Začínáme formáty

Chemické formáty
Bedřich Košata
SMILES
●
●
●
●
Simplified Molecular Input Line Entry
Specification
Navržen pro použití lidmi
Podobná normálnímu zápisu chemických
struktur
Umožňuje ale nevyžaduje kanonickou formu
Pravidla pro SMILES
●
Symboly atomů se píšou do hranatých závorek
spolu s počtem vodíků, specifikací isotopu a
nábojem:
[CH4], [CH3]-[CH3], [C], [Pb], [Zn++], [Zn2+],
[14CH3-],[2H+]
●
Prvky běžné v organické chemii patří do tzv.
"organic subset" – "organické podmnožiny". U
těch není třeba používat hranaté závorky a
uvádět počet vodíků explicitně – mají implicitní
vaznost. Patří sem [B, C, N,O, P, S, F, Cl, Br, I]
SMILES - vazby
●
Vazby
–
Jednoduchá "-"
–
Dvojná "="
–
Trojná "#"
–
Čtverná "$"
–
Aromatická ":"
–
Nulová "."
●
●
Pro vyjádření solí, komplexů, apod.
Např. [Na+].[Cl-] místo [Na]Cl, CC(=O)[O-].[NH4+], apod.
SMILES - atomy
●
●
Mezi atomy se předpokládá jednoduchá vazba:
"CCC" = "C-C-C"
Aromatická vazba mezi atomy z "organic
subset" je implikovaná pokud je symbol zapsán
malými písmeny: "C:1:C:C:C:C:C:1" =
"c1ccccc1"
SMILES – větvení
●
●
Větvení se zapisuje pomocí závorek: CC(C)
(C)CCl je 1-chlor-2,2-dimethylpropan
Větvení lze rekurzivně vkládat do sebe, ve
větvích lze používat čísla pro vytváření kruhů:
CC(C(C(C)C)C)CC
SMILES – kruhy
●
●
●
Kruhy se vytváří pomocí čísel za symbolem
atomu. Odpovídající čísla se spojí vazbou.
Čísla, která se jednou spojí lze recyklovat:
"C1CC1C2CC2" = "C1CC1C1CC1"
Čísla jsou pouze jednociferná "C12"
neznamená jeden kruh s číslem 12, ale dva s
čísly 1 a 2
SMILES – cis-trans isomerie
●
Pro vyjádření isomerie na dvojných vazbách se
používají odlišné symboly pro jednoduchá
vazby - "\" a "/"
●
"\" značí směr dolů, "/" směr nahoru
●
C\C=C\C – trans-but-2-en
Molfile
●
●
Rodina formátů CTFile
Základem je connection table (CT, spojovací
tabulka)
Molfile – Connection table
comment
comment
comment
12 12 0
134.6302
157.3151
180.0000
180.0000
134.6302
157.3151
202.6908
225.3777
202.6948
248.0685
111.9394
89.2525
3 4 1
3 7 1
5 6 1
4 6 2
8 10 1
11 12 1
7 9 2
5 11 1
1 5 2
2 3 2
7 8 1
1 2 1
M END
0
0 0 0
181.9725
195.0787
181.9725
155.8114
155.8114
142.7052
195.0684
181.9656
221.2673
195.0616
142.7154
155.8183
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0
0 0999 V2000
0.0000 C
0 0
0.0000 C
0 0
0.0000 C
0 0
0.0000 C
0 0
0.0000 C
0 0
0.0000 C
0 0
0.0000 C
0 0
0.0000 C
0 5
0.0000 O
0 0
0.0000 C
0 0
0.0000 O
0 0
0.0000 C
0 0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
O
O
Rodina CTFile
Molfile
Rnxfile
SDFile
RDFile
XDFile
Struktura
ano
ano
ano
ano
ano
Reakce
ne
ano
ne
ano
ano
Víc kusů Popis
ne
ne
ano
ano
ano
založený na XML
InChI
●
Velice mladý formát (~2005)
●
Produkt spolupráce IUPAC a NIST
●
Kanonický formát
●
Vysoký stupeň normalizace
●
Vrstevnatá struktura
–
●
Umožňuje porovnávat struktury na různých
úrovních detailu
V roce 2009 vzniklo tzv. Standardní InChI, které
neumožňuje nijak nastavovat parametry
výstupu, jako to uměla předchozí verze.
Označuje se “1S/” na začátku InChI.
InChI - struktura
●
●
Vrstvy jsou oddělené lomítkem
Čísla atomů jsou přiřazená v pořadí sumárního
vzorce
–
Např. 1-11 = C, 12 = N, 13,14 = O
14
6
O
11
O
10
7
verze
13
1
5
9
3
4
8
HN12 H
2
InChI=1S/C11H15NO2/c1-8(12-2)5-9-3-4-10-11(6-9)14-7-13-10/h3-4,6,8,12H,5,7H2,1-2H3/t8-/m1/s1
sumární vzorec
konektivita
vodíky
stereochemie
InChI - struktura
OH
1S/C5H8O/c1-2-3-4-5-6/h6H,2,5H2,1H3
1S/C6H10/c1-3-5-6-4-2/h3-4H2,1-2H3
1S/C6H10/c1-6-4-2-3-5-6/h4H,2-3,5H2,1H3
1S/C6H10/c1-6-4-2-3-5-6/h2,4,6H,3,5H2,1H3
InChI – normalizace
●
Tautomery mají stejné InChI
–
InChI neukládá řády vazeb, takže tautomery se liší
pouze umístěním atomů vodíku
–
Vrstva popisující vodíky obsahuje u tauteomerů
informaci typu "2 atomy vodíku rozprostřené po 3
atomech kyslíku".
–
Standardní InChI defaultně obsahuje tzv. FixedH,
což způsobí přidání další vrstvy, která popisuje
skutečné umístění vodíků
OH
O
H3C
H3C
OH
O
InChI=1/C2H4O2/c1-2(3)4/h1H3,(H,3,4)
InChI – normalizace
OH
O
N
N
NH
OH
N
H
O
InChI=1/C4H4N2O2/c7-3-1-2-5-4(8)6-3/h1-2H,(H2,5,6,7,8)
/f/h7-8H
/f/h5-6H
Vrstva pro zafixované vodíky
InChI bez
zafixovaných vodíků
InChI – cvičení
●
Pokuste se nakreslit následující sloučenin
podle jejich InChI:
–
InChI=1/C3H8O/c1-2-3-4/h4H,2-3H2,1H3
–
InChI=1/C4H4O/c1-2-4-5-3-1/h1-4H
–
InChI=1/C3H8O3S/c1-2-3-7(4,5)6/h2-3H2,1H3,
(H,4,5,6)/f/h4H
–
InChI=1/C4H10O3/c5-1-3-7-4-2-6/h5-6H,1-4H2
–
InChI=1/C5H5NO/c7-5-3-1-2-4-6-5/h1-4H,(H,6,7)
–
InChI=1/C9H11NO/c1-3-7-6-8(10)4-5-9(7)11-2/h36H,1,10H2,2H3
InChIKey
●
Hash konstantní délky založená na InChI
●
Skládá se ze tří částí
●
–
14 znaků pro strukturu
–
10 znaků pro stereo, fixedH, a další
–
1 znak pro protonaci/deprotonaci (N=0,M=-1,O=+1)
Ukázky
–
WPYMKLBDIGXBTP-UHFFFAOYSA-N
(kyselina benzoová)
Zajímavé InChIKey (starší formát)
●
●
●
●
609021 | 2-phenyl-5-propan-2-yl-1,3-thiazole |
DIBUSZLHFVADTN-UHFFFAOYAR
23409537 | N-(3-chloro-4-methylphenyl)-2-(2methyl-3-oxo-1,4-benzoxazin-4-yl)acetamide |
KLIMTWNPOCEKDX-UYBDAZJACN
23023269 | (dicyclohexylamino) phenyl
phosphate | CECHVCXOELQOQUCDOZQSGQCX
24264883 | 2-(pyridin-3-ylmethyl)butanoic acid |
PRASEVZRVWVPGQ-XWKXFZRBCR
CML
●
●
●
XML formát
Bohužel implementace pokulhává za nápady
autorů
Z hlediska XML obsahuje problematický design
–
●
x2,y2 vs. x3,y3,z3
Jako standard má také některé záporné stránky
–
Přílišná volnost v oblastech kde by jediný způsob
vyjádření stačil
–
Atribut convention umožňuje použít definice z jiných
standardů, např. convention="MDL" umožňuje
označit stereochemii podle specifikace Molfile
CML
<?xml version="1.0" ?><cml>
<molecule id="molecule57132">
<atomArray>
<atom elementType="C" id="atom43832" x2="159.625730994" y2="218.984795322"/>
<atom elementType="C" id="atom55076" x2="182.306432749" y2="205.885380117"/>
<atom elementType="C" id="atom12319" x2="204.987134503" y2="218.984795322"/>
<atom elementType="C" id="atom9876" x2="204.987134503" y2="245.14619883"/>
<atom elementType="C" id="atom61464" x2="159.625730994" y2="245.14619883"/>
<atom elementType="C" id="atom98258" x2="182.306432749" y2="258.283040936"/>
<atom elementType="C" id="atom51255" x2="227.705263158" y2="205.885380117"/>
<atom elementType="O" id="atom24164" x2="227.705263158" y2="179.686549708"/>
<atom elementType="N" id="atom34948" x2="182.306432749" y2="284.481871345"/>
<atom elementType="O" formalCharge="-1" id="atom21705" x2="250.385964912" y2="219.022222222"/>
</atomArray>
<bondArray>
<bond atomRefs2="atom51255 atom24164" order="2"/>
O
<bond atomRefs2="atom98258 atom34948" order="1"/>
<bond atomRefs2="atom43832 atom61464" order="2"/>
<bond atomRefs2="atom51255 atom21705" order="1"/>
O<bond atomRefs2="atom43832 atom55076" order="1"/>
<bond atomRefs2="atom12319 atom9876" order="1"/>
<bond atomRefs2="atom61464 atom98258" order="1"/>
<bond atomRefs2="atom55076 atom12319" order="2"/>
<bond atomRefs2="atom9876 atom98258" order="2"/>
<bond atomRefs2="atom12319 atom51255" order="1"/>
NH2
</bondArray>
</molecule>
</cml>
CDX a CDXML
●
Formáty ChemDraw
●
CDX = binární formát
●
CDXML = XML podoba CDX
●
http://www.cambridgesoft.com/services/documenta
●
●
Nejedná se o nezávislý standard, ale jeho
dokumentace umožňuje použití mimo
ChemDraw
Jediný z prezentovaných formátů, který řeší I
zobrazení struktury, např. barvy apod.
Konverze formátů
●
OpenBabel http://openbabel.org/wiki/Main_Page
–
free software
–
umožňuje konvertovat několik desítek formátů
–
umožňuje i filtrovat struktury
–
má bindingy do Pythonu, Ruby, Perlu, C# a dalších