BigSMARTS -Download – Download BigSMARTS Quellcodes

BigSMARTS

Anderer Quellcode

BigSMARTS Dataset Release

Herunterladen

BigSMARTS: Eine topologisch bewusste Abfragesprache und ein Substruktur-Suchalgorithmus für chemische Polymerstrukturen

Zeitschriftenartikel

https://pubs.acs.org/doi/10.1021/acs.jcim.3c00978

Beschreibung

Die molekulare Suche ist in der Chemie, Biologie und Informatik wichtig, um molekulare Strukturen in großen Datensätzen zu identifizieren, die Entdeckung und Innovation von Wissen zu verbessern und chemische Daten FAIR (auffindbar, zugänglich, interoperabel, wiederverwendbar) zu machen. Suchalgorithmen für Polymere sind deutlich weniger entwickelt als jene für kleine Moleküle, da die Polymersuche auf der Suche nach Polymernamen beruht, was eine Herausforderung sein kann, da die Polymerbenennung zu weit gefasst ist (z. B. Polyethylen), für komplexe chemische Strukturen kompliziert ist und häufig nicht übereinstimmt zu offiziellen IUPAC-Konventionen. Die Suche nach chemischen Strukturen in Polymeren ist auf Unterstrukturen wie Monomere beschränkt, ohne Kenntnis der Konnektivität oder Topologie. Diese Arbeit stellt eine neuartige Abfragesprache und einen Graph-Traversal-Suchalgorithmus für Polymere vor, der die erste Suchmethode bereitstellt, die in der Lage ist, alle in Polymeren vorhandenen chemischen Strukturen vollständig zu erfassen. Die BigSMARTS-Abfragesprache, eine Erweiterung der SMARTS-Sprache für kleine Moleküle, ermöglicht es Benutzern, Abfragen zu schreiben, die die Suche nach Monomeren und funktionellen Gruppen auf verschiedene Teile des Polymers lokalisieren, wie den Mittelblock eines Triblocks, die Seitenkette eines Transplantats usw das Rückgrat einer Wiederholungseinheit. Der Unterstruktursuchalgorithmus basiert auf der Durchquerung von Graphdarstellungen der erzeugenden Funktionen für die stochastischen Graphen von Polymeren. Im Betrieb identifiziert der Algorithmus zunächst Zyklen, die die Monomere und dann die Endgruppen darstellen, und führt schließlich eine Tiefensuche durch, um ganze Untergraphen zu finden. Um den Algorithmus zu validieren, wurden Hunderte von Abfragen mit Hunderten von Zielchemien und Topologien aus der Literatur durchsucht, mit etwa 440.000 Abfrage-Ziel-Paaren. Dieses Tool bietet einen detaillierten Algorithmus, der in Suchmaschinen implementiert werden kann, um Suchergebnisse mit vollständiger Übereinstimmung der Monomerkonnektivität und der Polymertopologie bereitzustellen.

Datenerfassung und -organisation

Die Tabelle „query-target-dataset.xlsx“ enthält eine Matrix aus Abfrage- und Zielpolymersuchen, die den noch nicht veröffentlichten Substruktur-Suchalgorithmus validieren.
Die Registerkarten sind nach Abfragetopologie klassifiziert, einschließlich einzelner stochastischer Objekte (Homopolymer, Zufallscopolymer, AA-BB-Copolymer), Block, Graft, Stern und Polymernetzwerk.
Die Abfragen in Zeile 1 werden in der BigSMARTS-Zeilennotation geschrieben und die Ziele in Spalte A werden in der BigSMILES-Zeilennotation geschrieben. Jeder BigSMARTS wird in allen BigSMILES gesucht.
Jede BigSMARTS-Abfrage testet eine Regel; Beispielsweise sollten zyklische Permutationen, Monomeraufteilungen, Inversionen und Rahmenverschiebungen keinen Einfluss auf die Anzahl der Übereinstimmungen haben.
Jedes BigSMILES-Ziel ist ein echtes Polymer aus wissenschaftlicher Fachliteratur mit Peer-Review und schriftlicher Quellenangabe.
Eine 0 oder eine 1 wird handgeschrieben, je nachdem, ob eine Unterstrukturübereinstimmung zwischen der Abfrage und dem Ziel erwartet wird. Der Unterstruktursuchalgorithmus validiert dies.

Testfälle

Tabelle 1. Abfragen mit zunehmender Einschränkung des übereinstimmenden Zielensembles.

BigSMARTS	Bedeutung	# BigSMILES Treffer
CCO	Ethanol SMARTS, das ein ganzes BigSMILES durchsucht	207
{[]CCO[]}	Ethanol-SMARTS, das Treffer auf die Wiederholungseinheiten lokalisiert	198
{[][<]CCO[>][]}	PEG-Abfrage mit Platzhalter-Endgruppen, die Treffer auf die Backbones der Wiederholungseinheiten lokalisiert	68
{[][<][CH2][CH2]O[>][]}	verhindert Übereinstimmungen mit Pendantgruppen, die nicht in der Abfrage angegeben sind	57
{[][<][CH2][CH2]O[>],!*[]}	verhindert Übereinstimmungen mit zusätzlichen Wiederholungseinheiten, die nicht in der Abfrage angegeben sind	45
{[][<][CH2][CH2]O[>],!;![]}	verhindert Übereinstimmungen mit zusätzlichen Wiederholungseinheiten und Endgruppen, die nicht in der Abfrage angegeben sind	1

Tabelle 2. Wiederholungsmutationen, die sich nicht auf die übereinstimmenden Ziele auswirken.

BigSMARTS	Ändern	# BigSMILES Treffer
{[][<]CCO[>][]}	PEG-Backbone-Suche	68
{[][>]CCO[<][]}	Änderung der Bindungsdeskriptoren	68
{[][<]COC[>][]}	Rahmenverschiebung	68
{[][<]OCC[>][]}	Umkehrung	68
{[][<]C[<2],[>2]CO[>][]}	Teilt	68
{[][<]CCO[>],[<]CCO[>][]}	Vervielfältigung	68

Tabelle 3. Blockcopolymer-Abfrage-Ziel-Paare.

BigSMARTS	Ändern	# BigSMILES Treffer
{[][>]CC(c1ccccc1)[<][>]}?*{[>][<]CC(C(=O)O)[>][]}	Polystyrol- b -Polyacrylat-Blockunterstruktur mit Wildcard-Linker	11
{[][$]CC(c1ccccc1)[$][$]}{[$][$]CC(C(=O)O)[$][]}	kein Wildcard-Linker	7
{[][$]CC(C(=O)O)[$][$]}{[$][$]CC(c1ccccc1)[$][]}	Drehe die Blöcke um	7
{[][<]CC(c1ccccc1)[>][<]}{[>][<]CC(C(=O)O)[>][]}	Nur Kopf-an-Schwanz-Wiederholungseinheiten	7
{[][<]CC(c1ccccc1)[>],[<]CC(c1ccccc1)[>2],[<2]CC(C(=O)O)[>2][]}	ein einzelnes stochastisches Objekt, codiert aber immer noch einen Diblock!	7
{[][<]CC(c1ccccc1)[>];[<]CC(c1ccccc1){[>][<]CC(C(=O)O)[>][]}[]}	implizite/explizite Endgruppendarstellung	7

Tabelle 4. Abfrage-Ziel-Paare im Polymernetzwerk.

BigSMARTS	Ändern	# BigSMILES Treffer
{[][<]CCCCC(C)(C)C(=O)O{[>][<]CCO[>][<]}C(=O)C(C)(C)CCCC[<] ,[>]n1cc([<2])nn1,[>2]COCC(COC[>2])(COC[>2])C[]}	A2 + B3 Polymernetzwerk	2
{[][<]CCCCC(C)(C)C(=O)O{[>][<]CCOCCO[>][<]}C(=O)C(C)(C)CCCC[<] ,[>]n1cc([<2])nn1,[>2]COCC(COC[>2])(COC[>2])C[]}	duplizierte verschachtelte Wiederholungseinheit	2
{[][<]CCCCC(C)(C)C(=O)O{[>][<]C[<3],[>3]CO[>][<]}C(=O)C (C)(C)CCCC[<],[>]n1cc([<2])nn1,[>2]COCC(COC[>2])(COC[>2])C[]}	verschachtelte Wiederholungseinheitenaufteilung	2
{[][>]CCCCC(C)(C)C(=O)O{[>][<]CCO[>][<]}C(=O)C(C)(C)CCCC[>] ,[<]n1cc([<5])nn1,[>5]COCC(COC[>5])(COC[>5])C[]}	Änderung der Bindungsdeskriptoren	2

Tabelle 5. Topologische Graphabfragen.

BigSMARTS	Bedeutung	# BigSMILES Treffer
{[][]}	Stochastisches Wildcard-Objekt, passt zu allen Polymeren	489
{[][]}!{[][]}	nur ein stochastisches Objekt, passt nicht zu Diblöcken, Triblöcken oder Sternen	382
{[][]}?*{[][]}	Diblock-Unterstruktur, kann mit Triblöcken und Tetrablöcken kombiniert werden	107
{[][]}?*{[][]}!{[][]}	Diblock-Unterstruktur ohne andere Blöcke	78
{[][]}?{[][]}?{[][]}	Triblock-Unterstruktur, kann mit Tetrablöcken und Hexablöcken kombiniert werden	15
{[][]}?{[][]}?{[][]}!{[][]}	Dreiblock-Unterkonstruktion ohne weitere Blöcke	2
{[][<]?{[>][<]?[>][<]}?*[>][]}	segmentierte Topologie (verschachteltes Objekt entlang des Backbones)	10
{[][<]?(?{[>][<]?[>][]})?[>][]}	Graft-Topologie (verschachteltes Objekt in der Sidechain)	11
{[][]}?(?{[][]})?*{[][]}	3-armiger Stern-Polymer-Unterbau	21

Tabelle 6. Funktionsgruppen entlang der Backbone-Abfragen.

BigSMARTS	Chemieunterricht	# BigSMILES Treffer
{[][<]C(=O)O?*[>][]}	Polyester	75
{[][<]OC(=O)O?*[>][]}	Polycarbonat	29
{[][<]NC(=O)O?*[>][]}	Polyurethan	1
{[][<]C=C?*[>][]}	Polydien	31
{[][<]NC(=O)N?*[>][]}	Polyharnstoff	6

Dies sind einfache Fälle, es gibt jedoch keine Beschränkung hinsichtlich der Anzahl der Wiederholungseinheiten und Endgruppen in der Abfrage und im Ziel, was die Komplexität der Suche erheblich erhöht. Der Algorithmus behandelt alle diese Fälle.