Datamol - Python 分子信息学工具

技能概述

Datamol 是 RDKit 的轻量级 Python 封装库，为药物发现和分子信息学任务提供简洁的 API 和合理的默认值。返回原生 rdkit.Chem.Mol 对象，确保与 RDKit 生态系统的完全兼容性。

适用场景

1. 虚拟筛选与化合物库分析：从 SDF、SMILES、CSV 或 Excel 加载化合物库，计算分子描述符，应用 Lipinski 规则筛选，通过分子指纹相似性找到潜在活性化合物，支持并行处理大规模数据集。

2. SAR 分析与骨架拆分：提取 Murcko 骨架进行化合物系列分析，按骨架分组并可视化活性差异，或基于骨架拆分训练集和测试集以确保机器学习模型的泛化能力。

3. 3D 构象生成与分子可视化：生成低能 3D 构象，计算溶剂可及表面积（SAS），按最大公共子结构（MCS）对齐分子并导出出版物质量的分子图像。

核心功能

1. 分子格式转换与标准化：解析 SMILES/SELFIES/InChI，标准化分子结构（断开金属、重原子化、再离子化），并转换为规范格式。推荐对用户提供的分子始终使用 standardize_mol() 或 standardize_smiles()。

2. 描述符、指纹与相似性：批量计算分子量、LogP、氢键供体/受体、TPSA 等描述符；生成 ECFP/MACCS/拓扑指纹；计算 Tanimoto 相似性矩阵；支持 n_jobs=-1 并行加速。

3. 聚类与多样性选择：使用 Butina 聚类按结构相似性分组化合物（适用于约 1000 分子）；或使用 pick_diverse() 和 pick_centroids() 从大库中选择多样子集。

常见问题

Datamol 和 RDKit 有什么区别？

Datamol 是 RDKit 的 Pythonic 封装层，提供更简洁的 API、默认的并行处理和现代化的 I/O 能力。所有分子对象都是原生 rdkit.Chem.Mol 实例，可无缝使用 RDKit 的其他功能。对于标准药物发现任务（SMILES 解析、描述符、指纹、聚类、构象生成），优先使用 Datamol；如需高级控制或自定义参数，可直接调用 RDKit。

Datamol 支持哪些分子指纹类型？

Datamol 支持多种指纹类型：ECFP（默认为 ECFP6，可指定 radius=2 获得 ECFP4）、MACCS、拓扑指纹、原子对指纹和 RDKit 指纹。使用 dm.to_fp(mol, fp_type='ecfp', radius=2, n_bits=2048) 生成指纹。

如何处理大规模化合物数据集？

使用内置的并行处理加速批量操作：dm.descriptors.batch_compute_many_descriptors(mols, n_jobs=-1, progress=True)、dm.cluster_mols(mols, n_jobs=-1)、dm.read_sdf('file.sdf', n_jobs=-1)。对于超过 1000 分子的聚类，建议使用 dm.pick_diverse() 进行多样性选择，而非完整的 Butina 聚类，以避免构建距离矩阵时的内存问题。