13062021 chemoinformatics bioinformatics
Mishima.syk #17に参加された皆様お疲れさまでした。
今回は2回目のオンライン開催だったので、準備に関してはちょっと慣れたしDiscordの使い方もうまくなったと思います。今回は前半はサイエンス寄りの話で後半はネタトークという構成になったのですが、今回も幅広い話題でかなり楽しめました。ただ、Discord使うとTwitterにログが残らないのはちょっとどうしようもないですね。
今回参加された方も次回は5分程度の短めのトークでよいのでなにか話すと良いかと思います。なにか得られるものがあるかもしれません。
ちなみに自分の発表の元ネタとして採用した聖女の魔力は万能ですはだれも見てないのでは疑惑が浮上したので、次回はもう少し考えてチョイスしないといけないなぁというのが反省点かな。
それからもっと手を動かす時間を確保しないといけないなぁと。
05062021 chemoinformatics
6/12にMishima.syk #17をやります。
今回もオンラインですが、次回は久々にオフラインでできるとよいですね。
私の発表タイトルは「量子の化学は万能です/Quantum chemistry is omnipotent」にしました。予習はこちらからどうぞ。
内容は
みたいな話をするつもりにしていますが聖女次第です。
29052021 chemoinformatics bioinformatics
先週はCBIの「液-液相分離（LLPS）と創薬」というセミナーを聞いてました。
感想としては「創薬との距離感相当ありますなぁ」という感じでした。完全に'Key and Lock'のコンセプトから外れてるし、天然変性タンパク質にこのコンセプトで干渉しようとするのもかなりハードル高そうに感じました。
どちらかというと、DDSの手法を用いて治療コンセプトを証明していくような方が自然なのかなぁと。オルガネラターゲティングとかの細胞内の局在コントロールみたいな。
なんとなくこれから求められていく治療コンセプトが、もっと上手に生体をハックしていく方向にシフトしていくのかなぁと。そうなってくると、分子生物学の知識がますます求められていくのだけど、それを理解するためには物理化学、化学も精通してないといけないという（LLPSなんて化学だしねぇ、でも解いているのは生物の問題という）。
ハードモードに突入するんでしょうかね？
23052021 bioinformatics
13章を再読していた。
16052021 chemoinformatics bioinformatics food
いつもの産直詣でをしたところ、ちょうど出始めの新じゃがいもが手に入ったので肉じゃがを作ってみた。
作り方は至って簡単で、
新じゃがと豚バラを塊のまま蒸し器に放り込んで1時間以上放置。その後適当にザクザク切って片栗粉でとろみをつけただし醤油餡を回しかける
この肉じゃがの作り方の気に入っているところはオーソドックスな煮るタイプの肉じゃがと異なり、蒸していることつまり単に具材でなく調理プロセスという枠組みを再解釈しているところだ。
で、モダリティの話。
昨今のモダリティの議論は低分子から高分子といった具材に限定しているように思う。要するに「牛肉を豚肉に変えてみた」とか「砂糖の代わりにスプライトを入れてみました（これはこれで美味いw）」とか。
本当のモダリティとか、イノベーションっていうのはやっぱり枠組みを再考することでしか生まれないんじゃないかなぁと思いつつ肉じゃがを頂いたのであった。
09052021 chemoinformatics q-chem
なんとなくこの本の15章をやりたくなったので、朝からゴニョゴニョしてた。色々できたのでバージョン上げておいた。
データはおなじみのPubchemQCからダウンロードしてきてopenbabelでmolファイルにコンバートしたものを利用。
>>> from pygamess import Gamess >>> from rdkit import Chem >>> m = Chem.MolFromMolFile("examples/methyl_yellow.mol", removeHs=False) >>> g = Gamess() >>> g.dft_type("b3lyp", tddft=True) >>> g.basis_sets("6-31G*") >>> r = g.run(m) >>> r.uv_spectra # (exitation ev, oscillator strength)
これは時間がかかった(2020 MBAで30分以上)
>>> from pygamess import Gamess >>> from rdkit import Chem >>> m = Chem.MolFromMolFile("examples/C=CCBr.mol", removeHs=False) >>> g = Gamess(num_cores=1) # PARALLEL EXECUTION IS NOT ENABLED. >>> g.basis_sets("6-31G*") >>> g.run_type("nmr") >>> r = g.run(m) >>> r.isotropic_shielding
わかりやすくて良い本だった。ケミストだったら本書に沿って一通り手を動かしておけば、後々役に立つのではないかと思った。
こっちはいわゆるクックブックみたいな感じ
08052021 chemoinformatics q-chem
This was a very interesting paper.
The correlation of kon with free ligand preorganization implies 1D NMR signatures can augment structure−kinetic relationships; when kon is optimized by highly populated bioactive states, potency will be driven by koff.
05052021 chemoinformatics q-chem
Japan is under a state of emergency for the third time, which forced me to do self-quarantine. After all, my five days of GW holidays were spent developing the pygamess library.
This is an example of storing GAMESS calculation results into RDKit's Chem object. I will calculate the two molecules, ethane, and ethanol, to export as an SDF file later.
>>> from pygamess import Gamess >>> from pygamess.utils import rdkit_optimize >>> from rdkit import Chem >>> ethane = rdkit_optimize("CC") >>> ethanol = rdkit_optimize("CCO") >>> g = Gamess() >>> g.run_type("optimize") >>> ethane_result = g.run(ethane) >>> optimized_ethane = ethane_result.mol >>> ethanol_result = g.run(ethanol) >>> optimized_ethanol = ethanol_result.mol
Orbital energies and dipole moments including HOMO and LUMO energies are stored in the object. Each atom is also assigned a mulliken charge/lowdin charge.
>>> optimized_ethane.GetProp("HOMO") '-0.46029999999999999' >>> optimized_ethane.GetProp("LUMO") '0.65559999999999996' >>> optimized_ethane.GetProp("dipole_moment") '1.9999999999999999e-06' >>> optimized_ethane.GetProp("orbital_energies") '-11.0355 -11.0352 -0.981 -0.8121 -0.572 -0.572 -0.4717 -0.4603 -0.4603 0.6556 0.6556 0.687 0.737 0.7814 0.7893 0.7893' >>> for a in optimized_ethane.GetAtoms(): ... print("{}:\t{:.4f}".format(a.GetSymbol(), float(a.GetProp("mulliken_charge")))) ... C: -0.1748 C: -0.1748 H: 0.0583 H: 0.0583 H: 0.0583 H: 0.0583 H: 0.0583 H: 0.0583
Finally, I'll export the object to SDF.
>>> optimized_mols = [optimized_ethane, optimized_ethanol] >>> w = Chem.SDWriter('test.sdf') >>> for m in optimized_mols: ... w.write(m) ... >>> w.close()
Looking at the exported SDF, we can see these results are persisted.
蜘蛛ですが、なにか？ (カドカワBOOKS)
相分離生物学
ドラッグキャリア設計入門 DDSからナノマシンまで
細胞の分子生物学
小山裕久の日本料理で晩ごはん
$ cat test.sdf
RDKit 3D
8 7 0 0 0 0 0 0 0 0999 V2000
-0.7687 0.0082 -0.0152 C 0 0 0 0 0 0 0 0 0 0 0 0
0.7687 -0.0082 0.0152 C 0 0 0 0 0 0 0 0 0 0 0 0
-1.1742 -0.1016 0.9863 H 0 0 0 0 0 0 0 0 0 0 0 0
-1.1352 0.9432 -0.4285 H 0 0 0 0 0 0 0 0 0 0 0 0
-1.1499 -0.8048 -0.6260 H 0 0 0 0 0 0 0 0 0 0 0 0
1.1499 0.8048 0.6260 H 0 0 0 0 0 0 0 0 0 0 0 0
1.1742 0.1016 -0.9863 H 0 0 0 0 0 0 0 0 0 0 0 0
1.1352 -0.9432 0.4285 H 0 0 0 0 0 0 0 0 0 0 0 0
1 2 1 0
1 3 1 0
1 4 1 0
1 5 1 0
2 6 1 0
2 7 1 0
2 8 1 0
M END
> <total_energy> (1)
-78.306179626800002
> <HOMO> (1)
-0.46029999999999999
> <LUMO> (1)
0.65559999999999996
> <nHOMO> (1)
-0.46029999999999999
> <nLUMO> (1)
0.65559999999999996
> <dipole_moment> (1)
1.9999999999999999e-06
> <dx> (1)
-0
> <dy> (1)
-1.9999999999999999e-06
> <dz> (1)
0
> <orbital_energies> (1)
-11.0355 -11.0352 -0.981 -0.8121 -0.572 -0.572 -0.4717 -0.4603 -0.4603 0.6556 0.6556 0.687 0.737 0.7814 0.7893 0.7893
> <atom.dprop.mulliken_charge> (1)
-0.174764 -0.174764 0.058255000000000001 0.058255000000000001 0.058254 0.058255000000000001 0.058255000000000001 0.058255000000000001
TODO: Add GAMESS calculation conditions as attributes, like "HF/6-31G**".
28042021 R bioinformatics
とりあえず、ノーマライズされたデータをサクサク再解釈できればいいので、getGEOから。これでとってきたデータに不適切なサンプルが混じったりすることがあるので、最初にサクッと除きたい
gse <- getGEO("GSE138458") removes <- c("GSM4109031", "GSM4109192", "GSM4109193", "GSM4109194", "GSM4109223", "GSM4109271") gse <- gse[,-which (colnames(gse) %in% removes)]
とやれば綺麗なデータセットになり嬉しい。
25042021 R
朝からQM関連の論文読みまくってちょっと疲れたので写経してみた。Rは作図が楽だし大抵きれいに描いてくれるから良いですよね。
このチュートリアルは大変わかりやすいですが、dplyrとかlimmaはわかっている前提なので別途他のドキュメントで保管する必要があるかもしれないです。
それから、写経して気づいたんですがvolcano plotのとこ多分こうだと思います。
full_results %>% + mutate(Significant = adj.P.Val < p_cutoff & abs(logFC) > fc_cutoff ) %>% + mutate(Rank = 1:n(), Label = ifelse(Rank < topN, Symbol,"")) %>% + ggplot(aes(x = logFC, y = B, col=Significant,label=Label)) + geom_point() + geom_text_repel(col="black")
一通りやったら、YouTubeにもう少し複雑な例を同じ流れでやっている動画があるのでみると更に理解が深まると思います。
このタイミングでまたバイオインフォマティクスにコミットしなきゃならんのかよーとか思っていたけど、実際やってみると色々と新しい発見もあるし生物学はやっぱり面白いですね。