化合物の類似性を語るにあたって、有名な指標に「タニモト係数」があります。ところが、「タニモト係数」とだけしか言わない人がけっこういて、「それだけでは説明不十分ですよね？」って悶々とする機会がけっこうあるわけです。
たとえば次の化合物セットを使いましょう
化合物数は１０個です。
smiles = [
'C1=CC=C2C3CC(CNC3)CN2C1=O',
'CN1c2c(C(N(C)C1=O)=O)[nH0](CC(CO)O)c[nH0]2',
'CN1C2CC(CC1C1C2O1)OC(C(c1ccccc1)CO)=O',
'CN1C2CC(CC1C1C2O1)OC(C(c1cccnc1)CO)=O', # 一つ上の化合物と類似
'CN(C=1C(=O)N(c2ccccc2)N(C1C)C)C',
'CN(C=1C(=O)N(C2CCCCC2)N(C1C)C)C', # 一つ上の化合物と類似
'OCC1C(C(C(C(OCC2C(C(C(C(OC(c3ccccc3)C#N)O2)O)O)O)O1)O)O)O',
'OCc1ccccc1OC1C(C(C(C(CO)O1)O)O)O',
'OCc1cc(N)ccc1OC1C(C(C(C(CO)O1)O)O)O', # 一つ上の化合物と類似
'[nH0]1c(OC)c2c([nH0]cc[nH0]2)[nH0]c1',
]
SMILES表記からRDKitで化合物を生成
from rdkit import Chem
mols = [Chem.MolFromSmiles(smile) for smile in smiles]
Morgan fingerprint (の一種)を生成
from rdkit.Chem import AllChem
fps = [AllChem.GetMorganFingerprint(mol, 3, useFeatures=True) for mol in mols]
タニモト係数を計算
from rdkit import DataStructs
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
タニモト係数の分布
このようにすれば、タニモト係数の分布が見られます。タニモト係数 = 1 のものは同一分子だと思われますが、それ以外でタニモト係数が高めの分子対がありますね。それが何なのか、調べてみてください（あるいは想像してみてください）
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
で、Morgan fingerprint にも色々ありまして
Morgan fingerprintもパラメータがいろいろあって、それを変えるとタニモト係数の数値も変わるわけです。
fps = [AllChem.GetMorganFingerprint(mol, 2, useFeatures=True) for mol in mols]
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
fps = [AllChem.GetMorganFingerprint(mol, 1, useFeatures=True) for mol in mols]
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
fps = [AllChem.GetMorganFingerprintAsBitVect(mol, 3, 1024) for mol in mols]
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
fps = [AllChem.GetMorganFingerprintAsBitVect(mol, 3, 2048) for mol in mols]
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
で、フィンガープリントは他にもありまして
全部計算するのメンドくさいので２つだけ。重要なことの一つとして、下記の計算結果ではタニモト係数が1.0のものが１０件以上出てきます。つまり、同一分子でなくてもタニモト係数が1.0になる場合があることは知っておきましょう。
fps = [AllChem.GetMACCSKeysFingerprint(mol) for mol in mols]
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
fps = [Chem.RDKFingerprint(mol) for mol in mols]
sim_matrix = [DataStructs.BulkTanimotoSimilarity(fp, fps) for fp in fps]
plt.hist(np.array(sim_matrix).flatten(), bins=20)
plt.grid()
plt.show()
MCSを用いたタニモト係数も定義できるわけでして
from rdkit.Chem import rdFMCS
matrix = []
for mol1 in mols:
for mol2 in mols:
mcs = rdFMCS.FindMCS([mol1, mol2])
a1 = len(mol1.GetAtoms())
a2 = len(mol2.GetAtoms())
matrix.append(mcs.numAtoms / (a1 + a2 - mcs.numAtoms) )
plt.hist(np.array(matrix).flatten(), bins=20)
plt.grid()
plt.show()
MCSにもいろんなオプションがあるわけでして
from rdkit.Chem import rdFMCS
matrix = []
for mol1 in mols:
for mol2 in mols:
mcs = rdFMCS.FindMCS([mol1, mol2], atomCompare=rdFMCS.AtomCompare.CompareAny)
a1 = len(mol1.GetAtoms())
a2 = len(mol2.GetAtoms())
matrix.append(mcs.numAtoms / (a1 + a2 - mcs.numAtoms) )
plt.hist(np.array(matrix).flatten(), bins=20)
plt.grid()
plt.show()
from rdkit.Chem import rdFMCS
matrix = []
for mol1 in mols:
for mol2 in mols:
mcs = rdFMCS.FindMCS([mol1, mol2])
a1 = len(mol1.GetBonds())
a2 = len(mol2.GetBonds())
matrix.append(mcs.numBonds / (a1 + a2 - mcs.numBonds) )
plt.hist(np.array(matrix).flatten(), bins=20)
plt.grid()
plt.show()
from rdkit.Chem import rdFMCS
matrix = []
for mol1 in mols:
for mol2 in mols:
mcs = rdFMCS.FindMCS([mol1, mol2], bondCompare=rdFMCS.BondCompare.CompareOrderExact)
a1 = len(mol1.GetBonds())
a2 = len(mol2.GetBonds())
matrix.append(mcs.numBonds / (a1 + a2 - mcs.numBonds) )
plt.hist(np.array(matrix).flatten(), bins=20)
plt.grid()
plt.show()
