可用数据导入

csv数据写入

-- 数据表结构
create table c_smiles(
    id int,
    smiles varchar(4096),
    source varchar(200)
);
 
-- 导入数据命令
\copy c_smiles FROM 'xxxx' DELIMITER E'\t' CSV;
 
-- 导入结果查询
select count(1) from c_smiles;

PostgreSQL支持的分子指纹

postgresql中支持的指纹函数：

• layered_fp(mol)：另一种rdkit原创指纹，官方文档的解释是它一种子结构指纹，与rdkit拓扑子图的生成步骤一致，但根据子图生成指纹向量的过程有所不同。在子结构指纹类别中， layered指纹的表现不如pattern指纹，因此不像其他指纹这么被人所熟知。
• torsionbv_fp(mol)：对分子计算topological-torsion的bfp（bit fingerprint）型指纹
• torsion_fp(mol)：计算topological-torsion的sfp（sparse fingerprint）型指纹
• morganbv_fp(mol, int default 2)：计算指定半径（默认为2）的morgan型bfp指纹
• morgan_fp(mol, int default 2)：计算morgan的sfp指纹
• featmorganbv_fp(mol, int default 2)：计算morgan FCFP（用官能团归类）的bfp指纹
• featmorgan_fp(mol, int default 2)：计算morgan FCFP的sfp指纹
• atompairbv_fp(mol)：atompair的bfp指纹
• atompair_fp(mol)：atompair的sfp指纹
• rdkit_fp(mol)：rdkit的拓扑指纹
• maccs_fp(mol)：预定义的MACCS指纹

分子指纹的概念以及应用

分子指纹定义：分子指纹就是一种分子的抽象表征，它将分子转化（编码）为一系列比特串（即比特向量，bit vector），然后可以很容易地在分子之间进行比较。典型的流程是将提取分子的结构特征、然后哈希(Hashing)生成比特向量。

分子相似性计算规则

评价两个分子之间相似的算法有如下类型（计算分子指纹相似性，行业标准是Tanimoto系数）

其中，给定两个化合物A和B的指纹，m等于指纹中存在的总位数，a、b分别等于A、B中比特值为1的位数，c等于A和B中公共的比特值为1的位数

方法	表达式	取值范围
Tanimoto/Jaccard coefficien	c/(a+b-c)	0-1
Euclidean distance	sqrt(a+b-2c)	0-N
City-block/Manhattan/Hamming distance	a+b-2c	0-N
Dice coefficien	2c/(a+b)	0-1
Cosine similarity	c/sqrt(ab)	0-1
Russell–RAO coefficien	c/m	0-1
Forbes coefficien	cm/ab	0-1
Soergel distance	(a+b-2c)/(a+b-c)	0-1

计算效率

硬件资源：4C16G，SSD，因为mol处理和指纹计算应该都是间接使用RDKIT，所以CPU计算会是耗时的主要部分 基于千万数据，mol生成，分子指纹计算的时间 smiles to mol对象 大概需要时间：56min

-- 生成mol
select * into c_mols from (select id, mol_from_smiles(smiles::cstring) m,source from c_smiles) tmp where m is not null;

生成指纹

计算指纹大概需要时间：45分钟 索引创建时间：4分钟

-- 计算分子指纹
select id, m, morganbv_fp(m) as mfp2, featmorganbv_fp(m) as ffp2,source into c_mols_fps from c_mols;

-- 增加索引
create index fps_mfp2_idx on c_mols_fps using gist(mfp2);
create index fps_ffp2_idx on c_mols_fps using gist(ffp2);

torsionbv_fp这种分子指纹计算会报错，所以上面没有生成torsionbv 这类分子指纹 ERROR: makeTopologicalTorsionBFP: Unknown exception

相似性检索

带尖括号的百分号"<%>"：使用tanimoto最近邻搜索，对应上面列表第一种算法

带尖括号的井号"<%>"：使用dice最近邻搜索，对应上面的第二种算法 ECFP搜索例子 搜索SQL如下，使用ECFP进行搜索，大概执行时间为10S

select m, mfp2<%>morganbv_fp('C1=CC=C2C=CC(C3=CC=CC=C3)=CC2=C1') knn from c_mols_fps order by knn asc limit 10;

morgan FCFP（用官能团归类）搜索例子

select m, ffp2<%>featmorganbv_fp('C1=CC=C2C=CC(C3=CC=CC=C3)=CC2=C1') knn from c_mols_fps order by knn asc limit 10;

组合查询 对于包含手性结构条件下的相似性分子

select m, ffp2<%>featmorganbv_fp('C1=CC=C2C=CC(C3=CC=CC=C3)=CC2=C1') knn from c_mols_fps where m@>'C1=CC=C2C=CC=CC2=C1'  order by knn asc limit 10;

对于smarts匹配下的相似性搜索

select m, ffp2<%>featmorganbv_fp('C1=CC=C2C=CC(C3=CC=CC=C3)=CC2=C1') knn,source from c_mols_fps where m@>mol_adjust_query_properties('C1=CC=C2C=CC([*])=CC2=C1') order by knn asc limit 20;