796 lines
28 KiB
Markdown
796 lines
28 KiB
Markdown
## 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 <split_number_n>
|
||
```
|
||
|
||
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 <split_number_n> --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`<meeko>`字段 用于获取对接打分等属性用于后续筛选分子。
|
||
|
||
```
|
||
> <meeko> (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。
|