药物评价指标

定量估计药物相似性（QED）

该概念由 Richard Bickerton 及其同事首次介绍 [1]。
QED 测量的经验原理反映了分子性质的基本分布，包括分子量、logP、拓扑极性表面积、氢键供体和受体的数量、芳环和可旋转键的数量以及不必要的化学官能团的存在。

由基于 RDKit 的 Biscu-it? 实现生成的QED原始出版物的结果 [1] 结果并不完全相同。这些差异是两种方法中使用的基本计算属性计算器内部差异的结果。例如，在 logP 虽然这两种方法(原始出版物中的差异)可以在计算结果中注意到 Pipeline Pilot 和我们的 Biscu-it? 实现中的 RDKit）都提到使用 Wildman 和 Crippen 计算它们的方法 logP 值 [2]。但是，所得 QED 价值差异很小，不会影响日常研究的使用 Qed 的有用性。

[1] Bickerton, G.R.; Paolini, G.V.; Besnard, J.; Muresan, S.; Hopkins, A.L. (2012)
‘Quantifying the chemical beauty of drugs’, Nature Chemistry, 4, 90-98 [https://doi.org/10.1038/nchem.1243]
[2] Wildman, S.A.; Crippen, G.M. (1999)
‘Prediction of Physicochemical Parameters by Atomic Contributions’, Journal of Chemical Information and Computer Sciences, 39, 868-873 [https://doi.org/10.1021/ci990307l]

实际确定QED在定义时，有必要确定每个描述符的权重。确定该系数，以最大限度地发挥香农文(可由QED解释的信息量)，并考虑以下三种情况。

• QED w，max：给出最大烯系数
• QED w，mo：给出前1000个系数的平均值
• QED w，u：所有描述符都等同于(系数为1).0）在QEDw，max的情况下，PSA和HBA系数为零。也就是说，建议所包含的信息由其他描述符覆盖。本文的主要成分分析为此提供了支持。
  在QEDw，max的情况下，PSA和HBA系数为零。也就是说，建议所包含的信息由其他描述符覆盖。本文的主要成分分析为此提供了支持。

基于RDKit计算QED

from rdkit import rdBase, Chem from rdkit.Chem import PandasTools, QED, Descriptors, rdMolDescriptors %matplotlib inline print(rdBase.rdkitVersion)   df = PandasTools.LoadSDF('structures.sdf') len(df) ## 计算QED df['QED'] = df.ROMol.map(QED.qed) ## 定义Lipinsky def rule_of_five(m):     mw = Descriptors.MolWt(m)     logp = Descriptors.MolLogP(m)     hbd = rdMolDescriptors.CalcNumLipinskiHBD(m)     hba = rdMolDescriptors.CalcNumLipinskiHBA(m)     psa = Descriptors.TPSA(m)     if (mw <= 500 and logp <= 5 and hbd <= 5 and hba <=10):
        return 1
    else:
        return 0

## 绘图
import matplotlib as mpl
import seaborn as sns
with mpl.style.context('seaborn'):
    sns.violinplot(x='Lipinski', y='QED', data=df)

参考