5b9a\u4e49\u7684,\u5171\u5305\u542b166\u4e2a\u4e0d\u540c\u7684\u5206\u5b50\u7279\u5f81\u3002\n \u6bcf\u4e2a\u7279\u5f81\u90fd\u5bf9\u5e94\u4e8e\u4e00\u4e2a\u7279\u5b9a\u7684\u5316\u5b66\u5b50\u7ed3\u6784,\u4f8b\u5982,\u4e00\u4e2a\u7f9f\u57fa\u3001\u4e00\u4e2a\u82ef\u73af\u6216\u4e00\u4e2a\u6c2e\u539f\u5b50\u7b49\u3002\n \u5982\u679c\u5206\u5b50\u4e2d\u5b58\u5728\u8fd9\u4e2a\u7279\u5f81,\u5219\u8be5\u7279\u5f81\u5bf9\u5e94\u7684\u4e8c\u8fdb\u5236\u4f4d\u4e0a\u7684\u503c\u4e3a1,\u5426\u5219\u4e3a0\u3002\n MACCS\u5206\u5b50\u6307\u7eb9\u7684\u957f\u5ea6\u4e3a166\u4f4d,\u5b83\u53ef\u4ee5\u7528\u4e8e\u5206\u5b50\u76f8\u4f3c\u6027\u6bd4\u8f83\u3001\u5206\u5b50\u5206\u7c7b\u3001\u5206\u5b50\u805a\u7c7b\u3001\u5206\u5b50\u7b5b\u9009\u7b49\u8bb8\u591a\u9886\u57df\u4e2d\u7684\u5316\u5b66\u4fe1\u606f\u5b66\u7814\u7a76\u3002\n\n \u6ce8\u610f\u4e8b\u9879\uff1a\n \u65e0\n\n \u5f15\u7528 [fingerprint](https://github.com/daiyizheng/DL/blob/master/07-rdkit/08-rdkit%E5%8C%96%E5%AD%A6%E6%8C%87%E7%BA%B9.ipynb)\n\n Args:\n mol (Chem.Mol): \u5206\u5b50\u5316\u5408\u7269Mol\u5b9e\u4f8b\u5bf9\u8c61,\u652f\u6301Chem.Mol\u5b50\u7c7b\u5b9e\u4f8b\n\n Returns:\n np.array: MACCS\u6307\u7eb9\u6570\u636e\u6570\u7ec4\n\n- calc_crippen_contribs \u8ba1\u7b97\u5206\u5b50\u7684Crippen\u89c4\u8303\u5316\u8d21\u732e,\u5305\u62ec\u6bcf\u4e2a\u539f\u5b50\u7684 logP \u8d21\u732e\u548c\u6469\u5c14\u6298\u5c04\u7387\u8d21\u732e\u3002\n\n \u65b9\u6cd5\uff1a\n\n \u8bf4\u660e\uff1a\n \u57fa\u4e8e\u5206\u5b50\u7684\u539f\u5b50\u7535\u8377\u548c\u5206\u5b50\u7684\u51e0\u4f55\u5f62\u72b6\u8ba1\u7b97\u7684,\u53ef\u4ee5\u7528\u4e8e\u63cf\u8ff0\u5206\u5b50\u7684\u6eb6\u89e3\u5ea6\u3001\u751f\u7269\u5229\u7528\u5ea6\u548c\u5176\u4ed6\u6027\u8d28\u3002\n \u8fd9\u4e2a\u51fd\u6570\u901a\u5e38\u4e0eRDKit\u5206\u5b50\u5bf9\u8c61\u4e00\u8d77\u4f7f\u7528\u3002\n\n \u6ce8\u610f\u4e8b\u9879\uff1a\n 1. \u4f20\u5165\u7684Chem.Mol\u5bf9\u8c61\u5e94\u5148\u8c03\u7528UpdatePropertyCache\u65b9\u6cd5\u5904\u7406\n 2. Crippen\u89c4\u8303\u5316\u8d21\u732e\u867d\u7136\u662f\u6309\u6574\u4e2a\u5206\u5b50\u5316\u5408\u7269\u8ba1\u7b97,\u4f46\u8ba1\u7b97\u7ed3\u679c\u5e94\u6309\u7d22\u5f15\u4f4d\u7f6e\u5c06\u8d21\u732e\u503c\u5206\u914d\u5230\u5bf9\u5e94\u539f\u5b50\u4f5c\u4e3a\u539f\u5b50\u7279\u5f81\u7684\u4e00\u90e8\u5206\n\n\n Args:\n mol (Chem.Mol): \u5206\u5b50\u5316\u5408\u7269Mol\u5b9e\u4f8b\u5bf9\u8c61,\u652f\u6301Chem.Mol\u5b50\u7c7b\u5b9e\u4f8b\n\n Returns:\n tuple: \u5305\u62ec\u6bcf\u4e2a\u539f\u5b50\u7684 logP \u8d21\u732e\u548c\u6469\u5c14\u6298\u5c04\u7387\u8d21\u732e\n \u5143\u7ec4,\u5176\u4e2d\u5305\u542b\u4e24\u4e2a\u957f\u5ea6\u4e3a\u5206\u5b50\u4e2d\u539f\u5b50\u6570\u7684\u5217\u8868\u3002\n \u7b2c\u4e00\u4e2a\u5217\u8868\u5305\u542b\u6bcf\u4e2a\u539f\u5b50\u7684Crippen\u8d21\u732e\u7684\u5e73\u5747\u503c,\n \u7b2c\u4e8c\u4e2a\u5217\u8868\u5305\u542b\u6bcf\u4e2a\u539f\u5b50\u7684Crippen\u8d21\u732e\u7684\u6807\u51c6\u5dee\u3002\n\n\n- calc_pharmacophore_features \u8ba1\u7b97\u836f\u6548\u56e2\u7279\u5f81\u3002\n\n 1. \u68c0\u6d4b\u662f\u5426\u542b 3D conformer, \u82e5\u65e0\u5219\u505a\u7b80\u5355\u7684Embed + Optimize(\u53ef\u9009).\n 2. \u8ba1\u7b97\u6c22\u952e\u53d7\u4f53/\u4f9b\u4f53, \u9634\u9633\u79bb\u5b50, \u73af\u539f\u5b50, \u758f\u6c34\u539f\u5b50\u7b49.\n 3. \u8fd4\u56de (features, features_count, atom_list).\n \u5176\u4e2d:\n - features = {\"rings\":0/1,...}\n - features_count = {\"rings\":N,...}\n - atom_list = {\"rings\":[...],...} (1-based or list of lists)\n \n- calc_intra_pharmacophore_distance \u8ba1\u7b97\u6bcf\u79cd\u836f\u6548\u56e2\u7c7b\u578b\u5185\u90e8\u6240\u6709\u539f\u5b50\u7684\u6b27\u51e0\u91cc\u5f97\u8ddd\u79bb\u77e9\u9635\u3002\n\n \u53c2\u6570:\n mol: RDKit Mol \u5bf9\u8c61,\u9700\u5305\u542b 3D \u5750\u6807 (Conformer)\u3002\n atom_list: dict,\u6bcf\u79cd\u836f\u6548\u56e2\u7c7b\u578b\u5bf9\u5e94\u7684\u539f\u5b50\u7f16\u53f7\u5217\u8868,\u5982 {'rings': [1,2,3], 'anion': [4,5], ...}\n conf_id: int,\u53ef\u9009,\u6307\u5b9a\u4f7f\u7528\u54ea\u4e2a conformer \u8ba1\u7b97\u8ddd\u79bb\u3002\n\n \u8fd4\u56de:\n intra_distances: dict\n key\u4e3a\u836f\u6548\u56e2\u7c7b\u578b,value\u4e3a\u5bf9\u5e94\u7684\u8ddd\u79bb\u77e9\u9635 (\u4e8c\u7ef4list),\n \u5982: {'rings': [[0.0, 1.2, ...], [...], ...], 'anion': [...], ...}\n\n\n- calc_inter_pharmacophore_distance \u8ba1\u7b97\u4e24\u4e2a\u4e0d\u540c\u836f\u6548\u56e2\u7c7b\u578b\u4e4b\u95f4\u7684\u6b27\u51e0\u91cc\u5f97\u8ddd\u79bb\u77e9\u9635\u3002\n\n \u53c2\u6570:\n mol: RDKit Mol \u5bf9\u8c61,\u9700\u5305\u542b 3D \u5750\u6807 (Conformer)\u3002\n atom_list: dict,\u6bcf\u79cd\u836f\u6548\u56e2\u7c7b\u578b\u5bf9\u5e94\u7684\u539f\u5b50\u7f16\u53f7\u5217\u8868,\u4f8b\u5982:\n {'rings': [1,2,3], 'anion': [4,5], 'cation': [], ...}\n type1: str,\u7b2c\u4e00\u4e2a\u836f\u6548\u56e2\u7c7b\u578b (\u5982 'rings', 'anion', 'cation', 'acceptor', 'donor', 'hydrophobe')\n type2: str,\u7b2c\u4e8c\u4e2a\u836f\u6548\u56e2\u7c7b\u578b\n conf_id: int,\u53ef\u9009,\u6307\u5b9a\u4f7f\u7528\u54ea\u4e2a conformer \u8ba1\u7b97\u8ddd\u79bb\u3002\n\n \u8fd4\u56de:\n inter_distance_matrix: \u4e8c\u7ef4 list, \u5f62\u72b6\u4e3a (len(type1\u539f\u5b50), len(type2\u539f\u5b50))\n\n- get_ring_atoms \u63d0\u53d6\u6240\u6709\u73af\u4e2d\u539f\u5b50\u7684\u7d22\u5f15 (1-based)\u3002\n\n \u53c2\u6570:\n mol: RDKit Mol \u5bf9\u8c61\n use_ringinfo: bool\n \u5982\u679c\u4e3a True, \u4f7f\u7528 ringinfo \u6765\u8bc6\u522b\u73af\u539f\u5b50;\n \u5982\u679c\u4e3a False, \u4f7f\u7528 GetSymmSSSR.\n\n \u8fd4\u56de:\n List[List[int]] -- \u6bcf\u4e2a\u73af\u662f\u4e00\u4e2a\u5217\u8868, \u91cc\u9762\u5b58\u73af\u5185\u7684\u539f\u5b50(1-based).\n \u4f8b\u5982: [[1,2,3,4,5,6],[8,9,10]].\n \n- get_hydrophobic_clusters \u8bc6\u522b\u758f\u6c34\u539f\u5b50\u5e76\u6839\u636e 3D \u8ddd\u79bb\u805a\u5408\u6210\u591a\u4e2a\u201c\u7c07\u201d\uff0c\u4ee5\u5bf9\u5e94 SDF \u4e2d\u591a\u884c hydrophobe\u3002\n\n \u8bc6\u522b\u758f\u6c34\u539f\u5b50\u5e76\u6839\u636e 3D \u8ddd\u79bb\u805a\u5408\u6210\u591a\u4e2a\u201c\u7c07\u201d\uff0c\u4ee5\u5bf9\u5e94 SDF \u4e2d\u591a\u884c hydrophobe\u3002\n \n \u8fd4\u56de: List[List[int]], \u6bcf\u4e2a\u5b50\u5217\u8868\u662f\u4e00\u7fa4(\u7c07)\u758f\u6c34\u539f\u5b50\u7684 1-based \u7d22\u5f15\u3002\n\n \u53c2\u6570:\n -------\n mol : RDKit Mol \u5bf9\u8c61 (\u9700\u67093D\u6784\u8c61,\u82e5\u65e0\u9700\u5148 Embed + \u4f18\u5316)\n distance_threshold : float\n \u4efb\u610f\u4e24\u4e2a\u5019\u9009\u758f\u6c34\u539f\u5b50\u76843D\u8ddd\u79bb\u82e5 < \u8be5\u503c\uff0c\u5c31\u89c6\u4e3a\u540c\u4e00\u7c07\u3002\n \u9ed8\u8ba41.0\u00c5\uff0c\u4e5f\u53ef\u5c1d\u8bd51.5/2.0\u7b49\u3002\n extended : bool\n True: \u4e0d\u542b O,N,S,P,\u5364\u7d20(F,Cl,Br,I)\u7684\u78b3\u89c6\u4e3a\u758f\u6c34\n False: \u4ec5\u8981\u6c42\u90bb\u5c45\u91cc\u65e0 O,N\n\n \u8fd4\u56de:\n -------\n clusters_1based : List[List[int]]\n \u4f8b\u5982 [[10,12,14],[18,22,23]]\uff0c\u8868\u793a\u4e24\u7c07\u758f\u6c34\u539f\u5b50(1-based)\u3002\n \u82e5\u6ca1\u6709\u758f\u6c34\u539f\u5b50\uff0c\u8fd4\u56de\u7a7a\u5217\u8868 []\u3002\n\n- get_anions_cations \u83b7\u53d6\u9634\u79bb\u5b50\u539f\u5b50\u5217\u8868\u3001\u9633\u79bb\u5b50\u539f\u5b50\u5217\u8868 (1-based)\u3002\n\n \u5f53\u524d\u57fa\u4e8e formal charge \u5224\u5b9a:\n - atom.GetFormalCharge() <0 => anion\n - atom.GetFormalCharge() >0 => cation\n\n \u5bf9\u591a\u4ef7\u7535\u8377, \u540c\u6837\u8bc6\u522b\u5230\u540c\u4e00\u7ec4, \u5982 +2 => cation.\n\n \u82e5\u9700\u90e8\u5206\u7535\u8377, \u9700\u989d\u5916\u529b\u573a/\u91cf\u5316\u8ba1\u7b97.\n\n- get_hbond_acceptors \u8bc6\u522b\u6c22\u952e\u53d7\u4f53\u539f\u5b50 (0-based \u7d22\u5f15)\u3002\n \u8fd4\u56de SubstructMatch \u7684 tuple list, \u6bcf\u4e2a\u5143\u7d20\u662f (atom_idx, ...).\n\n \u5982\u679c\u53ea\u9700\u539f\u5b50 idx, \u53ef\u81ea\u884c\u63d0\u53d6 match[0].\n \u8fd9\u91cc\u4f7f\u7528\u7a0d\u5fae\u66f4\u5168\u7684 SMARTS \u4f8b\u5b50, \u5305\u542b\u82b3\u73afN, \u7fb0\u57faO\u7b49.\n \n- get_hbond_donors \u8bc6\u522b\u6c22\u952e\u4f9b\u4f53\u539f\u5b50 (0-based \u7d22\u5f15)\u3002\n \n\n\n\n\n## loaders \u6a21\u5757\n\u52a0\u8f7d\u6570\u636e\u6a21\u5757\n### sdf_loader \u6a21\u5757\n\n#### SDFLoader \u7c7b\n\nSDF\u683c\u5f0f\u6570\u636e\u52a0\u8f7d\u5668\n\n\u4eceSDF\u683c\u5f0f\u6570\u636e\u4e2d\u8bfb\u53d6\u5206\u5b50\u5316\u5408\u7269\u6570\u636e,\u652f\u6301\u4ece\u6587\u4ef6\u3001\u4ece\u76ee\u5f55\u548c\u4ece\u6587\u672c\u4e09\u79cd\u65b9\u5f0f\u8bfb\u53d6\u3002\n\n- closeWarning \u5173\u95ed\u8b66\u544a\u4fe1\u606f\n\n \u6b64\u65b9\u6cd5\u662f\u7981\u7528rdkit\u7684\u8b66\u544a\u4fe1\u606f\u8f93\u51fa\n\n- openWarning \u6253\u5f00\u8b66\u544a\u4fe1\u606f\n\n \u6b64\u65b9\u6cd5\u662f\u6062\u590drdkit\u7684\u8b66\u544a\u4fe1\u606f\u8f93\u51fa\n\n- readDataFromFile \u4ece\u6307\u5b9asdf\u6587\u4ef6\u4e2d\u8bfb\u53d6 molecule \u6570\u636e\n\n Args:\n sdfDoc (str): sdf \u6587\u6863\u540d\uff08\u542b\u8def\u5f84\uff09\n startIndex (int, optional): \u8d77\u59cb\u7d22\u5f15\uff08\u5305\u542b\uff09. Defaults to 0.\n endIndex (int, optional): \u7ed3\u675f\u7d22\u5f15\uff08\u4e0d\u5305\u542b\uff0c\u9ed8\u8ba4\u503c -1 \u4ee3\u8868\u8bfb\u53d6\u5230\u6587\u4ef6\u672b\u5c3e\uff09. Defaults to -1.\n ignore_error (bool, optional): \u662f\u5426\u5ffd\u7565\u9519\u8bef. Defaults to True.\n\n Raises:\n FileNotFoundError: \u6307\u5b9a\u6587\u4ef6\u4e0d\u5b58\u5728\n ValueError: \u5f00\u59cb\u7d22\u5f15\u5fc5\u987b\u662f\u975e\u8d1f\u6570\n ValueError: \u7ed3\u675f\u7d22\u5f15\u5fc5\u987b\u5927\u4e8e\u5f00\u59cb\u7d22\u5f15\uff0c\u6216\u6307\u5b9a\u4e3a-1\n ValueError: \u6570\u636e\u6bb5\u9519\u8bef\n\n Returns:\n tuple[list[Mol], int, int]: \u5df2\u8bfb\u51fa molecule \u5217\u8868, \u5e94\u8bfb\u6570\u91cf, \u5b9e\u9645\u8bfb\u53d6\u6570\u91cf\n\n- readDataFromDir \u4ece\u6307\u5b9a\u76ee\u5f55\u4e2d\u8bfb\u53d6\u6240\u6709\u7684sdf\u6587\u4ef6,\u5e76\u4e14\u8bfb\u53d6\u5168\u90e8\u6587\u4ef6\u7684molecule\u6570\u636e\n\n Args:\n sdfDir (str): \u6307\u5b9a\u8bfb\u53d6\u7684\u6587\u4ef6\u76ee\u5f55\n recursive (bool, optional): \u662f\u5426\u9012\u5f52\u5b50\u76ee\u5f55. Defaults to True.\n ignore_error (bool, optional): \u662f\u5426\u5ffd\u7565\u9519\u8bef. Defaults to True.\n\n Raises:\n FileNotFoundError: \u6307\u5b9a\u76ee\u5f55\u4e0d\u5b58\u5728\n TypeError: \u6307\u5b9a\u76ee\u5f55\u5e76\u975e\u76ee\u5f55\u7c7b\u578b\n\n Returns:\n tuple[list[Mol], int, int]: \u5df2\u8bfb\u51famolecule\u5217\u8868,\u5e94\u8bfb\u6570\u91cf,\u5b9e\u9645\u8bfb\u53d6\u6570\u91cf\n\n- readDataFromText \u4ece\u7ed9\u5b9a\u6587\u672c\u4e2d\u8bfb\u53d6\u5206\u5b50\u5316\u5408\u7269\u6570\u636e\n\n Args:\n sdfText (str): \u5305\u542b\u5206\u5b50\u5316\u5408\u7269\u7684sdf\u683c\u5f0f\u5185\u5bb9\u7684\u6587\u672c\n ignore_error (bool, optional): \u662f\u5426\u5ffd\u7565\u9519\u8bef. Defaults to True.\n\n Returns:\n tuple[list[Mol], int, int]: \u5df2\u8bfb\u51famolecule\u5217\u8868,\u5e94\u8bfb\u6570\u91cf,\u5b9e\u9645\u8bfb\u53d6\u6570\u91cf\n \n \n",
"bugtrack_url": null,
"license": "MIT",
"summary": "A collection of reusable python biotech library from AI Lingues.",
"version": "0.2.3",
"project_urls": null,
"split_keywords": [
"ailingues",
" components",
" biotech",
" library"
],
"urls": [
{
"comment_text": null,
"digests": {
"blake2b_256": "897738f04617501bae7d9cd937c26e49c4802ad9a256b2e35be07f716ccd4b10",
"md5": "9d32dcb092ef19f66691984bb552f641",
"sha256": "0a491c7277a82cbb5c2d5701d0b8492d6750b68bbd17c6dbe1d9a9d9b308b70e"
},
"downloads": -1,
"filename": "pybiotech-0.2.3-cp311-cp311-manylinux2014_x86_64.manylinux_2_17_x86_64.manylinux_2_28_x86_64.whl",
"has_sig": false,
"md5_digest": "9d32dcb092ef19f66691984bb552f641",
"packagetype": "bdist_wheel",
"python_version": "cp311",
"requires_python": ">=3.11",
"size": 4778989,
"upload_time": "2025-08-12T14:20:27",
"upload_time_iso_8601": "2025-08-12T14:20:27.196304Z",
"url": "https://files.pythonhosted.org/packages/89/77/38f04617501bae7d9cd937c26e49c4802ad9a256b2e35be07f716ccd4b10/pybiotech-0.2.3-cp311-cp311-manylinux2014_x86_64.manylinux_2_17_x86_64.manylinux_2_28_x86_64.whl",
"yanked": false,
"yanked_reason": null
},
{
"comment_text": null,
"digests": {
"blake2b_256": "bf8d928addb2b269e42ac57f151368e28c894185b434afff39f63998d07552e3",
"md5": "1576772e3ca0caf38ba292e87f778c36",
"sha256": "822a9b45839e80c5ac8fc9342b053885d8a8c08a1120ccb156d552e1a38d0908"
},
"downloads": -1,
"filename": "pybiotech-0.2.3-cp311-cp311-win_amd64.whl",
"has_sig": false,
"md5_digest": "1576772e3ca0caf38ba292e87f778c36",
"packagetype": "bdist_wheel",
"python_version": "cp311",
"requires_python": ">=3.11",
"size": 3407841,
"upload_time": "2025-08-12T14:20:28",
"upload_time_iso_8601": "2025-08-12T14:20:28.738738Z",
"url": "https://files.pythonhosted.org/packages/bf/8d/928addb2b269e42ac57f151368e28c894185b434afff39f63998d07552e3/pybiotech-0.2.3-cp311-cp311-win_amd64.whl",
"yanked": false,
"yanked_reason": null
}
],
"upload_time": "2025-08-12 14:20:27",
"github": false,
"gitlab": false,
"bitbucket": false,
"codeberg": false,
"lcname": "pybiotech"
}
