20 KiB
MacrolactoneDB 验证、碎片库分析与 Tylosin 枚举报告
本文档把 temp.csv 的验证筛选、侧链碎片库生成、碎片大小分析、16 元环位点提取，以及 tylosin 枚举结果串成一条完整数据链路。目标是让没有上下文的读者也能直接理解：
- 原始数据如何从 11,036 个分子收缩到标准大环内酯集合。
- 为什么最终碎片库只有 4,451 个母体进入可拼接片段分析。
- 为什么后续侧链筛选采用
>3重原子作为下限。 - 16 元环的
3/4/12/13位点碎片是如何导出并用于 tylosin 枚举的。
结果文件一览
数据流总览
flowchart TD
A["data/MacrolactoneDB/ring12_20/temp.csv<br/>11,036 个分子"] --> B["classify_macrocycle()<br/>standard / non-standard / not"]
B -->|standard_macrolactone| C["逐个标准大环内酯做 canonical numbering"]
B -->|non_standard_macrocycle / not_macrolactone| D["processing_status = skipped"]
C --> E["遍历 position > 2 的环位点"]
E --> F["collect_fragmentable_side_chain_atoms()<br/>只保留单锚点可拼接侧链"]
F -->|None| G["丢弃该裂解尝试"]
F -->|atoms returned| H["build_fragment_with_isotope()<br/>生成 labeled / plain SMILES"]
H --> I["写入 side_chain_fragments"]
H --> J["写入 fragment_library_entries<br/>source_type = validation_extract"]
J --> K["fragment_library.csv / fragments.db"]
K --> L["按 plain SMILES 计算重原子数"]
L --> M["全库阈值分析 + 位点多样性分析"]
M --> N["导出 ring16_position_fragment_exports/"]
N --> O["tylosin scheme_b_fix_pos13 枚举"]
1. 术语与编号规则
| 术语 | 含义 |
|---|---|
canonical numbering |
1 = 内酯羰基碳，2 = 相邻酯氧，3..N 按从 2 位出发沿环唯一遍历顺序编号 |
mirror mapping |
16 元环固定镜像关系，3→16、4→15、5→14、6→13、7→12、8→11、9→10 |
standard_macrolactone |
只有一个可唯一确认的 12-20 元 lactone 环，且 3..N 全部为碳 |
non_standard_macrocycle |
有重叠候选环，或者 3..N 位置出现非碳原子，属于桥环 / 稠环 / 非标准大环 |
not_macrolactone |
找不到有效的 12-20 元 lactone 环 |
cleavage_position |
侧链连接到环上的位置编号 |
splice_ready |
该碎片是单锚点、可直接用于重新拼接的碎片 |
fragment_smiles_plain |
去掉 isotope 但保留 dummy 原子 * 的碎片 SMILES |
fragment_smiles_labeled |
带 isotope 的碎片 SMILES，例如 [13*]... |
这里特别强调一点：碎片去重时考虑了 dummy 原子 *，但不把 dummy 上的 isotope 作为唯一性依据。也就是说，*C、*O 这类结构会按 plain SMILES 去重，但 [13*]... 这类位置标签不会把同一 plain 结构拆成多个独立 chemotype。
2. 从 temp.csv 到标准大环内酯
原始输入文件是 data/MacrolactoneDB/ring12_20/temp.csv，共 11,036 个分子。
2.1 分类结果
| 分类 | 数量 | 占总输入比例 |
|---|---|---|
non_standard_macrocycle |
6,336 | 57.41% |
standard_macrolactone |
4,482 | 40.61% |
not_macrolactone |
218 | 1.98% |
这一步的关键不是“有没有大环”本身，而是“是否满足标准大环内酯定义”：
- 必须存在 12-20 元 lactone 候选环。
- 候选环必须唯一，不能是多个重叠候选。
- 环上
3..N必须全部是碳。
因此，很多结构虽然是宏环，但会因为桥环、稠环、杂原子插入或候选不唯一而被排除在 standard_macrolactone 之外。
2.2 标准大环内酯的 ring size 分布
在 4,482 个标准大环内酯中，ring size 分布如下：
| ring size | 数量 | 占标准集比例 |
|---|---|---|
| 12 | 426 | 9.50% |
| 13 | 198 | 4.42% |
| 14 | 2,478 | 55.29% |
| 15 | 43 | 0.96% |
| 16 | 1,111 | 24.79% |
| 17 | 42 | 0.94% |
| 18 | 140 | 3.12% |
| 19 | 6 | 0.13% |
| 20 | 38 | 0.85% |
这个分布说明，当前验证集中最主要的标准大环内酯集中在 14 元环 和 16 元环，其中 14 元环超过一半，16 元环接近四分之一。
2.3 为什么 4,482 会进一步变成 4,451
这 4,482 个标准大环内酯里，有 31 个分子没有任何可拼接侧链碎片，因此不会进入 fragment_library.csv。
换句话说：
| 阶段 | 数量 | 占标准集比例 |
|---|---|---|
standard_macrolactone 总数 |
4,482 | 100.00% |
| 至少产生 1 条侧链碎片 | 4,451 | 99.31% |
num_sidechains = 0 |
31 | 0.69% |
这 31 个分子不是“分类失败”，而是“分类成功但没有通过侧链可拼接过滤”。它们的 cleavage_positions 为空，说明在 position > 2 的环位点上，没有找到满足规则的外侧链。
2.4 实际进入碎片库的 ring size 分布
在最终 4,451 个 fragment-bearing 母体中，ring size 分布如下：
| ring size | 数量 | 占 fragment-bearing 母体比例 |
|---|---|---|
| 12 | 422 | 9.48% |
| 13 | 191 | 4.29% |
| 14 | 2,475 | 55.61% |
| 15 | 41 | 0.92% |
| 16 | 1,105 | 24.83% |
| 17 | 36 | 0.81% |
| 18 | 139 | 3.12% |
| 19 | 4 | 0.09% |
| 20 | 38 | 0.85% |
这张表才是后续碎片库真正的母体分布，因为它排除了那 31 个“标准但无侧链”的分子。
3. 碎片库如何生成
碎片库的生成逻辑在验证流程中完成，结果写入：
| 输出 | 含义 |
|---|---|
| validation_output/fragment_library.csv | 统一碎片库导出 |
| validation_output/fragments.db | parent_molecules、side_chain_fragments、fragment_library_entries 等表 |
对每个 standard_macrolactone，程序会：
- 先做 canonical numbering。
- 只遍历
position > 2的位点。 - 跳过环内原子和 intrinsic lactone neighbor。
- 用
collect_fragmentable_side_chain_atoms()识别单锚点、可拼接侧链。 - 用
build_fragment_with_isotope()生成fragment_smiles_labeled和fragment_smiles_plain。 - 只有
Chem.MolFromSmiles(plain_smiles)可解析时，碎片才会写入数据库和 CSV。
因此，这份库并不是“把所有侧链都随意裂开”，而是“只保留单锚点、可重拼接、SMILES 合法的侧链碎片”。
4. 统一碎片库的规模与去重
fragment_library.csv 的核心统计如下：
| 指标 | 数值 |
|---|---|
| 行数 | 34,829 |
| 去重母体数 | 4,451 |
唯一 fragment_smiles_plain 数 |
1,852 |
唯一 fragment_smiles_labeled 数 |
2,051 |
这里最容易误解的一点是：1,852 不是“把 dummy 原子去掉以后才算出来的”，而是按 fragment_smiles_plain 去重得到的。plain 仍然保留 dummy 原子 *，只是去掉了 isotope 标签，因此：
*C和*O这样的结构会被当成不同碎片。[13*]C和[16*]C会因为 isotope 标签被抹掉而收敛成同一个 plain 结构。
换言之，1,852 说明的是“去掉位置标签后的 chemotype 数量”，而不是“把 dummy 原子也删掉后的数量”。
4.1 高频碎片
当前库里最常见的 plain 碎片是：
| 碎片 | 计数 | 占总行数比例 |
|---|---|---|
*C |
15,927 | 45.73% |
*O |
4,722 | 13.56% |
*=O |
3,167 | 9.09% |
*CC |
2,261 | 6.49% |
这四类最简单的碎片合计已经占到总行数的绝大部分。它们非常适合解释为什么后续要使用 >3 重原子作为设计相关下限，因为库里真正占量的是大量一到三原子的“噪声型”片段，而不是高信息密度的大碎片。
4.2 为何 1852 仍然不算“小”
34,829 条行数去重后剩 1,852 个 unique plain SMILES，并不反常，原因是：
- 很多碎片在不同母体、不同位置上会重复出现。
- 小碎片的复用率极高，尤其是
*C、*O、*=O、*CC这类。 - 只要保留 dummy 原子
*，就会把“裸碎片”与“带连接点的片段”区分开来，因此 unique 数不会无限压缩。
5. 侧链筛选阈值：为什么下限是 >3 重原子
关于你关心的“上限和下限”：
- 下限是明确的：后续设计相关侧链分析采用
>3重原子。 - 上限不是硬编码规则：当前代码和报告没有设置统一的碎片上限。
- 如果问当前库的经验上沿：
fragment_atom_count_summary.csv显示最大重原子数是 48，p95 = 14，p99 = 27。
5.1 结果文件位置
如果你要找“上限是多少”的依据，应该看这几个文件：
| 文件 | 作用 |
|---|---|
| fragment_atom_count_summary.csv | 给出 max_atom_count = 48、p95 = 14、p99 = 27 等摘要 |
| fragment_atom_count_frequency.csv | 给出每个原子数的频次分布 |
| fragment_atom_count_filter_candidates.csv | 给出不同下限阈值的删减效果 |
| analysis_summary.txt | 文字版摘要，最适合快速引用 |
5.2 为什么下限选 >3
阈值候选表显示：
| 下限规则 | 删除行数 | 删除行比例 | 删除 unique fragments |
|---|---|---|---|
<=1 |
23,994 | 68.89% | 10 |
<=2 |
28,069 | 80.59% | 26 |
<=3 |
28,550 | 81.97% | 52 |
<=4 |
29,045 | 83.39% | 88 |
<=5 |
29,272 | 84.04% | 141 |
这组数据给出的结论非常清楚：
<=3已经去掉了 82% 左右的记录。- 但它只去掉了 2.8% 的 unique fragments。
- 换句话说，低于等于 3 重原子的碎片主要贡献的是“行数噪声”，不是“结构多样性”。
所以，>3 是一个很自然的设计相关下限，因为它把大量单原子、双原子、三原子碎片排除掉，同时尽可能保留更像“真实取代基”的片段。
5.3 上限为什么不设成硬规则
当前库的重原子数分布是长尾的，最大值到 48，但：
- 大于 14 的片段已经属于少数。
- 大于 27 的片段更是极少。
- 这些长尾片段中仍可能包含糖环、杂环、稠环等有意义的单锚点片段。
因此，当前项目更适合把上限当作“任务依赖的经验裁剪”，而不是“全局硬上限”。
如果你必须写一个论文里的操作性描述，可以这样写：
本研究采用
>3重原子作为设计相关侧链下限；上限不做全局硬截断，仅在具体下游任务中按库规模与化学可解释性进行任务特异性裁剪。当前库的经验分布显示重原子数最大为 48，95% 分位数为 14，99% 分位数为 27。
这个表述比“固定上限 = 某个整数”更稳妥，也更符合当前代码和数据实际。
6. 16 元环的位点碎片提取
16 元环是本项目里最重要的 ring size 之一，后续位点导出固定在 canonical 位置 3/4/12/13。
6.1 位点导出数量
validation_output/ring16_position_fragment_exports/ 下四个导出文件的 unique fragment 数量如下：
| 位点 | unique fragment 数 |
|---|---|
| 3 | 121 |
| 4 | 70 |
| 12 | 99 |
| 13 | 198 |
所以，你前面问的“3、4、12 位置是不是 121、70、99？”答案是：对，正确。如果把 13 位也算上，那么 13 位是 198 条 unique fragments。
6.2 对应的全量与设计相关子集
| 位点 | 全量碎片数 | unique plain SMILES | >3 重原子后碎片数 |
>3 unique plain SMILES |
|---|---|---|---|---|
| 3 | 1,048 | 121 | 269 | 117 |
| 4 | 595 | 70 | 269 | 63 |
| 12 | 930 | 99 | 177 | 83 |
| 13 | 876 | 198 | 709 | 193 |
这说明：
- 13 位在天然库里最丰富。
- 3 位和 4 位的 unique chemotype 也不低。
- 12 位虽然总量不如 13 位，但设计相关子集仍然相当可观。
6.3 位置编号与文献标签的关系
由于项目统一使用 canonical numbering，16 元环的这四个位点在文献视角下可以理解为镜像位置：
| canonical position | literature-style mirrored label |
|---|---|
| 3 | 16 |
| 4 | 15 |
| 12 | 7 |
| 13 | 6 |
因此，当前数据里最富集的 canonical 位点 13, 3, 4, 12，对应文献常说的 6, 16, 15, 7 一组方向镜像标签。
7. tylosin 的枚举结果
本项目里 tylosin 的枚举结果保存在：
7.1 枚举设定
该结果对应 scheme_b_fix_pos13，核心设定是：
| 参数 | 值 |
|---|---|
reference_slug |
tylosin |
replace_positions |
[3, 4, 12, 13] |
fixed_positions |
[13] |
candidate_counts |
{3: 121, 4: 70, 12: 99} |
这意味着：
- 13 位的糖基保持不变。
- 只对 3、4、12 位进行枚举。
- 拼接空间是这三个位点片段库的笛卡尔积。
7.2 枚举规模
| 指标 | 数值 |
|---|---|
| 尝试组合数 | 838,530 |
| 成功拼接数 | 838,530 |
| 去重后唯一产物数 | 810,810 |
| 合并掉的重复组合数 | 27,720 |
| 重复率 | 3.31% |
这里最关键的一点是：
838,530 = 121 × 70 × 99
所以原始组合数就是 3 个位点片段库的直积。去重后变成 810,810，说明有一小部分不同组合最终坍缩成了同一个 canonical product SMILES。
7.3 唯一产物分布
occurrence_count 的分布是：
| occurrence_count | 唯一产物数 |
|---|---|
| 1 | 790,020 |
| 2 | 13,860 |
| 3 | 6,930 |
这说明大多数 unique product 都只对应单一路径，但也有一部分产物由多个组合收敛而来。
8. 可以直接写进论文的结论
8.1 验证与碎片库生成
在 MacrolactoneDB ring12_20 验证集中，11,036 个输入分子经分类后得到 4,482 个 standard_macrolactone，其中 31 个标准大环没有任何可拼接侧链碎片，最终形成 4,451 个 fragment-bearing 母体和 34,829 条可拼接碎片记录。
8.2 侧链筛选阈值
碎片大小分布极度右偏，*C、*O、*=O、*CC 四类最简单碎片已占据绝大多数记录。基于当前库的频率分布，建议将 >3 重原子作为后续设计相关侧链的下限；同时，当前库没有全局硬上限，最高观察值为 48 重原子，95% 分位数为 14，99% 分位数为 27。
8.3 16 元环位点
在 canonical 16 元环编号下，3/4/12/13 位导出的 unique fragments 数分别为 121、70、99、198。若按文献镜像标签表达，则对应 16/15/7/6 位。
8.4 tylosin 枚举
以 tylosin 为参考骨架、固定 13 位糖基不变时，3/4/12 位枚举共产生 838,530 个组合，去重后得到 810,810 个 unique products，重复折叠率为 3.31%。
9. 推荐的图表引用
| 图 | 文件 |
|---|---|
| 全库碎片原子数分布 | fragment_atom_count_distribution.png |
| 16 元环位点数量对比 | ring16_position_count_comparison.png |
| 16 元环设计相关碎片 boxplot | ring16_position_atom_count_boxplot_gt3.png |
| 16 元环位点多样性图 | ring16_position_diversity_gt3.png |
| 16 元环药化热点对比 | ring16_medchem_hotspot_comparison.png |
| 16 元环环状侧链敏感性 | ring16_position_ring_sensitivity.png |
10. 一句话总结
这条链路的核心结论是：temp.csv 中 11,036 个分子经过标准大环内酯筛选后，真正进入可拼接碎片库的是 4,451 个母体、34,829 条碎片；碎片大小分布强烈偏向 1-3 重原子小片段，因此后续设计分析采用 >3 重原子作为下限，而 16 元环的 3、4、12、13 位碎片与 tylosin 的 fixed-pos13 枚举结果一起构成了后续论文中最重要的参数和设计依据。