## 目录结构 ```shell project_root/ ├── input/ │ ├── receptors/ │ │ ├── TrpE_entry_1.pdb │ │ └── TrpE_entry_1.pdbqt │ ├── ligands/ │ │ ├── sdf/ │ │ │ ├── ligand_001.sdf │ │ │ ├── ligand_002.sdf │ │ │ └── ... │ │ └── pdbqt/ │ │ ├── ligand_001.pdbqt │ │ ├── ligand_002.pdbqt │ │ └── ... │ └── configs/ │ ├── TrpE_entry_1.box.txt │ └── TrpE_entry_1.box.pdb ├── results/ │ ├── poses/ │ │ ├── ligand_001_out.pdbqt │ │ ├── ligand_002_out.pdbqt │ │ └── ... │ └── scores/ │ ├── docking_scores.csv │ └── summary_report.txt └── scripts/ ├── batch_prepare_ligands.sh ├── batch_docking.sh └── analyze_results.py ``` ## 受体准备 pdbqt 文件 使用 alphafold 预测 pdb 文件 cif 文件。 修复使用 moderller 同源建模，或者 pdbfixer，MOE，maestro 等 这里使用 maestro 的 `Protein reparation Workflow` 模块 然后导出 pdb 文件 使用 meeko 准备受体文件 pdbqt 文件，详细可以[参考](https://meeko.readthedocs.io/en/release-doc/rec_overview.html) ```shell micromamba run -n vina mk_prepare_receptor.py -i receptor/FgBar1_cut_proteinprep.pdb --write_pdbqt receptor/FgBar1_cut_proteinprep.pdbqt ``` 选项组合用法 ### 举例1：用默认输出名生成 pdbqt 和 vina box 配置 mk_prepare_receptor.py -i 1abc.pdb -o 1abc_clean --write_pdbqt --write_vina_box 得到 1abc_clean_rigid.pdbqt, 1abc_clean.vina.txt ### 举例2：为指定残基设置模板/柔性，并生成 box 配置 ```shell mk_prepare_receptor.py -i system.pdb \ --output_basename system_prep \ -f "A:42,B:23" \ -n "A:5,7=CYX,B:17=HID" \ --write_pdbqt --write_vina_box ``` ### 举例3：自动包络某配体生成 box 配置 ``` mk_prepare_receptor.py -i prot.pdb \ --box_enveloping ligand.pdb \ --padding 3.0 \ --output_basename dock_ready \ --write_pdbqt --write_vina_box ``` ### 受体准备介绍 ```shell mk_prepare_receptor.py -i xxx.pdb -o my_receptor -p -j -v mk_prepare_receptor.py -i FgBar1_cut_proteinprep.pdb -o FgBar1_cut_proteinprep -p ``` 这样会生成： my_receptor.pdbqt（对接用的受体文件） my_receptor.json（结构元数据，编程用得上） my_receptor.vina_box.txt（对接区域参数，给 vina 用） | 选项 | 作用 | 输出文件例子 | | ---- | -------------------- | ------------------ | | `-p` | 输出PDBQT文件（受体） | `xxx.pdbqt` | | `-j` | 输出JSON文件（元数据） | `xxx.json` | | `-v` | 输出vina box参数 | `xxx.vina_box.txt` | | `-g` | 输出GPF文件（老版AutoDock用） | `xxx.gpf` | ## 小分子 3D 构象准备 需要给小分子一个初始化的 3d 构象存放到`ligand/sdf` ```shell python sdf2to3d.py --src_dir ./2d_sdf_dir --out_dir ./3d_sdf_dir --n_jobs 8 ``` ## 小分子格式转化 使用 meeko 将 `ligand/sdf` 转为 `ligand/pdbqt` ```shell micromamba run -n vina ./scripts/batch_prepare_ligands.sh ligands/sdf ligands/pdbqt/ batch_prepare_ligands.log 128 ``` ## 小分子批量提交对接 分割小分子文件将 ligand 目录里面的 pdbqt 文件夹拆分 n 个子文件夹(pdbqt1,pdbqt2,pdbqt3...pdbqtn) ```shell micromamba run -n vina python vina_split_and_submit.py ``` 执行完成后会自动使用 dsub 命令将对接任务提交给华为多瑙调度系统 需要注意有时候提交执行速度过快可能有批次遗漏，可以在合并时候检查 ## 对接结果合并 在对接完成之后会在 `result` 文件夹里面创建 n 个对接结果文件夹（poses1，poses2，poses3...posesn） 每个文件夹中都有对应的`*_out.pdbqt`文件与`*_converted.sdf`文件，调用 ```shell micromamba run -n vina python vina_merge_and_check.py --n_splits --out_dir ./result --output_prefix poses --poses_dir ./result/poses_all ``` 会将所有的n 个对接结果文件夹中`*_converted.sdf`文件存放到 `./result/poses_all` 目录，同时会检测是否有提交时候过快导致遗漏某个批次没有对接，需要注意查看。 ## 分析对接结果 在`*_converted.sdf`文件中存在`20`个对接构象，取决于`scripts/batch_docking.sh` 中 `NUM_MODES` 设置多少数目，默认设置为 20。 其中每个 sdf 构象存在下面的``字段 用于获取对接打分等属性用于后续筛选分子。 ``` > (20) {"is_sidechain": [false], "free_energy": -6.38, "intermolecular_energy": -15.695, "internal_energy": -2.912} ``` ## batch 模式对接 vina=1.2.7可以使用batch 模式进行批量对接。 ```shell mkdir -p results/poses vina --receptor input/receptors/TrpE_entry_1.pdbqt \ --batch input/ligands/test \ --config ./configs/TrpE_entry_1.box.txt \ --dir results/poses \ --exhaustiveness=32 # 使用脚本对接 ./scripts/batch_docking.sh ./receptors/TrpE_entry_1.pdbqt ./config/TrpE_entry_1.box.txt ligands/test output test.log /share/home/lyzeng24/rdkit_script/vina/vina ``` ## 环境安装 ```shell conda install -c conda-forge vina meeko rdkit joblib rich ipython parallel openpyxl pandas mordred -y ``` ## 准备小分子pdbqt ```shell # 单个配体准备 mk_prepare_ligand.py -i molecule.sdf -o molecule.pdbqt # 批量准备 micromamba run -n vina ./scripts/batch_prepare_ligands.sh ligands/sdf ligands/pdbqt/ batch_prepare_ligands.log 128 #监控文件 watch -n 1 "ls -l pdbqt/*.pdbqt 2>/dev/null | wc -l" ``` ## 准备受体pdbqt ```shell # 受体准备（带柔性侧链） mk_prepare_receptor.py -i nucleic_acid.cif -o my_receptor -j -p -f A:42 ``` ## batch对接模式 ```shell ./scripts/batch_docking.sh input/receptors/TrpE_entry_1.pdbqt \ input/configs/TrpE_entry_1.box.txt \ input/ligands/pdbqt \ results/poses \ results/batch_docking.log ``` ## 监控对接结果 ```shell watch -n 1 'for i in {1..12}; do printf "poses$i: "; ls results/poses$i/*.pdbqt 2>/dev/null | wc -l; done' ``` ## 将对接结果还原为sdf文件 mk_export.py 命令行工具的各个参数选项。 ```shell cd output mk_export.py ./*_out.pdbqt --suffix _converted ``` ## 分析vina对接结果 ```shell # 结果导出 mk_export.py vina_results.pdbqt -j my_receptor.json -s lig_docked.sdf -p rec_docked.pdb ``` ## djob 运行时间耗时长的批次任务 ```shell 24562323 vina_job15 RUNNING lyzeng24 default default 2025/07/31 23:16:30 - agent-ARM-17 24562322 vina_job14 RUNNING lyzeng24 default default 2025/07/31 23:16:30 - agent-ARM-17 24562321 vina_job13 RUNNING lyzeng24 default default 2025/07/31 23:16:30 - agent-ARM-17 24562320 vina_job12 RUNNING lyzeng24 default default 2025/07/31 23:16:29 - agent-ARM-21 24562319 vina_job11 RUNNING lyzeng24 default default 2025/07/31 23:16:29 - agent-ARM-21 24562318 vina_job10 RUNNING lyzeng24 default default 2025/07/31 23:16:29 - agent-ARM-21 24562317 vina_job9 RUNNING lyzeng24 default default 2025/07/31 23:16:28 - agent-ARM-21 24562316 vina_job8 RUNNING lyzeng24 default default 2025/07/31 23:16:28 - agent-ARM-16 24562315 vina_job7 RUNNING lyzeng24 default default 2025/07/31 23:16:28 - agent-ARM-16 24562314 vina_job6 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-16 24562313 vina_job5 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-19 24562312 vina_job4 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-19 24562311 vina_job3 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-19 ``` ## plant_metabolit 数据集 准备 阮耀师兄之前用构建的植物代谢网络，里面包含的代谢物 执行命令： ```shell cd /Users/lingyuzeng/Downloads/211.69.141.180/202508021824/vina/ligand/plant_meta chmod +x run_convert_smiles.sh ./run_convert_smiles.sh ``` 执行结果： ```shell Conversion Summary: Total SMILES processed: 8086 Successfully converted: 6238 Failed conversions: 1848 Skipped molecules (empty abbreviation): 0 Output directory: sdf Success rate: 77.1% Script execution completed. ``` ## autodock vina 参考分子对接 trpe:(PDB ID: 5cwa) ```shell ./vina --receptor ./refence/trpe/TrpE_entry_1.pdbqt --ligand ./refence/trpe/align_5cwa_0GA_addH.pdbqt --config ./refence/trpe/TrpE_entry_1.box.txt --out ./refence/trpe/align_5cwa_0GA_addH_out.pdbqt --exhaustiveness="32" --num_modes="20" --energy_range="5.0" ``` result: ```shell AutoDock Vina v1.2.7 ################################################################# # If you used AutoDock Vina in your work, please cite: # # # # J. Eberhardt, D. Santos-Martins, A. F. Tillack, and S. Forli # # AutoDock Vina 1.2.0: New Docking Methods, Expanded Force # # Field, and Python Bindings, J. Chem. Inf. Model. (2021) # # DOI 10.1021/acs.jcim.1c00203 # # # # O. Trott, A. J. Olson, # # AutoDock Vina: improving the speed and accuracy of docking # # with a new scoring function, efficient optimization and # # multithreading, J. Comp. Chem. (2010) # # DOI 10.1002/jcc.21334 # # # # Please see https://github.com/ccsb-scripps/AutoDock-Vina for # # more information. # ################################################################# Scoring function : vina Rigid receptor: ./refence/trpe/TrpE_entry_1.pdbqt Ligand: ./refence/trpe/align_5cwa_0GA_addH.pdbqt Grid center: X 7.402 Y -4.783 Z -11.818 Grid size : X 30 Y 30 Z 30 Grid space : 0.375 Exhaustiveness: 32 CPU: 0 Verbosity: 1 Computing Vina grid ... done. WARNING: At low exhaustiveness, it may be impossible to utilize all CPUs. Performing docking (random seed: 650309048) ... 0% 10 20 30 40 50 60 70 80 90 100% |----|----|----|----|----|----|----|----|----|----| *************************************************** mode | affinity | dist from best mode | (kcal/mol) | rmsd l.b.| rmsd u.b. -----+------------+----------+---------- 1 -6.531 0 0 2 -6.352 3.988 6.453 3 -6.3 1.447 5.602 4 -6.291 1.94 5.284 5 -6.283 1.044 2.037 6 -6.159 3.798 5.275 7 -6.124 1.43 5.553 8 -5.988 3.499 5.489 9 -5.925 3.311 4.252 10 -5.912 3.647 4.894 11 -5.889 7.256 10.49 12 -5.821 2.351 5.29 13 -5.763 3.731 6.18 14 -5.732 3.557 6.002 15 -5.729 7.213 9.251 16 -5.693 4.179 5.642 17 -5.684 3.058 4.111 18 -5.679 4.117 5.518 19 -5.671 4.656 6.098 20 -5.663 4.112 5.705 ``` fgbar:（PDB ID： 8izd） ```shell ./vina --receptor ./refence/fgbar/FgBar1_cut_proteinprep.pdbqt --ligand ./refence/fgbar/align_8izd_F_9NY_addH.pdbqt --config ./refence/fgbar/FgBar1_entry_1.box.txt --out ./refence/fgbar/align_8izd_F_9NY_addH_out.pdbqt --exhaustiveness="32" --num_modes="20" --energy_range="5.0" ``` reusult: ```shell AutoDock Vina v1.2.7 ################################################################# # If you used AutoDock Vina in your work, please cite: # # # # J. Eberhardt, D. Santos-Martins, A. F. Tillack, and S. Forli # # AutoDock Vina 1.2.0: New Docking Methods, Expanded Force # # Field, and Python Bindings, J. Chem. Inf. Model. (2021) # # DOI 10.1021/acs.jcim.1c00203 # # # # O. Trott, A. J. Olson, # # AutoDock Vina: improving the speed and accuracy of docking # # with a new scoring function, efficient optimization and # # multithreading, J. Comp. Chem. (2010) # # DOI 10.1002/jcc.21334 # # # # Please see https://github.com/ccsb-scripps/AutoDock-Vina for # # more information. # ################################################################# Scoring function : vina Rigid receptor: ./refence/fgbar/FgBar1_cut_proteinprep.pdbqt Ligand: ./refence/fgbar/align_8izd_F_9NY_addH.pdbqt Grid center: X -12.7 Y -9.1 Z -0.3 Grid size : X 49.1 Y 37.6 Z 35.2 Grid space : 0.375 Exhaustiveness: 32 CPU: 0 Verbosity: 1 WARNING: Search space volume is greater than 27000 Angstrom^3 (See FAQ) Computing Vina grid ... done. WARNING: At low exhaustiveness, it may be impossible to utilize all CPUs. Performing docking (random seed: -399012800) ... 0% 10 20 30 40 50 60 70 80 90 100% |----|----|----|----|----|----|----|----|----|----| *************************************************** mode | affinity | dist from best mode | (kcal/mol) | rmsd l.b.| rmsd u.b. -----+------------+----------+---------- 1 -5.268 0 0 2 -5.106 3.453 7.96 3 -5.003 3.114 6.709 4 -4.986 6.86 13.92 5 -4.947 5.434 13 6 -4.875 4.933 10.47 7 -4.867 6.888 13.75 8 -4.862 4.244 9.114 9 -4.835 3.776 6.806 10 -4.826 3.682 7.143 11 -4.824 5.4 10.17 12 -4.81 5.364 7.809 13 -4.808 4.364 11.15 14 -4.805 3.211 5.684 15 -4.783 3.585 8.995 16 -4.773 6.47 13.64 17 -4.773 3.465 6.652 18 -4.731 4.73 9.619 19 -4.726 4.867 10.88 20 -4.716 4.834 8.903 ``` 对接结果并不理想，可能是分子中灵活的扭转角多，柔性较大。AutoDock Vina 更偏向刚性对接。 ## 分析策略 ### trpe（COCUNT） #### AutoDock Vina 筛选 过滤结果： 1. 针对 trpe 口袋 因为 trpe 口袋和参考分子较小，考虑使用小分子先过滤(MW < 800)。 针对 AutoDock Vina 的 score score 参考 align_5cwa_0GA_addH 结果 < -6.5 分子保留。 剩下根据 QED 排名选择前 100 个分子作为最后实验分子。 2. 针对 fgbar 口袋筛选 fgbar 口袋的参考分子较大，MW 不进行筛选。 针对 QED 进行过滤，QED > 0.5 , 参考分子align_8izd_F_9NY_addH rank1 的Vina 分数 < -5.2过滤，之后选择 rank 前 100 的分子。 AutoDock vina：QED 针对小空间（分子量小的）trpe，QED 过滤。 过滤结果 ```shell 使用 head 命令查看了两个 CSV 文件的数据结构 验证了 vina_scores 列的数据完整性 trpe 数据集发现 1919 个文件的构象数少于 20 个 fgbar 数据集发现 404 个文件的构象数少于 20 个 所有分子的最小构象数为 1 按照 README.md 的要求实现了数据过滤： TRPE 过滤条件：MW < 800 且 Vina < -6.5 FGBAR 过滤条件：QED > 0.5 且 Vina < -5.2 生成了过滤结果文件： /result/filtered_results/qed_values_fgbar_combined_filtered.csv (1878.1KB) /result/filtered_results/qed_values_fgbar_top100.csv (27.6KB) /result/filtered_results/qed_values_trpe_combined_filtered.csv (6090.1KB) /result/filtered_results/qed_values_trpe_top100.csv (27.5KB) 输出了统计信息： TRPE 数据统计： 原始数据总数: 41166 仅QED过滤后数据总数: 7229 仅Vina得分过滤后数据总数: 29728 同时满足QED和Vina得分条件的数据总数: 18787 FGBAR 数据统计： 原始数据总数: 41166 仅QED过滤后数据总数: 7228 仅Vina得分过滤后数据总数: 36111 同时满足QED和Vina得分条件的数据总数: 6568 ## 聚类探索分析 ### trpe 聚类探索分析 radius=3 是为了让聚类更敏感于分子结构差异，尤其是在功能团位置上的差异。 n-bits=1024 是因为这个值足够区分几万甚至几十万分子，同时计算代价可接受。 ```shell (vina) lingyuzeng@Mac-mini vina % python scripts/cluster_granularity_scan.py \ --csv result/filtered_results/qed_values_trpe_combined_filtered.csv \ --smiles-col smiles \ --radius 3 \ --n-bits 1024 计算 Tanimoto 相似度矩阵... Method Params #Clusters AvgSize AvgIntraSim Butina {'cutoff': 0.4} 8960 2.10 0.706 Butina {'cutoff': 0.5} 6720 2.80 0.625 Butina {'cutoff': 0.6} 4648 4.04 0.548 Butina {'cutoff': 0.7} 2783 6.75 0.463 Butina {'cutoff': 0.8} 958 19.61 0.333 Hierarchical {'threshold': 0.3} 12235 1.54 0.814 Hierarchical {'threshold': 0.4} 9603 1.96 0.739 Hierarchical {'threshold': 0.5} 7300 2.57 0.664 DBSCAN {'eps': 0.2} 2050 3.18 0.106 DBSCAN {'eps': 0.3} 2275 4.61 0.113 DBSCAN {'eps': 0.4} 2014 6.65 0.113 KMeans {'k': 10} 10 1878.70 0.204 KMeans {'k': 20} 20 939.35 0.200 KMeans {'k': 50} 50 375.74 0.233 ``` | 方法 | 参数候选 | 簇数 | AvgSize | AvgIntraSim | 解释 | | ------------ | ----------------- | ---------- | ------- | ----------- | ------------------------------------ | | Butina | **cutoff=0.6** | 4648 | 4.04 | 0.548 | 簇数适中，簇内平均相似度≈0.55，代表簇内有一定结构多样性但不是太松散 | | Butina | cutoff=0.7 | 2783 | 6.75 | 0.463 | 簇更少，但簇内相似度低，可能太松散 | | Hierarchical | **threshold=0.5** | 7300 | 2.57 | 0.664 | 簇更细，每簇2–3个分子，相似度高，代表性好 | | Hierarchical | threshold=0.6 | （没测，但会更松散） | - | - | 不推荐，可能太松散 | 推荐参数： Butina → --cutoff 0.6 Hierarchical → --cutoff 0.5（脚本里 Hierarchical cutoff 是距离阈值 t，这里 threshold=0.5 就直接传 0.5） ### fgbar 聚类探索分析 ```shell (vina) [lyzeng24@cli-ARM-01 vina]$ python scripts/cluster_granularity_scan.py --csv result/filtered_results/qed_values_fgbar_combined_filtered.csv \ > --smiles-col smiles \ > --radius 3 \ > --n-bits 1024 计算 Tanimoto 相似度矩阵... Method Params #Clusters AvgSize AvgIntraSim Butina {'cutoff': 0.4} 4810 1.37 0.727 Butina {'cutoff': 0.5} 3915 1.68 0.628 Butina {'cutoff': 0.6} 3027 2.17 0.544 Butina {'cutoff': 0.7} 1943 3.38 0.441 Butina {'cutoff': 0.8} 690 9.52 0.302 Hierarchical {'threshold': 0.3} 5661 1.16 0.849 Hierarchical {'threshold': 0.4} 4993 1.32 0.750 Hierarchical {'threshold': 0.5} 4210 1.56 0.664 DBSCAN {'eps': 0.2} 393 2.24 0.091 DBSCAN {'eps': 0.3} 648 2.54 0.092 DBSCAN {'eps': 0.4} 862 3.25 0.096 KMeans {'k': 10} 10 656.80 0.144 KMeans {'k': 20} 20 328.40 0.159 KMeans {'k': 50} 50 131.36 0.180 ``` | 方法 | 参数候选 | 簇数 | AvgSize | AvgIntraSim | 解释 | | ------------ | ----------------- | ---- | ------- | ----------- | ------------- | | Butina | **cutoff=0.6** | 3027 | 2.17 | 0.544 | 簇数适中，簇内多样性不错 | | Butina | cutoff=0.7 | 1943 | 3.38 | 0.441 | 簇更少，簇内相似度低，松散 | | Hierarchical | **threshold=0.5** | 4210 | 1.56 | 0.664 | 簇小且相似度高，代表性好 | 推荐参数： Butina → --cutoff 0.6 Hierarchical → --cutoff 0.5 ### 选择Butina 分子相似性聚类的老牌方法 Butina 是专门针对分子指纹 + Tanimoto 相似度设计的，化学信息学里用得很广，聚类结果可解释性强。 速度更快 在几万分子的规模上，Butina 算法一般比层次聚类（Hierarchical）快很多，也更省内存。 参数直观 cutoff 就是“簇内相似度下限”，调节起来很直观（比如 0.6~0.7 控制簇大小和多样性）。 Hierarchical 的优点是可以得到聚类树（树状图可以动态选择阈值），但缺点是： 大数据量时计算慢，占内存多（需要完整的相似度矩阵） 阈值不如 Butina 的 cutoff 直观，分子数多的时候聚类树的可视化会很复杂 所以我建议： 日常自动化批量筛选 → Butina 需要深入探索簇之间的关系 → Hierarchical 然后根据聚类结果： 聚类：用 Butina cutoff ≈ 0.6–0.7 或 Hierarchical 阈值 ≈ 0.5–0.6（保持簇内差异可控，簇数不要太多）。 选代表：每个簇取 1 个中心分子（簇内与其他成员平均相似度最高的那个）。 如果仍想增强多样性，可以在代表集中再跑一次 MaxMin picking。 设计思想： 1. 聚类（控制簇内差异） 目标：把相似的分子放到同一簇，不同簇差异尽量大。 选择 Butina cutoff ≈ 0.6–0.7 或 层次聚类阈值 ≈ 0.5–0.6 是为了既保留结构差异，又不让簇数太多。 阈值越低 → 簇数多、粒度细（多样性高但不聚拢），阈值越高 → 簇数少、粒度粗（代表性强但多样性低）。 你这里是在中间值取平衡，保证每个簇内的分子还是相似的，但簇的总数也不会大到难以处理。 2. 簇内代表分子选择 在每个簇里，找出与簇内所有成员平均相似度最高的分子作为“簇中心”。 这样可以确保这个分子最能代表整个簇的化学特征。 这种方法类似medoid picking，比随便选一个分子更稳。 3. 再次提升多样性（MaxMin picking） 如果代表集依然太集中，可以再用一次MaxMin picking： 第一步选一个分子（比如最活跃的、或者随机一个） 每次选下一个时，都选当前与已选分子集合中最不相似的那个 这样会最大化代表集之间的结构差异，让你挑到的分子更加分散、多样。 每个簇选一个分子后，对每个分子进行对于打分进行 ranking 排序，选择前 100 个分子用于后续实验。 ## 聚类结果 ### trpe 聚类结果 Butina 聚类（0.6） ```shell python scripts/cluster_best_vina.py \ --csv result/filtered_results/qed_values_trpe_combined_filtered.csv \ --smiles-col smiles \ --radius 3 \ --n-bits 1024 \ --cutoff 0.6 \ --out result/trpe_cluster_best_vina_butina.csv [i] butina 聚类完成：8960 个簇，有效分子数 18787 [+] 已保存：result/trpe_cluster_best_vina_butina_butina.csv（8960 条，每簇 1 条） ``` Hierarchical 聚类（0.5） ```shell python scripts/cluster_best_vina.py \ --csv result/filtered_results/qed_values_trpe_combined_filtered.csv \ --smiles-col smiles \ --radius 3 \ --n-bits 1024 \ --method hierarchical \ --cutoff 0.5 \ --out result/trpe_cluster_best_vina_hier.csv [i] hierarchical 聚类完成：7267 个簇，有效分子数 18787 [+] 已保存：result/trpe_cluster_best_vina_hier_hierarchical.csv（7267 条，每簇 1 条） ``` ### fgbar 聚类结果 Butina 聚类（0.6） ```shell python scripts/cluster_best_vina.py \ --csv result/filtered_results/qed_values_fgbar_combined_filtered.csv \ --smiles-col smiles \ --radius 3 \ --n-bits 1024 \ --cutoff 0.6 \ --out result/fgbar_cluster_best_vina_butina.csv [i] butina 聚类完成：4810 个簇，有效分子数 6568 [+] 已保存：result/fgbar_cluster_best_vina_butina_butina.csv（4810 条，每簇 1 条） ``` Hierarchical 聚类（0.5） ```shell python scripts/cluster_best_vina.py \ --csv result/filtered_results/qed_values_fgbar_combined_filtered.csv \ --smiles-col smiles \ --radius 3 \ --n-bits 1024 \ --method hierarchical \ --cutoff 0.5 \ --out result/fgbar_cluster_best_vina_hier.csv [i] hierarchical 聚类完成：4176 个簇，有效分子数 6568 [+] 已保存：result/fgbar_cluster_best_vina_hier_hierarchical.csv（4176 条，每簇 1 条） ``` #### karamadock 筛选 待反馈结构结果 karamadock：只看 qed 过滤后的小分子对接情况（过滤标准：**小分子**，QED） glide: 小分子，QED。（vina 打分好的 1w 个 ， 按照底物标准） #### glide 筛选 之前是考虑底物标准的交集，这里使用底物标准剩余的分子全部使用glide 进行分子对接。 将 `qed_values_fgbar_filtered.csv` 将 `qed_values_fgbar_filtered.csv` --- ### fgbar vina，karamadock，底物标准，选择 交集做 glide。 ## tanimoto_clustering.py 用法 环境依赖 ```shell micromamba create -n chem_cluster python=3.11 mordred chemplot pandas rdkit scikit-learn ``` ```python from utils.chem_cluster import TanimotoClusterer, search_best_config, SearchConfig ``` 几个核心类和函数： TanimotoClusterer：主聚类类，可配置方法、参数，fit() / stats() / representatives() / chemplot_scatter()。 SearchConfig：自动搜索的参数集合（半径、nBits、聚类器等的网格）。 search_best_config：自动搜索“分得比较开”的聚类配置，并返回最佳聚类器、统计和历史对比表。 ClusterStats：聚类统计结构体（样本数、簇数、最大簇比例、轮廓系数等）。 # 分子对接分析流程 ## 目录 [TOC] ## 1. 项目概述 ... ## 2. 系统功能 ... ## 3. 技术架构 ... ## 4. 技术选型 ... ## 5. 开发环境 ... ## 6. 技术约束 ... ## 使用说明 ### 数据准备 ... ### 分子对接 ... ### 结果分析 ... ### 聚类分析 ... ### 新增：代表分子选择 #### 选择簇内最高Vina得分分子 ```bash # 示例命令 python scripts/select_representatives.py \ --csv result/filtered_results/qed_values_fgbar_top100.csv \ --smiles-col smiles \ --vina-col vina_scores \ --radius 3 \ --n-bits 1024 \ --sim-cutoff 0.6 \ --output result/clustered_representatives.csv ``` - `--csv`: 输入CSV文件路径 - `--smiles-col`: SMILES列名 - `--vina-col`: Vina得分列名 - `--radius`: Morgan指纹半径（默认3） - `--n-bits`: 指纹位数（默认1024） - `--sim-cutoff`: Butina相似度阈值（默认0.6） - `--output`: 输出文件路径 该脚本会： 1. 使用Butina算法对分子进行聚类 2. 在每个簇中选择Vina得分最高的分子 3. 将结果保存到新的CSV文件 输出文件包含每个簇的代表性分子，共保留与簇数量相同的分子。