Példák kémiai adat-típusokra

Példák kémiai adat-típusokra • • • • • • • • • • • • • • •

Molekuláris topológia Markush szerkezetek Szimmetria elemek Anyag tulajdonságok Topológiai indexek Nómenklatúra Normál módok, vibrációk Bázis szetek kvantumkémiához Fehérjeszekvenciák Kémiai reakciók Reakciómechanizmusok High throughput screening adatok Skektrumok (MS, NMR, IR, …) Bibliográfiai adatok Gazdasági adatok (ár, költség, …)

• • • • • • • • • • • • • • •

0D/2D/3D molekuláris szerkezetek Atomi koordináta halmazok Fizikai-kémiai tulajdonságok Leírók (Descriptors) Molekulafelszínek Sztereokémia Erőtér paraméterek (molekulamechanika) Farmakofórok ADMETox adatok (toxicitás) Reakciók kinetikai paraméterei Reakcióutak Trajektóriák MD szimulációkból Kromatogrammok Szabadalmak Szabványok …

Az adatátadás megfelelő specifikálása alapvető!!! Adatok, adatbázisok 2007. március 1.

ELTE Kémiai Intézet, Szerves Kémiai Tanszék

1

Adatok A megfelelő információ kinyeréséhez alapvető a felhasznált adatok minőségének biztosítása

kezdeti adathalmaz

kilógó és redundáns adatok kezelése Adatok, adatbázisok 2007. március 1.

jóslás, becslés (kísérleti és vagy elméleti)

adat-előkészítés, transzformációk legjobb leírók kiválasztása ELTE Kémiai Intézet, Szerves Kémiai Tanszék

2

Adatok Komplexitás, redundancia Álljon egy S rendszer n db. objektumból. Tegyük fel, hogy találunk olyan kritériumot, melynek segítségével m db. csoportba, ekvivalenciaosztályba tudjuk sorolni az objektumokat. Legyen az i-ik csoport elemeinek száma ni. Ebben az esetben a rendszer komplexitását, információtartalmát a Shannon egyenlet segítségével számíthatjuk ki:

m

I = − ∑ log ( ) ni n

ni 2 n

i =1

Adatok, adatbázisok 2007. március 1.


3

Adatok Komplexitás, redundancia • Extrém esetek: • Az összes objektum ugyanabba az ekvivalenciaosztályba kerül (m = 1, n1 = n):

I = − log ( ) = − log2 (1) = 0 n n

n 2 n

Legnagyobb redundancia, nincs információtartalom, I = 0 • Minden egyes objektum külön ekvivalenciaosztályba kerül (m = n, ni = 1):

n

I = − ∑ log ( ) = −(− log2 ( n ) ) = log2 ( n ) 1 n

1 2 n

i =1 Legnagyobb komplexitás, maximális információtartalom: I = log2(n) • Megfelelő kritériumok kiválasztása az igazi probléma Adatok, adatbázisok 2007. március 1.


) klaszterezés 4

Kísérlettervezés, optimálás • Megismerni, hogy a lehetséges változók a rendszertől várt megfelelő válasz eléréséhez mennyire fontosak • A szükségtelen változók kiszűrése és eltávolítása • Egyszerű matematikai modell kidolgozása a kísérlet optimálására • A kísérletek költségeinek csökkentése • A folyamat és az kijövő adatok minőségének javítása • A jel / zaj viszony javítása



5

Adat előkészítés Centrálás, skálázás • Egy adat-vektorban használt adatok „összeskálázása” a hasonló numerikus súly eléréséhez. n

∑ xij aj =

i =1

n

2 j

∑ (x

s =

n

ij − a j )

2

i =1

x′j =

n −1

xij sj

• Centrálás: Az átlag kivonása az adat-vektorokból. n

∑ x′

ij

a ′j =

i =1

n

x′j′ = xij′ − a′j

• Automatikus skálázás (autoscaling): Adatok, adatbázisok 2007. március 1.


x′′ =

xij − a j sj 6

Adat előkészítés Centrálás, skálázás

Eredeti

Skálázás

Centrálás

0



7

Adat előkészítés Főkomponens-analízis (Principal Component Analyzis, PCA)

Az X mátrix oszlopai tartalmazzák az xi adatvektorokat, X a szinguláris érték felbontás (SVD) segítségével diagonalizálható:

X = UWV , t

ha i ≠ j, akkor 0 Wi , j =  Wi ,i szinguláris érték

A megfelelően nagy szinguláris értékek kiválasztásával

ha Wi ,i < ε akkor 0 Wi′,i =   ha Wi ,i ≥ ε akkor Wi ,i hiba-, ill. zajszűrés végezhető: t ′ ′ X = UW V Adatok, adatbázisok 2007. március 1.


8

Adat előkészítés Bázistranszformáció S = XtX átfedési mátrix diagonalizálása

S = UWU

t

után, a megfelelően nagy Wi,i sajátértékek meghagyásával (W') vetítéssel történhet a (SVD-nel egyenrangú) hibaszűrés:

P = UW′W′− U t ⇒ X′ = XP ahol W'– a W' diagonális mátrix általánosított inverze: Wi′,i = 0 ⇒ Wi′,i− = 0 Az eredeti adatvektorok bázistranszformáció segítségével kisebb dimenziójú vektorokkal (a C mátrix ci oszlopvektoraival) reprezentálhatók: 1 2

t ′ ′ ′ ′ X X = UW U = C C ⇒ C = W U t


t

t


9

Adat előkészítés Fourier-transzformáció Egy f(x) függvény Fourier transzformációja (áttérés frekvencia-amplitudó térbe): F (k ) = ∫

+∞

−∞

f ( x )e −i 2πkx dx

Inverz transzformáció: +∞

f ( x ) = ∫ F (k )e −∞

i 2πkx

dk

• Jelfeldogozás: NMR, FT-IR, stb. • Adat előkészítés: Spektrális zajszűrés • Adatsor (pl. spektrum) esetén diszkrét FT, FFT Adatok, adatbázisok 2007. március 1.


10

Adat előkészítés Molekuláris szerkezetek előkészítése Ugyanazon szerkezet többféle formában leírható! •Tautomerek •Mezomerek (határszerkezet) •Aromatizálás •Hidrogének •Ellenionok •Oldószermolekulák •Kiralitás •Cisz-transz izoméria •Megjelenítés standard formában Adatok, adatbázisok 2007. március 1.


11

Scientific & technical presentation

Standardizer

October 2006


12

Why standardize structures?

To recognize the same compound represented with different chemical forms Adatok, adatbázisok

2007.

ELTE Kémiai Intézet, Kémiai Tanszék

Szerves

13

Custom transformations Custom transformations Built-in functions Availability

Adatok, adatbázisok

2007.


Szerves

14

Mesomers


2007.


Szerves

15

Tautomers oxo-enol, enamine-imine


2007.


Szerves

16

Tautomers pyridone-pyridol


2007.


Szerves

17

Solvent removal


2007.


Szerves

18

Specific counterion removal


2007.


Szerves

19

Built-in functions Custom transformations

Built-in functions Availability


2007.


Szerves

20

Fragment removal


2007.


Szerves

21

Aromatization


2007.


Szerves

22

Dearomatization


2007.


Szerves

23

Hydrogen conversions converting implicit hydrogens to explicit


2007.


Szerves

24

Hydrogen conversions converting explicit hydrogens to implicit


2007.


Szerves

25

2D Cleaning


2007.


Szerves

26

Template-based Cleaning 2D-coordinate calculation of macrocycles or bridged systems


2007.


Szerves

27

Template-based Cleaning aligning search results to the query query


2007.


Szerves

28

Stereo manipulations removing absolute R/S and E/Z stereo configurations


2007.


Szerves

29

Stereo manipulations setting the absolute stereo (chiral) flag for stereo molecules


2007.


Szerves

30

Stoichiometry expansion expanding reaction stoichiometry


2007.


Szerves

31

Stoichiometry expansion expanding salt stoichiometry


2007.


Szerves

32

Group manipulation


2007.


Szerves

33

Availability Custom transformations Built-in functions

Availability


2007.


Szerves

34

API and command line interface

Standardizer st = new Standardizer(new File("standardize.xml")); st.standardize(mol);

standardize input.sdf -c config.xml -o output.smiles


2007.


Szerves

35

Graphical User Interface


2007.


Szerves

36

Features General – –

Cleaning

aromatize/dearomatize add/remove explicit hydrogens

Conversions – – –

– – –

Compatible

mesomers tautomers functional groups

– – –

Removals – – – – –

– – – – –

remove stereo features set the absolute stereo flag expand/contract/ungroup clear/set the absolute stereo flag expand stoichiometry of attached data


2007.

customizable parameters customizable conversions

Available

Sgroups – – –

MOL, SDF, RXN, RDF (V2000/V3000) SMILES, SMARTS/SMIRKS (recursive too) MRV, CML, PDB

Flexible

solvents counterions by list remove smallest fragment keep largest fragment R-groups

Stereo – –

partial full template based


– –

full API command line interface integration with JChem Base and Cartridge documentation and examples free for the Academic community

Szerves

37

Visit other technical presentations MarvinSketch/View

http://www.chemaxon.com/MarvinSketch_View.ppt

MarvinSpace

http://www.chemaxon.com/MarvinSpace.ppt

Calculator Plugins

http://www.chemaxon.com/Calculator_Plugins.ppt

JChem Base

http://www.chemaxon.com/JChem_Base.ppt

JChem Cartridge

http://www.chemaxon.com/JChem_Cartridge.ppt

Standardizer

http://www.chemaxon.com/Standardizer.ppt

Screen

http://www.chemaxon.com/Screen.ppt

JKlustor

http://www.chemaxon.com/JKlustor.ppt

Fragmenter

http://www.chemaxon.com/Fragmenter.ppt

Reactor

http://www.chemaxon.com/Reactor.ppt


2007.


Szerves

38

Adatbázisok Adattárolástól az adatbázisig • Nagy mennyiségű adat ma már csak számítógépes adathordozón tárolható hatékonyan • A hatékony tárolás mellett felmerülő igények: • több felhasználó is elérhesse különböző jogosultságokkal • kiválasztott kritériumok szerint az adatok keresése gyors legyen • a tárolt adatok bővíthetőek legyenek • Az igények jó része a szokásos adatbázis kezelő felületek segítségével (Oracle, MSSQL, MySQL, stb.) kielégíthető • Kémiai adatbázisokkal szembeni speciális igények: • Az adattípusok szerteágazóak • Molekuláris szerkezet tárolása • Szerkezet alapú keresés, osztályozás



39

Adatbázisok Adattárolástól az adatbázisig • Egy adatbázis felépítése: Tábla

Mező

Katalógus

Kulcs

Címke

Név

Egyéb név

Tisztaság (%)

Forráspont

43.919-3

Metanol

Metil-alkohol

99.93

64.70

…

27.074-1

Etanol

Etil-alkohol

90.00

78.00

…

29.328-8

1-propanol

Propil-alkohol

99.50

97.00

…

Rekord

Eladások Címke

…

Vásárlók Vásárló

Cég

Cím

406

Alibi Kft.

Vecsés

97

Vogon Bt.

Bp.

…

Vásárló

Dátum

Fizetve

27.074-1

406

2007.03.08

IGAZ

29.328-8

97

2007.03.07

HAMIS

…

…



40

Adatbázisok Keresést elősegítő eljárások • Rekordokhoz a rekordból számítható rendezhető kódok rendelése • Bináris keresés (szükséges lépések száma n elem esetén log2n-nel arányos): 1. >?,=?,
2. >?,=?,
3. >?,=?,
4. >?,=?,
• Rendezhető kód pl. a hash kód, ami egy beállított hosszúságú bitsorozat, pozitív egész szám: • lehetőleg egyenletes elosztású legyen • minél inkább kerülje az ütközést • lehetőleg közvetlenül adja meg a rekord indexét • a hash-kódból a rekord, objektum általában nem állítható vissza Adatok, adatbázisok 2007. március 1.


41

Adatbázisok Bináris fa alapú indexelés Az adatbázis újraindexelése nélkül képes hatékonyan kereshető indexelést biztosítani: • minden bejövő objektum indexére a fa egy „levele” mutat • minden újabb objektum kód esetén újabb levéllel bővül a fa • rendezetlenül jövő adatok esetén mélységében lassan nő a fa • rendezetten bejövő objektumok esetén nem hatékony ….

• Valójában lineáris tárolás: Adatok, adatbázisok 2007. március 1.


42

Keresés Teljes szerkezet keresés Feladat: az adott molekula gyors megtalálása az adatbázisban. Molekuláris szerkezetekből kiszámított kódok, lineáris leírók használhatók gyors keresésre: hash kód gyors, de nem mindig egyértelmű egysoros leírók, pl. SMILES jól használhatók, de egyértelműséget biztosítani kell (pl. Morgan algoritmus) kémiai, piaci elnevezések gyakran nem egyértelműek ráadásul a szerkezetet sem mindig adják vissza. a molekuláris szerkezetből származtatott egyszerű leírók, összegképlet, molekulatömeg, gráf alapú összegek csak első szűrésre használhatók • Elő kell állítani a kérdéses molekulára is az adatbázisban használt kódo(ka)t Utána: bináris keresés, bináris fa alapú indexelés, stb. Adatok, adatbázisok 2007. március 1.


43

Keresés fragmens keresés (substructure search) Molekuláris szerkezetek felírhatók címkézett, színezett gráfok segítségével: G = (C,E), a G gráf C csúcsai és E élei segítségével adható meg. Ugyanez molekuláris szerkezetekre (S): S = (A,K), az S molekulagráf az A = {a1, a2, …} atomok és K = {k1, k2, …} kötések segítségével adható meg. Egy gráf másik gráfban való izomorf rész-gráfjának megtalálása NPteljes probléma, n atomos kereső (query) molekula és m atomos cél esetében az összes lehetőség száma:

N illesztés Adatok, adatbázisok 2007. március 1.

m! = ( m − n )!


44

Keresés Visszalépéses (backtrack) algoritmus map 1 3H C CH3 CH32 2 3 1 2 CH34 2 2 OH 1 HO 2 3 4 2 2 Kereső (query) Cél (target) 2 2 5 5 5 2 4 4 4 2 Összesen 5! = 120 lehetőség 3 3 3 2 2 2 2 2 2 1 1 1 2 0 0 0 2 2 3 4 2 5

5 4 3 2 target

1

map

0

query

1



0 0 1 3 3 3 3 3 3 3 4 5 5 5 5 5 5

0 0 0 0 1 2 4 5 5 5 0 0 1 3 3 3 4

0 0 0 0 0 0 0 0 1 4 0 0 0 0 1 4 0 45

Keresés Visszalépéses (backtrack) algoritmus map 3 3H C CH3 CH32 3 3 1 3 CH34 3 2 OH 1 HO 3 3 4 3 3 Kereső (query) Cél (target) 3 3 5 5 5 3 4 4 4 3 Összesen 5! = 120 lehetőség 3 3 3 3 2 2 2 3 3 1 1 1 3 0 0 0 3 5

5 4 3 2 target

1

map

0

query

1

2

3


4


0 1 2 2 2 2 2 2 2 2 4 4 4 4 4 5

0 0 0 1 4 4 4 5 5 5 0 1 2 2 5 0 46

0 0 0 0 0 1 5 0 1 4 0 0 1 5 0 0

Keresés Visszalépéses (backtrack) algoritmus map 4 3H C CH3 CH32 4 3 1 4 CH34 4 2 OH 1 HO 4 3 4 4 4 Kereső (query) Cél (target) 4 5 5 5 5 5 4 4 4 5 Összesen 5! = 120 lehetőség 3 3 3 5 2 2 2 5 Backtrack algoritmussal 49 vizsgálat 5 1 1 1 5 0 0 0 5 5

5 4 3 2 target

1

map

0

query

1

2

3


4


0 1 2 3 3 3 3 5 0 1 2 2 2 2 3 4

0 0 0 0 1 2 5 0 0 0 0 1 3 4 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 47

Keresés Visszalépéses (backtrack) algoritmus optimálása 3H C 3

1

OH 4

Kereső (query) 5

5

5

4

4

4

3

3

3

2

2

2

target

1

map

0

0

0

0

query

4

1

2

3


5

CH32

CH3 CH34

2

1 HO

3

Cél (target)

Eredetileg 5! = 120 lehetőség Optimált backtrack algoritmussal 12 vizsgálat


map 1 1 1 1 1 1 1 1 1 1 1 1

0 2 2 2 2 2 2 2 2 3 4 5

0 0 3 3 3 4 5 5 5 0 0 0

0 0 0 4 5 0 0 3 4 0 0 0 48

Keresés Visszalépéses (backtrack) algoritmus optimálása 3H C 3

1

OH 4

Kereső (query) 5

5

4

4

3

3

2

2

2

target

1

map

0

0

0

0

query

4

1

2

3


5

CH32

CH3 CH34

2

1 HO

3

Cél (target)

Eredetileg 5! = 120 lehetőség Tovább optimált backtrack algoritmussal 9 vizsgálat


map 1 1 1 1 1 1 1 1 1

0 2 2 2 2 2 2 2 2

0 0 3 3 3 4 5 5 5 49

0 0 0 4 5 0 0 3 4

Keresés Szerkezeti kulcs (structural key) • A molekulában megtalálható, előre kiválasztott szerkezeti elemekhez (atom típusok, jellemző funkciós csoportok) egy bitet rendelünk. • Ha a szerkezeti elem megtalálható, a bitet beállítjuk • Előnyei • Könnyen előállítható • Fix hosszúságú • Adatbázisra, tárolandó molekulák jellegére optimálható • Hátrányai • Kevés bit (rövid kulcs) esetén sok ütközéssel járhat • Sok bit esetén kicsi a kitöltöttség, lassul a keresés • Nehéz általánosan használható jól optimált kulcsot készíteni Adatok, adatbázisok 2007. március 1.


50

Keresés Molekuláris ujjlenyomat (fingerprint) • Szintén adott n hosszúságú bitsorozat, de: • Az adott atomból ≤l távolságon belül található összes lehetséges szerkezeti motívumhoz rendelünk biteket • Az adott motívumhoz pl. ezzel inicializált véletlenszám-generátorral állítunk be k bitet • Előnyei: • Könnyű implementálni • Nem kíván „előre kódolt” szerkezeti motívum-bit összerendelést • Általános célokra paraméterezhető n, k és l megfelelő megválasztásával. • A kívánt bitsűrűség könnyen optimálható • Hátrányai: • Nagy l esetén előállítása költséges lehet • Nagy l esetén n és k növelése is szükséges, ami a gyors keresés költségeit növeli • Továbbfejlesztési lehetőség: • „Hajtogatással”, változó hosszú kulcs használatával a bitsűrűség széles tartományban állandó szinten tartható Adatok, adatbázisok 2007. március 1.


51

Példák kémiai adat-típusokra

Recommend Documents