chembl_downloader

不用担心下载/提取ChEMBL或版本控制 - 只需使用chembl_downloader编写知道如何自动下载和使用的代码。

安装

使用以下方法安装

$ pip install chembl-downloader

完整技术文档可以在ReadTheDocs上找到。教程可以在存储库的notebooks/目录中的Jupyter笔记本中找到。

数据库使用

下载特定版本

import chembl_downloader

path = chembl_downloader.download_extract_sqlite(version='28')

一旦下载并提取，它就会变得智能并无需再次下载。它自动使用pystow存储在~/.data/chembl目录中。

我们希望实现一种可以从存档直接加载到SQLite的功能，但这似乎是一个付费功能。

下载最新版本

您可以通过省略version关键字参数略微修改前面的代码，以自动查找ChEMBL的最新版本。

import chembl_downloader

path = chembl_downloader.download_extract_sqlite()

本包中所有函数（例如包括 connect()、cursor() 和 query()）都支持 version 关键字参数，但为了简洁起见，下面将省略。

自动化连接

存档中有一个单独的 SQLite 数据库文件。通常，人们手动解压缩此文件夹然后处理生成的文件。不要这样做，因为它不可重复！相反，可以直接下载文件，并通过以下方式自动打开连接：

import chembl_downloader

with chembl_downloader.connect() as conn:
    with conn.cursor() as cursor:
        cursor.execute(...)  # run your query string
        rows = cursor.fetchall()  # get your results

cursor() 函数为此操作提供了一个便捷的包装器

import chembl_downloader

with chembl_downloader.cursor() as cursor:
    cursor.execute(...)  # run your query string
    rows = cursor.fetchall()  # get your results

运行查询并获取 pandas DataFrame

最强大的函数是 query()，它基于前面的 connect() 函数，结合 pandas.read_sql，执行查询并将结果加载到 pandas DataFrame 中，以便进行任何后续使用。

import chembl_downloader

sql = """
SELECT
    MOLECULE_DICTIONARY.chembl_id,
    MOLECULE_DICTIONARY.pref_name
FROM MOLECULE_DICTIONARY
JOIN COMPOUND_STRUCTURES ON MOLECULE_DICTIONARY.molregno == COMPOUND_STRUCTURES.molregno
WHERE molecule_dictionary.pref_name IS NOT NULL
LIMIT 5
"""

df = chembl_downloader.query(sql)
df.to_csv(..., sep='\t', index=False)

建议 1：使用 pystow 创建一个可重复且可移植到他人机器上的文件路径（例如，路径中不包含您的用户名）。

建议 2：现在可以使用 pip install rdkit-pypi 安装 RDKit，这意味着大多数用户无需在复杂的 conda 环境和配置中麻烦。RDKit 中一个强大但不太为人所知的功能是 rdkit.Chem.PandasTools 模块。

SDF 使用

通过 SDF 备份中的条目访问 RDKit 供应商

此示例比前两个示例更适合目的。该 supplier() 函数确保下载最新的 SDF 备份，并使用上下文管理器从 gzip 文件加载到 rdkit.Chem.ForwardSDMolSupplier，以确保文件在解析完成后才关闭。像之前的示例一样，它也可以显式地接受一个 version。

from rdkit import Chem

import chembl_downloader

with chembl_downloader.supplier() as suppl:
    data = []
    for i, mol in enumerate(suppl):
        if mol is None or mol.GetNumAtoms() > 50:
            continue
        fp = Chem.PatternFingerprint(mol, fpSize=1024, tautomerFingerprints=True)
        smi = Chem.MolToSmiles(mol)
        data.append((smi, fp))

此示例改编自 Greg Landrum 的 RDKit 博客文章 generalized substructure search。

遍历 SMILES

此示例使用 supplier() 方法和 RDKit 从 ChEMBL 的 SDF 文件中的分子获取 SMILES 字符串。如果您需要直接访问 RDKit 分子对象，请使用 supplier()。

import chembl_downloader

for smiles in chembl_downloader.iterate_smiles():
    print(smiles)

获取 RDKit 子结构库

基于 supplier() 函数，get_substructure_library() 自动化并可重复地准备一个 子结构库。此外，它缓存了构建结果，构建过程大约需要十分钟，只需执行一次，未来从 pickle 对象加载的时间大约为几秒。

此实现受到了 Greg Landrum 的 RDKit 博客文章 Some new features in the SubstructLibrary 的启发。以下示例展示了如何用它来完成文章中提到的某些第一个任务。

from rdkit import Chem

import chembl_downloader

library = chembl_downloader.get_substructure_library()
query = Chem.MolFromSmarts('[O,N]=C-c:1:c:c:n:c:c:1')
matches = library.GetMatches(query)

Morgan 指纹使用

获取 Morgan 指纹文件

ChEMBL 为每个分子提供了预计算的 2048 位半径 2 的 Morgan 指纹文件。可以使用以下方式下载：

import chembl_downloader

path = chembl_downloader.download_fps()

version 和其他关键字参数也适用于此函数。

使用 chemfp 加载指纹

以下示例使用 chemfp 的指纹加载器包装了 download_fps 函数

import chembl_downloader

arena = chembl_downloader.chemfp_load_fps()

version 和其他关键字参数也适用于此函数。有关与 arena 对象一起工作的更多信息，请参阅 此处。

附加内容

存储在不同的位置

如果您想使用pystow将数据存储在其他地方（例如，在pyobo中，您也可以在这里找到文件的副本），可以使用prefix参数。

import chembl_downloader

# It gets downloaded/extracted to 
# ~/.data/pyobo/raw/chembl/29/chembl_29/chembl_29_sqlite/chembl_29.db
path = chembl_downloader.download_extract_sqlite(prefix=['pyobo', 'raw', 'chembl'])

请参阅pystow的配置存储位置的文档。

prefix关键字参数适用于本包中的所有函数（例如，包括connect()、cursor()和query()）。

通过命令行下载

安装后，运行以下命令行命令以确保其正常工作并将路径发送到标准输出

$ chembl_downloader

使用--test以显示两个示例查询

$ chembl_downloader --test

贡献

请阅读CONTRIBUTING.md中的贡献指南。

如果您想做出贡献，有一个名为chembl_downloader.queries的子模块，您可以在其中添加有用的SQL查询及其描述，以便于导入和重用。

用户

查看谁在使用chembl-downloader。

统计信息和兼容性

chembl-downloader与所有版本的ChEMBL兼容。然而，并非所有版本都提供某些文件。例如，数据库的SQLite版本首次在21次发布（2015-02-12）中添加。