药物化学

药物化学

概述

药物化学和药物发现工具集，包括分子性质预测、ADMET预测、药物相似性分析、先导化合物优化、虚拟筛选、QSAR建模、分子对接、药效团建模和药物设计。该技能使用RDKit、OpenEye、Schrodinger、MOE等工具，适用于药物发现、先导化合物优化和药物设计。

安装

# 基础安装
uv pip install medchem

# 可选依赖
uv pip install datamol
uv pip install rdkit  # 如果需要更完整的 RDKit 功能

# Lilly 过滤器（需要单独安装）
conda install -c conda-forge lilly-medchem-rules

核心能力

1. 分子性质预测

• 物理化学性质：分子量、LogP、TPSA、氢键供体/受体
• 溶解度：LogS、水溶性
• 渗透性：Caco-2渗透性、血脑屏障渗透性
• 反应性：反应性基团、代谢稳定性
• 毒性：毒性预测、hERG抑制

2. ADMET预测

• 吸收：肠道吸收、生物利用度
• 分布：血浆蛋白结合、组织分布
• 代谢：代谢稳定性、CYP抑制
• 排泄：清除率、半衰期
• 毒性：肝毒性、心脏毒性、遗传毒性

3. 药物相似性分析

• Lipinski规则：五规则
• Veber规则：口服生物利用度规则
• Ghose规则：药物相似性规则
• Egan规则：药物相似性规则
• Muegge规则：药物相似性规则

4. 先导化合物优化

• 生物电子等排替换：替换功能基团
• 骨架跃迁：改变分子骨架
• 官能团修饰：修饰官能团
• 构象限制：限制分子构象
• 前药设计：设计前药

5. 虚拟筛选

• 基于配体的筛选：基于配体的虚拟筛选
• 基于结构的筛选：基于结构的虚拟筛选
• 药效团筛选：基于药效团的筛选
• 机器学习筛选：基于机器学习的筛选

6. QSAR建模

• 描述符计算：计算分子描述符
• 特征选择：选择相关特征
• 模型构建：构建QSAR模型
• 模型验证：验证模型性能
• 模型应用：应用模型预测

7. 分子对接

• 对接准备：准备配体和受体
• 对接计算：执行分子对接
• 结果分析：分析对接结果
• 打分函数：使用打分函数评估

8. 药效团建模

• 药效团识别：识别药效团特征
• 药效团生成：生成药效团模型
• 药效团筛选：基于药效团筛选
• 药效团优化：优化药效团模型

何时使用此技能

此技能应在以下情况下使用：

• 应用药物相似性规则（Lipinski、Veber、CNS、lead-like）到化合物库
• 通过结构警报、PAINS 或 NIBR 筛选规则过滤分子
• 优化命中化合物或先导化合物
• 根据 ZINC 衍生阈值计算复杂度指标
• 检测功能基团或命名子结构目录
• 使用 medchem 查询语言构建多标准过滤器

在以下情况下使用此技能：

• 预测分子性质和ADMET
• 进行药物相似性分析
• 优化先导化合物
• 执行虚拟筛选
• 构建QSAR模型
• 进行分子对接
• 建立药效团模型
• 进行药物设计

常用工具

RDKit

• 特点：开源、功能丰富
• 适用：分子描述符、指纹、化学信息学
• 优势：免费、易于使用

OpenEye

• 特点：商业软件、高性能
• 适用：分子对接、药效团建模
• 优势：精确、高效

Schrodinger

• 特点：商业软件、全面
• 适用：药物发现、分子对接
• 优势：功能全面、文档完善

MOE

• 特点：商业软件、集成
• 适用：药物设计、分子建模
• 优势：集成环境、可视化

使用示例

分子性质预测（RDKit）

from rdkit import Chem
from rdkit.Chem import Descriptors, Lipinski

# 创建分子
mol = Chem.MolFromSmiles("CCO")

# 计算分子性质
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
tpsa = Descriptors.TPSA(mol)
hbd = Lipinski.NumHDonors(mol)
hba = Lipinski.NumHAcceptors(mol)

print(f"分子量: {mw}")
print(f"LogP: {logp}")
print(f"TPSA: {tpsa}")
print(f"氢键供体: {hbd}")
print(f"氢键受体: {hba}")

Lipinski规则检查

from rdkit import Chem
from rdkit.Chem import Lipinski

def lipinski_rule(mol):
    mw = Lipinski.MolWt(mol)
    logp = Lipinski.MolLogP(mol)
    hbd = Lipinski.NumHDonors(mol)
    hba = Lipinski.NumHAcceptors(mol)
    
    if mw <= 500 and logp <= 5 and hbd <= 5 and hba <= 10:
        return True
    return False

mol = Chem.MolFromSmiles("CCO")
print(f"符合Lipinski规则: {lipinski_rule(mol)}")

虚拟筛选

from rdkit import Chem
from rdkit.Chem import AllChem
from rdkit.DataStructs import FingerprintSimilarity

# 参考分子
ref_mol = Chem.MolFromSmiles("CCO")
ref_fp = AllChem.GetMorganFingerprintAsBitVect(ref_mol, 2)

# 候选分子
candidates = ["CC(C)O", "c1ccccc1", "CCN"]

# 计算相似性
for smi in candidates:
    mol = Chem.MolFromSmiles(smi)
    fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2)
    similarity = FingerprintSimilarity(ref_fp, fp)
    print(f"{smi}: {similarity}")

QSAR建模

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from rdkit import Chem
from rdkit.Chem import Descriptors
import pandas as pd

# 准备数据
data = pd.read_csv("molecules.csv")
smiles = data["smiles"]
activity = data["activity"]

# 计算描述符
X = []
for smi in smiles:
    mol = Chem.MolFromSmiles(smi)
    mw = Descriptors.MolWt(mol)
    logp = Descriptors.MolLogP(mol)
    tpsa = Descriptors.TPSA(mol)
    X.append([mw, logp, tpsa])

# 分割数据
X_train, X_test, y_train, y_test = train_test_split(X, activity, test_size=0.2)

# 构建模型
model = RandomForestRegressor()
model.fit(X_train, y_train)

# 评估模型
score = model.score(X_test, y_test)
print(f"模型得分: {score}")

最佳实践

1. 数据质量：确保数据质量高、可靠
2. 描述符选择：选择与活性相关的描述符
3. 模型验证：使用交叉验证和外部验证
4. 多样性：确保分子多样性
5. 可解释性：确保模型可解释
6. 实验验证：实验验证预测结果

常见问题

Q: 什么是Lipinski规则？

A: Lipinski规则是预测口服药物吸收的五规则：分子量≤500、LogP≤5、氢键供体≤5、氢键受体≤10。

Q: 如何进行虚拟筛选？

A: 使用分子相似性、药效团或分子对接进行虚拟筛选。

Q: QSAR模型的局限性是什么？

A: QSAR模型依赖于训练数据，外推能力有限。

Q: 如何优化先导化合物？

A: 通过生物电子等排替换、骨架跃迁、官能团修饰等方法优化先导化合物。

资源

• RDKit文档：https://www.rdkit.org/docs
• OpenEye文档：https://docs.eyesopen.com
• Schrodinger文档：https://www.schrodinger.com/documentation
• MOE文档：https://www.chemcomp.com/MOE-documentation