RDKit中分子极性区域的可视化：从原子电荷到TPSA相似性图

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

def highlight_psa_atoms_by_gasteiger(mol):
    """
    根据Gasteiger电荷高亮显示具有负电荷的原子。
    """
    AllChem.ComputeGasteigerCharges(mol)

    # 筛选出Gasteiger电荷小于0的原子
    psa_atoms = [atom.GetIdx() for atom in mol.GetAtoms() if atom.GetDoubleProp("_GasteigerCharge") < 0]

    # 设置高亮颜色（红色）
    highlight_style = {atom_id: (1, 0, 0) for atom_id in psa_atoms}

    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_psa_atoms_by_gasteiger(mol)

# 绘制分子并高亮显示
img = Draw.MolToImage(mol, size=(300, 300), highlightAtoms=highlight_style, wedgeBonds=True, kekulize=True, wedgeLineWidth=2)
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

# 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 参数可以控制是否将硫和磷原子也纳入TPSA计算
tpsa_contribs = rdMolDescriptors._CalcTPSAContribs(mol, includeSandP=True)

# 筛选出对TPSA有贡献的原子索引
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图像
drawer = rdMolDraw2D.MolDraw2DCairo(300, 300)

# 绘制分子并高亮显示贡献原子
drawer.DrawMolecule(mol, highlightAtoms=highlight_atoms)
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 matplotlib import pyplot as plt # 导入pyplot用于显示图像

# 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
# includeSandP=True 参数可以控制是否将硫和磷原子也纳入TPSA计算
tpsa_contribs = rdMolDescriptors._CalcTPSAContribs(mol, includeSandP=True)

# 生成相似性图
# weights: 每个原子的权重，这里使用TPSA贡献值
# colorMap: 颜色映射方案，例如 'bwr' (蓝白红) 是一种常见的发散型色图
# contourLines: 等高线数量，用于在图上显示不同权重的分界线
fig = SimilarityMaps.GetSimilarityMapFromWeights(
    mol,
    size=(400, 400),
    weights=tpsa_contribs,
    colorMap='bwr',  # 可以尝试其他色图，如 'viridis', 'plasma', 'jet' 等
    contourLines=10  # 调整等高线数量以获得最佳视觉效果
)

# 保存图像或直接显示
fig.savefig('tpsa_similarity_map.png', bbox_inches='tight')
plt.show() # 在Jupyter Notebook或脚本中显示图像