rdkit
Анализ молекул с помощью RDKit хемоинформатики
Également disponible depuis: K-Dense-AI
RDKit — это мощная библиотека с открытым исходным кодом для хемоинформатики и анализа молекул. Этот навык предоставляет комплексное руководство по расчету молекулярных свойств, выполнению поиска по сходству, фильтрации соединений по подструктуре и визуализации химических структур.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "rdkit". Analyze aspirin (CC(=O)Oc1ccccc1C(=O)O) for drug-likeness
Résultat attendu:
- Molecular Weight: 180.16 g/mol
- LogP: 1.19
- TPSA: 63.60 A²
- H-Bond Donors: 1
- H-Bond Acceptors: 3
- QED Score: 0.79
- Lipinski Pass: Yes (all criteria met)
Utilisation de "rdkit". Find molecules similar to benzene (c1ccccc1) with Tanimoto similarity above 0.6
Résultat attendu:
- Rank 1: Toluene (CC1=CC=CC=C1) - Similarity: 0.89
- Rank 2: Phenol (OC1=CC=CC=C1) - Similarity: 0.78
- Rank 3: Aniline (NC1=CC=CC=C1) - Similarity: 0.71
- Rank 4: Benzonitrile (N#CC1=CC=CC=C1) - Similarity: 0.65
Audit de sécurité
SûrThis is a legitimate RDKit cheminformatics skill containing documentation, API references, and example scripts. All 900 static findings are FALSE POSITIVES caused by the scanner's inability to distinguish between: (1) markdown code fences and shell backticks, (2) chemistry terminology (C2, C3 carbons) and crypto/C2 malware, (3) CSV file output and credential files, and (4) SMARTS patterns and command injection. The Python scripts only perform standard cheminformatics operations: reading/writing molecular files (SDF, SMILES), calculating molecular descriptors, and performing substructure searches.
Facteurs de risque
⚙️ Commandes externes (4)
📁 Accès au système de fichiers (3)
Score de qualité
Ce que vous pouvez construire
Скрининг на лекарственную пригодность
Вычисление молекулярных свойств и фильтрация соединений по критериям правила пяти Липинского для проектов разработки лекарств
Поиск по сходству
Поиск похожих молекул в библиотеках соединений с использованием метрик сходства на основе отпечатков для виртуального скрининга
Фильтрация по подструктуре
Фильтрация больших наборов молекулярных данных по функциональным группам или нежелательным подструктурам с использованием SMARTS паттернов
Essayez ces prompts
Calculate molecular weight, LogP, TPSA, hydrogen bond donors and acceptors, and drug-likeness for the SMILES: CC(=O)Oc1ccccc1C(=O)O
Find molecules similar to caffeine (SMILES: CN1C=NC2=C1C(=O)N(C(=O)N2C)C) with Tanimoto similarity above 0.7 using Morgan fingerprints
Identify all molecules containing a carboxylic acid group (SMARTS: C(=O)[OH]) from the provided SMILES list or SDF file
Calculate QED score and check Lipinski compliance for this set of molecules. Report MW, LogP, HBD, HBA, TPSA, and which compounds pass all four rules
Bonnes pratiques
- Всегда проверяйте на None при парсинге молекул — недопустимые SMILES возвращают None
- Используйте пакетные операции и MultithreadedSDMolSupplier для больших наборов данных для повышения производительности
- Валидируйте SMARTS паттерны на известных молекулах перед применением к большим библиотекам
Éviter
- Пропуск проверок на None после MolFromSmiles() может привести к скрытым сбоям
- Обработка больших SDF файлов без использования ForwardSDMolSupplier вызывает проблемы с памятью
- Использование дефолтной санитизации на потенциально поврежденных молекулярных данных без обработки ошибок