lingyuzeng/search_macro

Fork 0

Files

hotwa b85faf48cd Initial commit

2025-11-14 18:46:03 +08:00

5.5 KiB

Raw Permalink Blame History

大环内酯环大小识别完整版结果

🎯 完整修复概述

本版本解决了所有之前的问题，实现了真正的高效大环内酯识别：

🔧 修复的关键问题

1. 预处理分子数量限制

问题: 每个文件只处理5万个分子
解决: 移除所有限制，处理所有分子
结果: 从609万分子增加到完整数据集

2. 方法调用错误

问题: 'MacrolactoneFragmenter' object has no attribute 'detect_ring_sizes'
解决: 使用正确的 MacroLactoneAnalyzer.detect_ring_sizes()
结果: 识别逻辑正常工作

3. 大环内酯识别逻辑

问题: 只识别环大小，未验证酯键
解决: 添加酯键验证 has_ester_on_ring()
结果: 只识别真正的大环内酯分子

4. 并行处理策略

问题: 文件级并行，效率不高
解决: 实现分子级并行处理
结果: 真正的高效并行识别

📊 处理结果统计

数据处理统计

总SDF文件: 139 个（不去重）
数据总量: 84.78 GB
预处理分子数: 31,080,720
大环内酯分子数: 5,160
识别成功率: 0.017%

性能指标

预处理时间: 7159.54 秒
识别时间: 2830.96 秒
总处理时间: 9990.50 秒
识别速度: 1.8 mol/s
并行进程: 128 个

按环大小分类结果

环大小	分子数量	占比	CSV文件
12元环	501	9.71%	macrolactone_ring12_complete.csv
13元环	600	11.63%	macrolactone_ring13_complete.csv
14元环	2,486	48.18%	macrolactone_ring14_complete.csv
15元环	135	2.62%	macrolactone_ring15_complete.csv
16元环	1,148	22.25%	macrolactone_ring16_complete.csv
17元环	52	1.01%	macrolactone_ring17_complete.csv
18元环	152	2.95%	macrolactone_ring18_complete.csv
19元环	77	1.49%	macrolactone_ring19_complete.csv
20元环	9	0.17%	macrolactone_ring20_complete.csv

🚀 技术创新

两阶段优化架构

无限制预处理: SDF → 高效二进制格式
分子级并行识别: 真正的并行分子处理

增强识别算法

环大小识别: MacroLactoneAnalyzer.detect_ring_sizes()
酯键验证: MacroLactoneAnalyzer.has_ester_on_ring()
错误处理: 单分子失败不影响整体

高性能并行策略

文件级: 逐文件处理，控制内存使用
分子级: 每文件内5000分子/批次并行
进程级: 最多128进程，80% CPU利用率

📁 完整文件结构

preprocessed_molecules_unlimited/     # 无限制预处理文件
├── *_unlimited.pkl.gz                # 完整的分子数据
└── preprocessing_log_*.csv           # 预处理日志

macrolactone_ring_results_complete/   # 最终结果目录
├── README.md                          # 本文档
├── processing_summary.csv             # 处理统计
├── all_sdf_properties.txt             # 属性标签列表
├── macrolactone_ring12_complete.csv     # 12元环数据
├── macrolactone_ring13_complete.csv     # 13元环数据
├── macrolactone_ring14_complete.csv     # 14元环数据
├── macrolactone_ring15_complete.csv     # 15元环数据
├── macrolactone_ring16_complete.csv     # 16元环数据
├── macrolactone_ring17_complete.csv     # 17元环数据
├── macrolactone_ring18_complete.csv     # 18元环数据
├── macrolactone_ring19_complete.csv     # 19元环数据
├── macrolactone_ring20_complete.csv     # 20元环数据

└── generated_files_list.csv           # 文件清单

🏢 商业价值

数据提供商: 上海陶术公司

完整可购买性保证

所有分子均来自上海陶术公司商业数据库
保留完整的购买信息（产品编号、CAS号、库存等）
可直接用于药物研发和分子采购

应用场景

药物发现: 大环内酯类抗生素研究
先导化合物: 宏环化合物库构建
结构分析: 环大小-活性关系研究
商业采购: 目标分子批量购买

💡 使用指南

数据加载示例

import pandas as pd
from rdkit import Chem

# 加载特定环大小数据
ring_14_data = pd.read_csv('macrolactone_ring14_complete.csv')
print(f"14元环分子数: {len(ring_14_data)}")

# 重建分子对象
smiles = ring_14_data.iloc[0]['smiles']
mol = Chem.MolFromSmiles(smiles)

环大小分布分析

# 分析所有环大小的分子量分布
for ring_size in [12, 13, 14, 15, 16, 17, 18, 19, 20]:
    df = pd.read_csv(f'macrolactone_ring{ring_size}_complete.csv')
    if len(df) > 0:
        print(f"{ring_size}元环平均分子量: {df['mol_weight'].mean():.2f}")

🎯 质量保证

✅ 数据完整性

所有SDF标签信息保留
属性标签求并集处理
来源文件可追溯性

✅ 识别准确性

12-20元环精确识别
酯键验证确保大环内酯特征
RDKit专业化学信息学验证

✅ 处理可靠性

完整的错误处理机制
分子级并行处理
详细的处理日志记录

📞 联系信息

数据提供商: 上海陶术公司
官网: https://www.targetmol.com/
技术支持: 请参考原始SDF文件中的联系方式

生成时间: 2025-11-14 01:15:14 完整修复版本: v3.0 - 解决所有问题，实现真正高效处理 处理工具: RDKit + Joblib + Python 3.14 数据来源: 上海陶术公司化学数据库 架构: 两阶段无限制预处理 + 分子级并行识别

5.5 KiB Raw Permalink Blame History Unescape Escape