PubChemPy实战指南：从安装到化合物数据挖掘

1. PubChemPy入门化学信息学的Python利器第一次接触PubChemPy时我正在做一个天然产物筛选项目。当时需要批量获取500多种化合物的分子量、LogP值等数据手动查询PubChem网站几乎让我崩溃。直到实验室的师兄扔给我三行代码import pubchempy as pcp compound pcp.get_compounds(aspirin, name)[0] print(compound.molecular_weight)这个180.16的输出结果让我瞬间明白这就是化学信息学研究者梦寐以求的自动化工具。PubChemPy本质上是一个Python封装库把PubChem这个全球最大的化学数据库变成了我们口袋里的瑞士军刀。不同于需要手动点击的网页界面它允许我们用代码直接查询超过1亿种化合物、2.7亿种物质和100万生物实验数据。安装过程简单到令人发指只需要在命令行输入pip install pubchempy但别被它的简单安装迷惑——这个库背后连接的是美国国立生物技术信息中心(NCBI)维护的庞大数据源。我见过药物研发团队用它批量筛选抗癌化合物材料科学家用它构建分子特性数据库甚至高校教师用它生成化学练习题。无论你是要查某个农药的CAS号还是分析整个化合物家族的构效关系PubChemPy都能把原本需要数周的手工劳动压缩到几分钟的代码执行。2. 核心功能深度解析2.1 化合物查询的四种武器最常用的get_compounds()函数其实暗藏玄机。通过不同的namespace参数我们可以用多种姿势查询化合物# 通过名称查询自动处理同义词 pcp.get_compounds(paracetamol, name) # 通过CID精确查询 pcp.get_compounds(2244, cid) # 通过SMILES表达式查询 pcp.get_compounds(CC(O)OC1CCCCC1C(O)O, smiles) # 通过InChIKey哈希值查询 pcp.get_compounds(BSYNRYMUTXBXSQ-UHFFFAOYSA-N, inchikey)实际项目中我最推荐使用InChIKey查询。这个由国际纯粹与应用化学联合会(IUPAC)标准化的27位哈希值能唯一标识分子结构。有次我查询维生素C时发现不同数据源给出的CID可能不同但InChIKey永远都是CIWBSHSKHKDKBQ-UHFFFAOYSA-N。查询结果返回的是Compound对象列表每个对象包含50种属性。除了常见的分子式(molecular_formula)、精确质量(exact_mass)还有一些宝藏属性c pcp.get_compounds(caffeine, name)[0] print(c.rotatable_bond_count) # 可旋转键数量 print(c.h_bond_donor_count) # 氢键供体数 print(c.topological_polar_surface_area) # 拓扑极性表面积2.2 物质与实验数据挖掘很多人不知道PubChemPy还能查实验数据。比如要查找阿司匹林相关的生物活性实验substances pcp.get_substances(aspirin, name) for s in substances: print(fSID:{s.sid} 来源:{s.source_name}) print(关联实验:, s.aids)更狠的是直接获取实验详情。去年帮药学院分析抗疟疾化合物时我用这个功能批量提取了上千个实验结果的IC50值assay pcp.get_assays(485290) # 输入AID编号 print(assay.results[0]) # 查看第一条实验结果2.3 与Pandas的完美联姻处理大批量化合物的正确姿势是直接生成DataFrame。这个功能让我省去了无数个CSV文件合并的夜晚import pandas as pd cids [784, 2244, 1983] # 布洛芬、对乙酰氨基酚、萘普生的CID df pcp.get_properties([isomeric_smiles, molecular_weight, logp], cids, as_dataframeTrue) print(df.head())输出结果直接是带CID索引的表格isomeric_smiles molecular_weight logp cid 784 CC(C)CC1CCC(CC1)C(C)C(O)O 206.28 3.97 2244 CC(O)NC1CCC(CC1)O 151.16 0.49 1983 CC1CC2C(CC1)C(CC(O)O2)C3CCCCC3 230.26 3.183. 高级应用实战技巧3.1 结构相似性搜索去年开发天然产物衍生物库时结构相似性搜索成了我的救命稻草。通过searchtypesimilarity参数可以找到结构相似的化合物similar pcp.get_compounds(CN1CNC2C1C(O)N(C(O)N2C)C, smiles, searchtypesimilarity, Threshold95, # 相似度阈值 MaxRecords5) for c in similar: print(c.cid, c.iupac_name)更强大的是子结构搜索。在开发荧光探针时我用这个方法找到了所有含蒽环结构的化合物substructure pcp.get_compounds(C1CCC2C(C1)CCC3CCCCC32, smiles, searchtypesubstructure) print(f找到 {len(substructure)} 个蒽环衍生物)3.2 批量下载SDF文件做分子对接时需要大量3D结构这个下载功能比手动点鼠标高效100倍pcp.download(SDF, aspirin_3d.sdf, aspirin, name, overwriteTrue, record_type3d)配合RDKit使用效果更佳from rdkit import Chem suppl Chem.SDMolSupplier(aspirin_3d.sdf) for mol in suppl: print(mol.GetNumAtoms())3.3 错误处理与性能优化处理海量查询时这些技巧能让你少掉头发from time import sleep from random import random cids [...] # 上万个CID列表 for cid in cids: try: props pcp.get_properties([canonical_smiles], cid) # 随机延迟防止被封IP sleep(0.5 random()) except pcp.PubChemHTTPError as e: print(fCID {cid} 查询失败: {str(e)}) continue建议加上缓存机制我通常用joblib.Memoryfrom joblib import Memory memory Memory(./pubchem_cache) memory.cache def get_cached_properties(cid): return pcp.get_properties([isomeric_smiles], cid)4. 真实项目案例解析4.1 药物likeness筛选系统去年为CRO公司开发药物筛选系统时我们用PubChemPy构建了自动化流水线def drug_score(cid): c pcp.get_compounds(cid)[0] score 0 # Lipinski五规则计算 if 150 c.molecular_weight 500: score 1 if c.h_bond_donor_count 5: score 1 if c.h_bond_acceptor_count 10: score 1 if c.logp 5: score 1 return score cids [...] # 待筛选化合物 results [] for cid in cids: try: results.append((cid, drug_score(cid))) except: continue df pd.DataFrame(results, columns[cid, score]) print(df[df.score 4]) # 输出符合规则的化合物4.2 化学教育应用给医学院学生开发的教学工具中这个SMILES转换器特别受欢迎def name_to_smiles(name): try: c pcp.get_compounds(name, name)[0] return { name: name, smiles: c.isomeric_smiles, image_url: fhttps://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/{c.cid}/PNG } except: return None4.3 跨数据库整合将PubChem数据与ChEMBL联用时这个CID转换技巧很实用def unify_compound(identifier): # 尝试各种标识符类型 for ns in [name, smiles, inchikey]: try: c pcp.get_compounds(identifier, ns)[0] return { cid: c.cid, inchikey: c.inchikey, standard_inchi: c.standard_inchi } except: continue return None记得第一次成功运行批量查询时看着命令行里飞速滚动的数据我突然理解了什么是化学信息学——它不只是化学计算机的简单叠加而是用代码打开了一个分子级别的数字宇宙。PubChemPy最迷人的地方在于它让每个研究者都能平等地获取人类积累的化学知识宝藏。