Scikit-fingerprints: 在Python中輕松高效地計(jì)算分子指紋

論文 Scikit-fingerprints: easy and efficient computation of molecular fingerprints in Python 介紹了分子指紋在計(jì)算化學(xué)中的計(jì)算和應(yīng)用，特別是其在機(jī)器學(xué)習(xí)和大規(guī)模數(shù)據(jù)處理中的重要性。

動機(jī)和意義

分子是計(jì)算化學(xué)處理的基本結(jié)構(gòu)，通常表示為分子圖，需要轉(zhuǎn)換為多維向量以便大多數(shù)處理算法使用，尤其是機(jī)器學(xué)習(xí)（ML）應(yīng)用。分子指紋是一種特征提取算法，將分子的結(jié)構(gòu)信息編碼為向量，廣泛用于化學(xué)信息學(xué)中的各種任務(wù)，如化學(xué)空間多樣性測量、可視化、聚類、虛擬篩選和分子性質(zhì)預(yù)測等。這些任務(wù)在新藥設(shè)計(jì)中尤為重要。為了正確評估預(yù)測模型的性能，訓(xùn)練-測試數(shù)據(jù)集的劃分至關(guān)重要，分子指紋也可以用于此。指紋模型的性能與最先進(jìn)的圖神經(jīng)網(wǎng)絡(luò)（GNNs）相比仍然具有競爭力。

指紋選擇和計(jì)算

選擇適合特定應(yīng)用的最佳指紋表示并不簡單，通常需要計(jì)算多種不同的指紋，并可能需要調(diào)整其超參數(shù)。使用多個(gè)指紋通常能改善結(jié)果，例如通過連接或數(shù)據(jù)融合。處理大型分子數(shù)據(jù)集需要利用現(xiàn)代多核CPU的高效實(shí)現(xiàn)。Python是當(dāng)前化學(xué)信息學(xué)中最流行的語言，包含的scikit-learn庫已成為機(jī)器學(xué)習(xí)任務(wù)的事實(shí)標(biāo)準(zhǔn)工具。然而，許多流行的開源工具如Chemistry Development Kit (CDK)、OpenBabel或RDKit是用Java或C++編寫的，只有RDKit有官方的Python接口。

并行計(jì)算和內(nèi)存優(yōu)化

并行計(jì)算分子指紋對于處理大型數(shù)據(jù)庫（如虛擬篩選）非常有用。論文展示了五種指紋在稠密和稀疏表示下的內(nèi)存使用情況，稀疏表示顯著減少了內(nèi)存使用。具體數(shù)據(jù)如下：

Klekota-Roth: 稠密數(shù)組大小2029MB，稀疏數(shù)組大小23MB，內(nèi)存節(jié)省88.2倍。

FCFP: 稠密數(shù)組大小855MB，稀疏數(shù)組大小15MB，內(nèi)存節(jié)省57倍。

Physiochemical Properties: 稠密數(shù)組大小855MB，稀疏數(shù)組大小17MB，內(nèi)存節(jié)省50.3倍。

ECFP: 稠密數(shù)組大小855MB，稀疏數(shù)組大小19MB，內(nèi)存節(jié)省45倍。

Topological Torsion: 稠密數(shù)組大小855MB，稀疏數(shù)組大小19MB，內(nèi)存節(jié)省45倍。

指紋超參數(shù)調(diào)優(yōu)

大多數(shù)文獻(xiàn)中忽略了分子指紋的超參數(shù)調(diào)優(yōu)，僅調(diào)優(yōu)下游分類器。論文進(jìn)行了所有2D指紋的超參數(shù)調(diào)優(yōu)，使用了MoleculeNet單任務(wù)分類數(shù)據(jù)集，結(jié)果顯示調(diào)優(yōu)帶來了顯著的性能提升。特別是基于子結(jié)構(gòu)的Ghose-Crippen指紋在平均AUROC上提升了4%。具體結(jié)果如下：

RDKit指紋

• 在BBBP數(shù)據(jù)集上的AUROC提升高達(dá)5.8%。

Ghose-Crippen指紋

在所有數(shù)據(jù)集上的平均AUROC提升為4%。

復(fù)雜的3D指紋處理管道

對于需要3D信息的任務(wù)，如基于構(gòu)象的指紋，整個(gè)處理管道變得更加復(fù)雜。需要生成構(gòu)象并進(jìn)行力場優(yōu)化，結(jié)果指紋可能有缺失值。使用多個(gè)指紋通常是有益的，特別是對于虛擬篩選，因?yàn)樗鼈兛紤]了不同的幾何特征。論文展示了一個(gè)創(chuàng)建用于篩選的分子向量化管道的示例，使用了GETAWAY和WHIM描述符。這個(gè)示例在RDKit中需要超過100行代碼，而在scikit-fingerprints中則簡化了很多。

from?sklearn.impute?import?SimpleImputer
from?skfp.fingerprints?import?(GETAWAYFingerprint,?WHIMFingerprint)
from?skfp.preprocessing?import?ConformerGenerator
from?sklearn.pipeline?import?make_pipeline,?make_union

pipeline?=?make_pipeline(
????ConformerGenerator(optimize_force_field?=?"MMFF94",?n_jobs?=?-1),
????make_union(GETAWAYFingerprint(n_jobs?=?-1),?WHIMFingerprint(n_jobs?=?-1)),
????SimpleImputer(strategy?=?"mean"),
????)

scikit-fingerprints與CDK和OpenBabel的比較

scikit-fingerprints庫的影響

scikit-fingerprints是一個(gè)計(jì)算分子指紋的綜合庫，完全兼容scikit-learn接口，易于集成到復(fù)雜的分子數(shù)據(jù)處理管道中。庫中包含30多種指紋（2D和3D），并支持高效的構(gòu)象生成。其直觀和統(tǒng)一的API使得領(lǐng)域?qū)＜遥ㄈ缬?jì)算化學(xué)家、化學(xué)信息學(xué)家或分子生物學(xué)家）易于使用。庫還強(qiáng)調(diào)代碼質(zhì)量、安全性和自動化檢查。

并行計(jì)算：利用所有可用核心，顯著加速了大數(shù)據(jù)集的處理。

超參數(shù)調(diào)優(yōu)：有助于提高模型性能。

指紋連接和數(shù)據(jù)融合：支持復(fù)雜的計(jì)算任務(wù)。

相關(guān)信息

代碼：https://github.com/scikit-fingerprints/scikit-fingerprints

論文：https://arxiv.org/abs/2407.13291v1