RDKit分子极性区域可视化教程

from rdkit import Chem
from rdkit.Chem import Draw
from rdkit.Chem import AllChem

def highlight_gasteiger_polar_atoms(mol):
    """
    根据Gasteiger电荷高亮分子中的极性原子。
    """
    AllChem.ComputeGasteigerCharges(mol)

    # 筛选出Gasteiger电荷小于0的原子作为极性原子
    polar_atoms_indices = [atom.GetIdx() for atom in mol.GetAtoms() if atom.GetDoubleProp("_GasteigerCharge") < 0]

    # 定义高亮颜色（例如，红色）
    highlight_colors = {atom_id: (1, 0, 0) for atom_id in polar_atoms_indices}

    return highlight_colors

# 示例分子：阿司匹林
smiles = "CC(=O)OC1=CC=CC=C1C(O)=O"
mol = Chem.MolFromSmiles(smiles)

# 获取高亮样式
highlight_style = highlight_gasteiger_polar_atoms(mol)

# 绘制并显示分子图像
img = Draw.MolToImage(mol, size=(300, 300), highlightAtoms=highlight_style, wedgeBonds=True, kekulize=True)
img

from rdkit import Chem
from rdkit.Chem import Draw
from rdkit.Chem.Draw import rdMolDraw2D
from rdkit.Chem import rdMolDescriptors
from IPython.display import Image # 用于在Jupyter Notebook中显示图像

# 示例分子：阿司匹林
smiles = "CC(=O)OC1=CC=CC=C1C(O)=O"
mol = Chem.MolFromSmiles(smiles)

# 计算每个原子对TPSA的贡献
# includeSandP=True 可以选择是否包含硫和磷原子的贡献
tpsa_contribs = rdMolDescriptors._CalcTPSAContribs(mol, includeSandP=True)

# 筛选出对TPSA有贡献的原子（贡献值大于0）
highlight_atoms_indices = [i for i, contrib in enumerate(tpsa_contribs) if contrib > 0]

# 创建一个绘图对象
drawer = rdMolDraw2D.MolDraw2DCairo(300, 300)

# 绘制分子并高亮指定原子
drawer.DrawMolecule(mol, highlightAtoms=highlight_atoms_indices)
drawer.FinishDrawing()

# 获取PNG数据并显示
png_data = drawer.GetDrawingText()
Image(png_data)

import numpy as np
from rdkit import Chem
from rdkit.Chem import AllChem, Draw, rdMolDescriptors
from rdkit.Chem.Draw import SimilarityMaps
from IPython.display import Image # 用于在Jupyter Notebook中显示图像

# 示例分子
smiles = "CCNC(=O)NC1=NC2=CC=C(C=C2S1)C(=O)NCCS" 
mol = Chem.MolFromSmiles(smiles)

# 计算每个原子对TPSA的贡献
tpsa_contribs = rdMolDescriptors._CalcTPSAContribs(mol, includeSandP=True)

# 将贡献值转换为NumPy数组，以便作为权重
weights = np.array(tpsa_contribs)

# 生成相似性图谱
# colorMap='bwr' (blue-white-red) 是一种常用的发散型色图
# contourLines 控制等高线的数量，可以帮助区分不同贡献区域
fig = SimilarityMaps.GetSimilarityMapFromWeights(
    mol,
    size=(400, 400),
    weights=weights,
    colorMap='bwr',  # 尝试不同的颜色映射，如 'viridis', 'plasma', 'coolwarm'
    contourLines=10  # 调整等高线数量以获得最佳视觉效果
)

# 保存图像到文件 (可选，如果不需要在Jupyter中直接显示)
fig.savefig('tpsa_similarity_map.png', bbox_inches='tight')

# 在Jupyter Notebook中显示图像
# 注意：直接显示matplotlib的Figure对象可能需要额外配置或转换
# 如果fig.savefig已经保存，可以直接用Image显示保存的图片
Image('tpsa_similarity_map.png')