达永编程网

今天向大家介绍一个实用的可视化工具——ChemPlot。该工具已发表在权威杂志《Chemistry—Methods》（IF: 6.2，Q1），题为“ChemPlot, a Python Library for Chemical Space Visualization.”。可视化化学空间通过将信息简化到人类可感知的层面，简化了分子数据集的分析，在分子设计中起着重要作用，包括化学库设计、高通量筛选、多样性分析和离群点检测。我们在此介绍ChemPlot，它使用户能够以静态和交互方式可视化分子数据集的化学空间。ChemPlot提供结构相似性和定制相似性方法，以及三种不同的降维方法：PCA、t-SNE和UMAP。ChemPlot是首个通过整合定制相似性解决活性/性质悬崖问题的可视化软件。通过定制相似性，化学空间在考虑目标性质的情况下以监督方式构建。此外，提出了一个指标，距离性质关系分数，用于量化在可视化化学空间中相似分子的性质差异。ChemPlot可以通过Conda或PyPI（pip）安装，并且可以免费访问其网络应用。

ChemPloy是一个开源Python库，其源代码存储在GitHub库中。除了从存储库直接安装之外，用户还可以通过Conda和PyPI包管理环境安装已部署的包。ChemPt在Python框架上运行，可以使用以下命令中的任何一个，通过命令提示符从两个备选源安装它。

conda install -c conda-forge chemplotorpip install chemplot

要可视化数据集的化学空间，用户首先需要构建一个Plotter对象。该对象可以从包含化合物SMILES或InChI表示的分子数据集中创建。下面的代码展示了一个从SMILES数据进行t-SNE绘图的基本示例：

from chemplot import Plottercp=Plotter.from_smiles(smiles_list)cp.tsne()cp.visualize_plot()

图1a和c展示了通过t-SNE方法（使用默认参数）生成的β-分泌酶1（BACE）和脂溶性数据集的化学空间的代表性可视化。

ChemPlot 允许根据给定的目标属性对分子进行着色。给定的属性会自动被分类为数值型或类别型变量，并据此应用着色。用户也可以自行指定目标属性的类型。以下代码示例展示了在创建 Plotter 对象时如何应用目标属性的赋值。

cp=Plotter.from_smiles(smiles_list,target=target_list,target_type=“C")

图1b和d展示了通过t-SNE方法生成的BACE（类别型）和脂溶性（数值型）数据集的化学空间的代表性可视化，并根据目标属性进行着色。

图1. 通过ChemPlot可视化的BACE（a和b）和脂溶性（c和d）数据集。在a和c中，所有数据点以单一颜色显示，而在b和d中，数据点根据目标的值进行着色。在b中，目标属性是类别型值，因此数据点根据目标的类别进行着色。在d中，目标属性是连续值，因此数据点根据预定义的颜色映射表中的相应颜色进行着色。类别颜色和渐变区间的对应值显示在图例中。

在ChemPlot中，可以应用三种不同的降维方法（PCA、t-SNE和UMAP）将分子映射到二维空间。图2展示了通过应用这三种方法生成的血脑屏障通透性（BBBP）和AqSolDB数据集的代表性可视化。PCA提供的是给定维度的线性投影，而t-SNE和UMAP则通过聚类和根据分子的局部邻域定位分子，应用非线性二维映射。PCA图展示了每个成分的解释方差，这些方差可以为降维空间的总覆盖度提供有价值的信息。例如，如图2所示，使用结构相似性方法时，PCA的方差较低。对于t-SNE和UMAP的参数，用户可以在以下两种可选方式之间选择：i）采用ChemPlot自动计算并分配的优化值，ii）自行指定参数。

图2. 通过结构相似性可视化的BBBP（a、b和c）和AqSolDB（d、e和f）数据集。在a和d中，维度通过PCA降维，第一主成分和第二主成分分别用作水平和垂直坐标轴。每个成分的解释方差显示在括号中。在b和e中，维度通过t-SNE降维。在c和f中，维度通过UMAP降维。

ChemPlot 实现了两种分子相似性方法：结构相似性和定制相似性。结构相似性方法使用生成的分子子结构，并在评估相似性时忽略目标属性。结构相似性方法基于分子本身的子结构来评估分子之间的相似性。它通过比较分子中存在的基本结构单元（如环、键、官能团等）来判断分子之间的相似度，而不考虑任何外部的目标属性（如生物活性、溶解度等）。而定制相似性方法则仅使用与目标属性相关的描述符（如与药物活性、毒性等相关的特征）。也就是说，它只使用与目标属性（如药理性质）有相关性的特征来评估分子之间的相似性。因此，结构相似性生成的是更为通用的、多用途的化学空间，而定制相似性则生成对特定属性敏感、聚焦的化学空间。图2和图3分别展示了使用这两种相似性方法对同一数据集进行可视化的结果，展示了结构相似性和定制相似性方法的不同影响。在ChemPlot中，用户可以在创建Plotter对象时指定相似性类型。当提供目标列表时，默认的相似性类型为“定制”（tailored），否则默认为“结构”（structural）。以下代码展示了如何进行相似性类型的指定。

cp=Plotter.from smiles(smiles_list,target=target_list,sim_type=“structural")

图3. BBBP（a、b和c）和AqSolDB（d、e和f）数据集以与图2相同的布局进行可视化，但使用的是定制相似性。与结构相似性相比，在通过PCA降维的图中，解释的方差更高，但空间的利用效率较低。而在通过t-SNE和UMAP降维的图中，各个聚类之间的分离更加清晰。

ChemPlot 具有在降维化学空间中对分子进行聚类的功能。聚类的总数由n_cluster 参数定义。在可视化中，包含一个图例，显示每个聚类的分配颜色、聚类编号以及该聚类在整个数据集中所占的覆盖比例。作为替代，用户可以在可视化中交互式地选择特定的聚类，并根据需求重新着色，以便更加清晰地分辨不同的聚类。这个选项特别适合于评估机器学习模型的外推性能，例如，在训练和测试数据集之间，测试集可能位于远离训练集的位置，用户可以通过重新着色来突出显示这些测试集点，从而评估模型的外推能力。此外，突出显示特定的聚类或单一分子（单例）也可以在探索和学习数据集的化学空间时提供有用的信息。图4展示了（a）聚类后的化学空间和（b）用户突出显示的聚类，数据集为脂溶性图4展示了使用聚类后的脂溶性（Lipophilicity）数据集的化学空间（a图为聚类结果，b图为用户高亮显示的聚类）。以下代码示例展示了如何使用ChemPlot对化学空间进行聚类并选择特定聚类。

cp=Plotter.from smiles(smiles list)cp.umap()cp.cluster(n_cluster=5)#visualize all clusterscp.visualize_plot(clusters=True)#highlight selected cluster(s)cp.visualize_plot(clusters=0)

图4. 脂溶性数据集的子空间聚类。在（a）中，化学空间被分布到五个聚类中。聚类的颜色、标识符和分配比例在图例中显示。在（b）中，用户选择的聚类（蓝色，id=0）与数据集中的其他聚类（橙色）明显区分开来。

ChemPlot 支持静态和交互式绘图。静态图是可以导出为各种文件格式的图像，包括 PNG、JPEG、PDF 和 SVG。图1至图4展示的可视化图就是静态图的示例。与此不同，交互式图允许用户拖动、缩放和高亮显示可视化数据的某些部分。当用户将鼠标悬停在数据点上时，会显示一个工具提示，包含该数据点对应分子的二维化学结构图和目标值。用户可以选择保存图像，既可以保存原始状态的图像，也可以保存经过编辑后的版本。此外，交互式图是以HTML格式创建的，因此用户可以将其导出并嵌入到自己的网站上。图5展示了BBBP数据集的一个交互式绘图示例。以下代码展示了使用PCA方法降维后生成的化学空间的交互式绘图。

cp.pca()cp.interactive_plot(show_plot=True)

图5. ChemPlot Web应用程序的截图，用于交互式可视化BBBP数据集。左侧面板包含配置选项，右侧面板显示根据选定配置生成的交互式图。将鼠标悬停在数据点上时，会显示包含分子二维图像的工具提示。在右上角面板，用户可以激活拖动、高亮、缩放、保存和重置功能。

ChemPlot包含随机过程（t-SNE和UMAP），每次运行都会生成不同的可视化图。为了创建可重复的图形，用户可以设置随机状态参数，如下所示。

cp.umap(random_state=0)

使用ChemPlot，用户可以识别并移除离群分子。此选项由一个布尔参数控制，默认设置为“False”。若要移除数据中的离群点，用户可以将此参数设置为“True”，如下所示。

cp.visualize_plot(remove_outliers=True)

为了加速大数据集的绘图过程，ChemPlot提供了一个PCA预降维选项，在应用t-SNE或UMAP降维方法之前，将维度减少到10。用户可以将该参数设置为“True”，以包括PCA预降维步骤。

cp.umap(PCA=True)cp.tsne(PCA=True)

ChemPlot生成的静态和交互式图像的默认大小分别为20×20英寸和700×700像素。作为替代，用户可以为静态图和交互式图定义自定义大小，如下所示。

cp.visualize_plot(size=20)cp.interactive_plot(size=700)

在ChemPlot中，默认的绘图类型是散点图（Scatter）。此外，ChemPlot还提供了核密度估计（KDE）和六边形（Hexagonal）绘图选项。图6展示了同一数据集使用三种绘图类型的可视化效果。用户可以按照如下代码设置绘图类型。

cp.visualize_plot(kind=“kde")cp.visualize_plot(kind=“hex")

图6。ChemPlot中的绘图类型，通过应用t-SNE和结构相似性方法对AqSolDB数据集进行可视化演示。在a中，展示了散点图（scatter plot），其中每个点代表一个分子。在b中，展示了KDE图（核密度估计图），浅色和深色分别表示分子相对较低和较高的密度区域。在c中，展示了六边形箱形图（hexagonal bin plot），其中六边形的颜色表示它所包含的分子的密度。图的右侧提供了一个颜色刻度，显示代表性颜色与分子数量之间的关系。

软件测试是构建稳健且可持续软件开发的重要步骤。在这里通过在库的代码库中添加自动化单元测试工作流，实现了持续集成。单元测试旨在隔离软件的每个单独单元或模块，并验证其是否按预期执行。测试工作流包含了共270个测试用例，涵盖了ChemPlot中所有可用方法的所有参数组合。单元测试的总行覆盖率为99%，这一点通过Coveralls自动化测试运行得到了验证。这些测试在三种操作系统上执行（GitHub提供的最新版本），包括Linux（Ubuntu）、Microsoft Windows Server和macOS，并支持Python的四个最新主要版本（3.6–3.9）。当前版本的ChemPlot成功通过了所有单元测试。此外，单元测试与库一起打包，用户可以在本地验证他们的安装情况。自动化测试会在每次推送新更改到主代码库时构建并运行。

除了自动化测试工作，开发了专门的可视化和性能测试。这些测试并不检查代码的正确性，而是为软件输出的整体质量提供新的见解。可视化和性能测试并不是自动化的。然而，通过运行GitHub代码库中提供的测试文件，用户仍然可以在自己的环境中手动执行这些测试。

性能测试旨在评估软件在不同情况下的速度。为此 开发了一个测试代码，衡量ChemPlot在知名分子数据集上的可视化性能，数据集大小从642个分子到41,127个分子不等。表1显示了ChemPlot在一台普通个人计算机（2.80 GHz时钟速度和8 GB内存的处理器）上的性能指标。数据展示了可视化过程的两个连续阶段的耗时（秒）。第一个是构建阶段，显示将SMILES表示法转换为数字多维表示所花费的时间。第二个是降维阶段，显示将多维数据降至二维所花费的时间。分别对PCA、t-SNE和UMAP这三种降维算法执行了降维阶段。结构相似性的构建阶段与数据集的大小呈线性相关，并且速度大约比定制相似性快三到六倍。对于表1中显示的最大数据集，结构相似性的构建时间大约为74秒，而定制相似性的构建时间为453秒。在降维阶段，PCA的耗时与数据集的大小呈线性相关，而UMAP和t-SNE的耗时与数据集的大小呈多项式相关。对于最大数据集，使用结构相似性时，PCA、UMAP和t-SNE的降维时间分别为约19秒、180秒和429秒。

表1。ChemPlot在基准数据集上不同配置的性能结果。构建阶段和降维阶段的耗时（秒）分别列出。

在这组实验中，比较了化学空间可视化的不同配置在处理APC（activity/property cliffs）问题上的表现。传统方法，如结构-活性关系（SAR）和结构-活性景观（SAL）指数，提供了对分子数据集中APC的量化和检测，但目前尚无方法用于量化化学空间可视化中的APC。为了衡量在可视化化学空间中相似（即接近）分子之间的活性/性质差异，使用了本文提出的DPR（Distance Property Relationship）评分指标。与SAR和SAL指数不同，DPR评分通过基于分子在降维后的化学空间中的距离来定义相似性，而不是基于它们的共同化学子结构。

为此，DPR算法首先计算所有分子对之间的Euclidean距离，并按升序排序（即最接近的分子排在前）。接下来，对于选定的前一定百分比，计算其性质差异的平均值。DPR得分反映了在化学空间可视化中，尽管分子在空间上很接近，但它们在性质上的差异。如果DPR得分较高，说明这些相似的分子在性质上差异较大，可能存在APC问题。如果DPR得分较低，说明这些相似的分子在性质上也相似，表明没有明显的APC。表2展示了通过不同实验配置获得的化学空间可视化的前1%、2%和5%的DPR评分。在所有数据集中，三种降维方法中，t-SNE方法产生了最好的DPR评分，而UMAP的表现优于PCA。此外，在大多数实验中，定制相似性比结构相似性表现更好。

表2. ChemPlot在不同实验配置下对样本数据集应用的前1%、2%和5%的DPR得分。S和T分别表示结构相似性和定制相似性方法。

ChemPlot web应用程序为用户提供了一个易于使用的应用程序接口（API）可视化化学空间。用户可以上传自己的分子数据集，并从左侧面板中选择可用的可视化选项。该API支持ChemPlot的主要功能，包括相似性方法、降维方法和绘图类型。此外，它还可以用于移除异常值并设置随机状态，以实现可重复的绘图。它生成交互式图形，并允许用户将可视化的化学空间导出为图像或HTML文件。图5展示了该web应用程序的示例视图，用户可以通过以下链接访问：
https://www.amdlab.nl/chemplot/。

文献链接：https://chemistry-europe.onlinelibrary.wiley.com/doi/10.1002/cmtd.202200005