前言#

TIP

准备工作 多个蛋白/分子数据集 DrugBank or BIOSNAP or BindingDB， 相关文献

基于Tanimoto核的t-SNE算法#

基于分子特征使用t-SNE算法对分子空间进行二维表示是一种有效的可视化方法。化学空间被认为极其庞大，训练数据集中对该空间的高效采样预计将对预测模型的泛化性能产生重大影响。为可视化分子空间的高维特征，研究者常使用基于Tanimoto核的t-SNE算法，将其映射到2D空间中进行分析。

t-SNE算法#

t-SNE（t-distributed Stochastic Neighbor Embedding）是一种非线性降维算法，特别适合用于高维数据的可视化。它能够保持数据点之间的局部关系，同时揭示数据的全局结构。

分子空间#

化学空间是指所有可能的化学结构的集合。这个空间是高维的，因为每个分子可以用多个特征来描述（如原子类型、化学键、官能团等）。

Tanimoto核#

Tanimoto系数（也称为Jaccard系数）是衡量两个集合相似度的指标。在化学信息学中，它常用于比较分子指纹的相似性。Tanimoto核是基于这个系数的核函数，用于在高维空间中计算分子间的相似度。

高效采样的重要性#

由于化学空间极其庞大，无法穷尽所有可能的分子。因此，训练数据集中的分子应该能够代表整个化学空间的多样性，这对于模型的泛化性能至关重要。

Python代码实现#

以下是一个基于Python的代码示例，展示如何使用t-SNE算法对分子特征进行降维和可视化：

import numpy as np
from rdkit import Chem
from rdkit.Chem import AllChem
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
from scipy.spatial.distance import pdist, squareform

# 1. 准备分子数据
smiles_list = [
    "CC(=O)OC1=CC=CC=C1C(=O)O",  # Aspirin
    "CC12CCC3C(C1CCC2O)CCC4=CC(=O)CCC34C",  # Testosterone
    "CN1CCC[C@H]1C2=CN=CC=C2",  # Nicotine
    "CC(C)(C)NCC(O)C1=CC(=C(C=C1)O)CO"  # Salbutamol
]

# 2. 计算分子指纹
def calculate_fingerprints(smiles_list):
    mols = [Chem.MolFromSmiles(smiles) for smiles in smiles_list]
    fps = [AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=1024) for mol in mols]
    return np.array(fps)

fingerprints = calculate_fingerprints(smiles_list)

# 3. 定义Tanimoto核函数
def tanimoto_kernel(X):
    return 1 - pdist(X, metric="jaccard")

# 4. 使用t-SNE进行降维
tsne = TSNE(n_components=2, metric="precomputed", random_state=42)
tanimoto_dist = squareform(tanimoto_kernel(fingerprints))
tsne_results = tsne.fit_transform(1 - tanimoto_dist)

# 5. 可视化结果
plt.figure(figsize=(10, 8))
plt.scatter(tsne_results[:, 0], tsne_results[:, 1])
for i, smiles in enumerate(smiles_list):
    plt.annotate(Chem.MolToSmiles(Chem.MolFromSmiles(smiles), isomericSmiles=False), 
                 (tsne_results[i, 0], tsne_results[i, 1]))
plt.title("t-SNE visualization of molecular space")
plt.xlabel("t-SNE 1")
plt.ylabel("t-SNE 2")
plt.show()

图像实例#

import pandas as pd
from rdkit import Chem
from rdkit.Chem import AllChem
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
from scipy.spatial.distance import pdist, squareform
import numpy as np
from tqdm import tqdm  # 导入 tqdm 库以显示进度条

# 定义颜色
colors = ['#845ec2', '#4b4453', '#b0a8b9', '#00896f', '#00c0a3']

# 加载所有文件，并仅读取前10%的行
file_paths = [f"/" for i in [10, 20, 30, 40, 50]]

# smiles_data = [pd.read_csv(file)["smiles"] for file in file_paths]
smiles_data = []
for file in file_paths:
    df = pd.read_csv(file)
    smiles_data.append(df["smiles"].head(int(len(df) * 0.1)))  # 读取前10%行

# 计算分子指纹的函数
def calculate_fingerprints(smiles_list):
    mols = [Chem.MolFromSmiles(smiles) for smiles in smiles_list]
    fps = [AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=1024) for mol in tqdm(mols, desc="计算分子指纹")]
    return np.array(fps)

# 定义 Tanimoto 核函数
def tanimoto_kernel(X):
    return 1 - pdist(X, metric="jaccard")

# 初始化 t-SNE 分析器，显式设置初始化为 'random'，学习率为 'auto'，并启用 square_distances=True
tsne = TSNE(n_components=2, metric="precomputed", random_state=42, init='random', learning_rate='auto', square_distances=True)

# 创建大图用于绘制所有 t-SNE 结果
plt.figure(figsize=(12, 10))

# 依次处理每个文件中的 SMILES，并显示进度条
for idx, smiles_list in enumerate(smiles_data):
    print(f"处理文件 {idx + 1}/{len(smiles_data)} 的 t-SNE 分析")
    
    # 计算当前文件的分子指纹
    fingerprints = calculate_fingerprints(smiles_list)
    
    # 计算 Tanimoto 距离
    tanimoto_dist = squareform(tanimoto_kernel(fingerprints))
    
    # 进行 t-SNE 降维并显示进度条
    print("进行 t-SNE 降维")
    tsne_results = tsne.fit_transform(1 - tanimoto_dist)
    
    # 绘制当前 t-SNE 结果
    plt.scatter(tsne_results[:, 0], tsne_results[:, 1], color=colors[idx], label=f'{(idx+1)*10}-bb-data')

# 添加标题和标签
plt.title("t-SNE Visualization of 5 Files (Top 10% Data)")
plt.xlabel("t-SNE 1")
plt.ylabel("t-SNE 2")
plt.legend()  # 显示图例以区分不同文件

# 保存为 SVG 格式
output_path = ""
plt.savefig(output_path, format='svg')
print(f"图像已保存至 {output_path}")

图片参考 T-SNE