RDKit是一个用于分子分析的强大开源化学信息学库。本技能提供全面的指导，包括计算分子属性、执行相似性搜索、按子结构筛选化合物以及可视化化学结构。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「rdkit」。 分析阿司匹林（CC(=O)Oc1ccccc1C(=O)O）的类药性
預期結果:
- 分子量: 180.16 g/mol
- LogP: 1.19
- TPSA: 63.60 A²
- 氢键供体: 1
- 氢键受体: 3
- QED分数: 0.79
- Lipinski通过: 是（符合所有标准）
正在使用「rdkit」。 查找与苯（c1ccccc1）相似度高于0.6的分子
預期結果:
- 排名1: 甲苯（CC1=CC=CC=C1）- 相似度: 0.89
- 排名2: 苯酚（OC1=CC=CC=C1）- 相似度: 0.78
- 排名3: 苯胺（NC1=CC=CC=C1）- 相似度: 0.71
- 排名4: 苯甲腈（N#CC1=CC=CC=C1）- 相似度: 0.65
安全審計
安全This 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.
風險因素
品質評分
你能建構什麼
类药性筛选
计算分子属性并根据Lipinski五规则标准筛选化合物，用于药物开发项目
相似性搜索
使用基于指纹的相似性度量在化合物库中寻找相似分子，用于虚拟筛选
子结构过滤
使用SMARTS模式根据官能团或不需要的子结构筛选大型分子数据集
試試這些提示
计算SMILES为CC(=O)Oc1ccccc1C(=O)O的分子量、LogP、TPSA、氢键供体和受体以及类药性
查找与咖啡因（SMILES: CN1C=NC2=C1C(=O)N(C(=O)N2C)C）相似度高于0.7的分子，使用Morgan指纹
从提供的SMILES列表或SDF文件中识别所有含有羧酸基团（SMARTS: C(=O)[OH]）的分子
计算这组分子的QED分数并检查Lipinski合规性。报告分子量、LogP、HBD、HBA、TPSA，以及哪些化合物符合所有四条规则
最佳實務
- 解析分子时始终检查None值 - 无效的SMILES会返回None
- 对大型数据集使用批量操作和MultithreadedSDMolSupplier以提高性能
- 在应用于大型库之前，先在已知分子上验证SMARTS模式
避免
- 跳过MolFromSmiles()后的None检查会导致静默失败
- 处理大型SDF文件时不使用ForwardSDMolSupplier会导致内存问题
- 在没有错误处理的情况下对可能损坏的分子数据使用默认的sanitization