medchem
Filtros de química medicinal. Aplique regras de similaridade a fármacos (Lipinski, Veber), filtros PAINS, alertas estruturais, métricas de complexidade, para priorização de compostos e filtragem de bi
SKILL.mdskills/skills/scientific/medchem/SKILL.md
GitHubMedchem
Visão geral
Medchem é uma biblioteca Python para filtragem molecular e priorização em fluxos de trabalho de descoberta de fármacos. Aplique centenas de filtros moleculares bem estabelecidos e inovadores, alertas estruturais e regras de química medicinal para triar e priorizar bibliotecas de compostos em larga escala de forma eficiente. Regras e filtros são específicos do contexto—use como diretrizes combinadas com experiência de domínio.
Quando usar esta habilidade
Esta habilidade deve ser usada quando:
- Aplicar regras de similaridade a fármacos (Lipinski, Veber, etc.) em bibliotecas de compostos
- Filtrar moléculas por alertas estruturais ou padrões PAINS
- Priorizar compostos para otimização de líderes
- Avaliar qualidade de compostos e propriedades de química medicinal
- Detectar grupos funcionais reativos ou problemáticos
- Calcular métricas de complexidade molecular
Instalação
uv pip install medchem
Capacidades principais
1. Regras de Química Medicinal
Aplique regras de similaridade a fármacos bem estabelecidas em moléculas usando o módulo medchem.rules.
Regras Disponíveis:
- Rule of Five (Lipinski)
- Rule of Oprea
- Rule of CNS
- Rule of leadlike (suave e restrita)
- Rule of three
- Rule of Reos
- Rule of drug
- Rule of Veber
- Golden triangle
- Filtros PAINS
Aplicação de Regra Única:
import medchem as mc
# Apply Rule of Five to a SMILES string
smiles = "CC(=O)OC1=CC=CC=C1C(=O)O" # Aspirin
passes = mc.rules.basic_rules.rule_of_five(smiles)
# Returns: True
# Check specific rules
passes_oprea = mc.rules.basic_rules.rule_of_oprea(smiles)
passes_cns = mc.rules.basic_rules.rule_of_cns(smiles)
Múltiplas Regras com RuleFilters:
import datamol as dm
import medchem as mc
# Load molecules
mols = [dm.to_mol(smiles) for smiles in smiles_list]
# Create filter with multiple rules
rfilter = mc.rules.RuleFilters(
rule_list=[
"rule_of_five",
"rule_of_oprea",
"rule_of_cns",
"rule_of_leadlike_soft"
]
)
# Apply filters with parallelization
results = rfilter(
mols=mols,
n_jobs=-1, # Use all CPU cores
progress=True
)
Formato de Resultado: Os resultados são retornados como dicionários com status de aprovação/rejeição e informações detalhadas para cada regra.
2. Filtros de Alertas Estruturais
Detecte padrões estruturais potencialmente problemáticos usando o módulo medchem.structural.
Filtros Disponíveis:
- Common Alerts - Alertas estruturais gerais derivados de curadoria ChEMBL e literatura
- NIBR Filters - Conjunto de filtros do Novartis Institutes for BioMedical Research
- Lilly Demerits - Sistema baseado em demérito da Eli Lilly (275 regras, moléculas rejeitadas com >100 demérito)
Common Alerts:
import medchem as mc
# Create filter
alert_filter = mc.structural.CommonAlertsFilters()
# Check single molecule
mol = dm.to_mol("c1ccccc1")
has_alerts, details = alert_filter.check_mol(mol)
# Batch filtering with parallelization
results = alert_filter(
mols=mol_list,
n_jobs=-1,
progress=True
)
NIBR Filters:
import medchem as mc
# Apply NIBR filters
nibr_filter = mc.structural.NIBRFilters()
results = nibr_filter(mols=mol_list, n_jobs=-1)
Lilly Demerits:
import medchem as mc
# Calculate Lilly demerits
lilly = mc.structural.LillyDemeritsFilters()
results = lilly(mols=mol_list, n_jobs=-1)
# Each result includes demerit score and whether it passes (≤100 demerits)
3. API Funcional para Operações de Alto Nível
O módulo medchem.functional fornece funções convenientes para fluxos de trabalho comuns.
Filtragem Rápida:
import medchem as mc
# Apply NIBR filters to a list
filter_ok = mc.functional.nibr_filter(
mols=mol_list,
n_jobs=-1
)
# Apply common alerts
alert_results = mc.functional.common_alerts_filter(
mols=mol_list,
n_jobs=-1
)
4. Detecção de Grupos Químicos
Identifique grupos químicos específicos e grupos funcionais usando medchem.groups.
Grupos Disponíveis:
- Hinge binders
- Phosphate binders
- Michael acceptors
- Grupos reativos
- Padrões SMARTS personalizados
Uso:
import medchem as mc
# Create group detector
group = mc.groups.ChemicalGroup(groups=["hinge_binders"])
# Check for matches
has_matches = group.has_match(mol_list)
# Get detailed match information
matches = group.get_matches(mol)
5. Catálogos Nomeados
Acesse coleções organizadas de estruturas químicas através de medchem.catalogs.
Catálogos Disponíveis:
- Grupos funcionais
- Grupos protetores
- Reagentes comuns
- Fragmentos padrão
Uso:
import medchem as mc
# Access named catalogs
catalogs = mc.catalogs.NamedCatalogs
# Use catalog for matching
catalog = catalogs.get("functional_groups")
matches = catalog.get_matches(mol)
6. Complexidade Molecular
Calcule métricas de complexidade que aproximam acessibilidade sintética usando medchem.complexity.
Métricas Comuns:
- Complexidade de Bertz
- Complexidade de Whitlock
- Complexidade de Barone
Uso:
import medchem as mc
# Calculate complexity
complexity_score = mc.complexity.calculate_complexity(mol)
# Filter by complexity threshold
complex_filter = mc.complexity.ComplexityFilter(max_complexity=500)
results = complex_filter(mols=mol_list)
7. Filtragem de Restrições
Aplique restrições personalizadas baseadas em propriedades usando medchem.constraints.
Restrições de Exemplo:
- Faixas de peso molecular
- Limites de LogP
- Limites de TPSA
- Contagem de ligações rotáveis
Uso:
import medchem as mc
# Define constraints
constraints = mc.constraints.Constraints(
mw_range=(200, 500),
logp_range=(-2, 5),
tpsa_max=140,
rotatable_bonds_max=10
)
# Apply constraints
results = constraints(mols=mol_list, n_jobs=-1)
8. Linguagem de Consulta Medchem
Use uma linguagem de consulta especializada para critérios de filtragem complexos.
Exemplos de Consulta:
# Molecules passing Ro5 AND not having common alerts
"rule_of_five AND NOT common_alerts"
# CNS-like molecules with low complexity
"rule_of_cns AND complexity < 400"
# Leadlike molecules without Lilly demerits
"rule_of_leadlike AND lilly_demerits == 0"
Uso:
import medchem as mc
# Parse and apply query
query = mc.query.parse("rule_of_five AND NOT common_alerts")
results = query.apply(mols=mol_list, n_jobs=-1)
Padrões de Fluxo de Trabalho
Padrão 1: Triagem Inicial de Biblioteca de Compostos
Filtre uma grande coleção de compostos para identificar candidatos similares a fármacos.
import datamol as dm
import medchem as mc
import pandas as pd
# Load compound library
df = pd.read_csv("compounds.csv")
mols = [dm.to_mol(smi) for smi in df["smiles"]]
# Apply primary filters
rule_filter = mc.rules.RuleFilters(rule_list=["rule_of_five", "rule_of_veber"])
rule_results = rule_filter(mols=mols, n_jobs=-1, progress=True)
# Apply structural alerts
alert_filter = mc.structural.CommonAlertsFilters()
alert_results = alert_filter(mols=mols, n_jobs=-1, progress=True)
# Combine results
df["passes_rules"] = rule_results["pass"]
df["has_alerts"] = alert_results["has_alerts"]
df["drug_like"] = df["passes_rules"] & ~df["has_alerts"]
# Save filtered compounds
filtered_df = df[df["drug_like"]]
filtered_df.to_csv("filtered_compounds.csv", index=False)
Padrão 2: Filtragem de Otimização de Líderes
Aplique critérios mais rigorosos durante otimização de líderes.
import medchem as mc
# Create comprehensive filter
filters = {
"rules": mc.rules.RuleFilters(rule_list=["rule_of_leadlike_strict"]),
"alerts": mc.structural.NIBRFilters(),
"lilly": mc.structural.LillyDemeritsFilters(),
"complexity": mc.complexity.ComplexityFilter(max_complexity=400)
}
# Apply all filters
results = {}
for name, filt in filters.items():
results[name] = filt(mols=candidate_mols, n_jobs=-1)
# Identify compounds passing all filters
passes_all = all(r["pass"] for r in results.values())
Padrão 3: Identificar Grupos Químicos Específicos
Encontre moléculas contendo grupos funcionais ou scaffolds específicos.
import medchem as mc
# Create group detector for multiple groups
group_detector = mc.groups.ChemicalGroup(
groups=["hinge_binders", "phosphate_binders"]
)
# Screen library
matches = group_detector.get_all_matches(mol_list)
# Filter molecules with desired groups
mol_with_groups = [mol for mol, match in zip(mol_list, matches) if match]
Melhores Práticas
O Contexto Importa: Não aplique filtros cegamente. Entenda o alvo biológico e o espaço químico.
Combine Múltiplos Filtros: Use regras, alertas estruturais e conhecimento de domínio juntos para melhores decisões.
Use Paralelização: Para grandes conjuntos de dados (>1000 moléculas), sempre use
n_jobs=-1para processamento paralelo.Refinamento Iterativo: Comece com filtros amplos (Ro5), depois aplique critérios mais específicos (CNS, leadlike) conforme necessário.
Documente Decisões de Filtragem: Rastreie quais moléculas foram filtradas e por quê para reprodutibilidade.
Valide Resultados: Lembre-se que fármacos comercializados frequentemente falham em filtros padrão—use esses como diretrizes, não como regras absolutas.
Considere Pródrogas: Moléculas projetadas como pródrogas podem intencionalmente violar regras padrão de química medicinal.
Recursos
references/api_guide.md
Referência API abrangente cobrindo todos os módulos medchem com assinaturas de função detalhadas, parâmetros e tipos de retorno.
references/rules_catalog.md
Catálogo completo de regras, filtros e alertas disponíveis com descrições, limites e referências bibliográficas.
scripts/filter_molecules.py
Script pronto para produção para fluxos de trabalho de filtragem em lote. Suporta múltiplos formatos de entrada (CSV, SDF, SMILES), combinações de filtros configuráveis e relatórios detalhados.
Uso:
python scripts/filter_molecules.py input.csv --rules rule_of_five,rule_of_cns --alerts nibr --output filtered.csv
Documentação
Documentação oficial: https://medchem-docs.datamol.io/ Repositório GitHub: https://github.com/datamol-io/medchem