使用 RDKit 高效可视化分子极性区域与拓扑极性表面积 (TPSA)

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

def highlight_gasteiger_polar_atoms(mol):
    """
    根据Gasteiger电荷高亮负电荷原子。
    """
    AllChem.ComputeGasteigerCharges(mol)

    # 筛选出Gasteiger电荷为负的原子
    polar_atoms_idx = [atom.GetIdx() for atom in mol.GetAtoms() if atom.GetDoubleProp("_GasteigerCharge") < 0]

    # 定义高亮样式，此处为红色
    highlight_style = {atom_id: (1, 0, 0) for atom_id in polar_atoms_idx}

    return highlight_style

# 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)

# 绘制分子并高亮指定原子
img = Draw.MolToImage(mol, size=(300, 300), highlightAtoms=highlight_style, wedgeBonds=True, kekulize=True, wedgeLineWidth=2)
# img # 在Jupyter Notebook中直接显示图片

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 # 适用于Jupyter Notebook显示

# 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 可选择性地包含S和P原子的贡献
tpsa_contribs = rdMolDescriptors._CalcTPSAContribs(mol, includeSandP=True)

# 找出对TPSA有贡献的原子索引 (贡献值大于0)
highlight_atoms = [i for i, contrib in enumerate(tpsa_contribs) if contrib > 0]

# 创建一个绘图对象，用于生成PNG图片
drawer = rdMolDraw2D.MolDraw2DCairo(300, 300)

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

# 获取PNG数据
png_data = drawer.GetDrawingText()

# 在Jupyter Notebook中显示图片
Image(png_data)

import numpy as np
from rdkit import Chem
from rdkit.Chem import AllChem, Draw, rdMolDescriptors
from rdkit.Chem.Draw import SimilarityMaps
import matplotlib.pyplot as plt # 用于保存图像，如果直接在Jupyter中显示，则无需

# 示例分子：一个更复杂的分子
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)

# 使用相似性图谱可视化TPSA贡献
fig = SimilarityMaps.GetSimilarityMapFromWeights(
    mol,
    size=(400, 400),
    weights=tpsa_contribs,
    colorMap='bwr',  # 选择一个发散的颜色映射，如 'bwr' (蓝白红)
    contourLines=10  # 设置等高线的数量
)

# 保存图像到文件
fig.savefig('tpsa_similarity_map.png', bbox_inches='tight')

# 如果在Jupyter Notebook中运行，可以直接显示fig对象
# plt.show() # 如果需要显示matplotlib图像