pubchem から化合物情報を一気に取得する

目的

化合物の基本的な情報（化合物名やCASなど）から、その化合物の情報（カノニカルSMILESや、分子量などの基本的な記述子）を取得する。
（SMILES情報があれば記述子を計算→化合物の物性予測の変数として使用できるが、SMILESを収集するのが面倒なので自動で一気に取得したい）

前準備

pubchemのモジュールをインストールしておく

pip install pubchempy

単一化合物情報の取得

とりあえず一つの化合物の情報を取得する方法

import pubchempy as pcp

#取得したい情報のリストを定義
properties = ['MolecularFormula', 'MolecularWeight', 'CanonicalSMILES', 'IUPACName']

#CAS番号から情報を取得する
result = pcp.get_properties(properties, '64-17-5', 'name')

#化合物ごとにレコードを記録した辞書のリストが返される。
print(result)
"""
output
[{'CID': 702,
  'MolecularFormula': 'C2H6O',
  'MolecularWeight': 46.07,
  'CanonicalSMILES': 'CCO',
  'IUPACName': 'ethanol'}]
"""

複数化合物情報の取得

リストに格納された複数のCAS番から化合物情報を取得してpandasのデータフレームに格納する。

import pubchempy as pcp
import pandas as pd

#情報を取得したい化合物のCAS番号のリストと取得したい情報のリストを定義
properties = ['MolecularFormula','CanonicalSMILES', 'IUPACName']
cas_list = ['100-21-0','1002-62-6','10028-15-6','1002-84-2','1002-89-7', '999-9-9']

#pubchem に情報のない化合物はエラーとなるので、エラーが発生しても途中で終了させずに処理を継続できるようにtry文を使用
df = pd.DataFrame()
for cas in cas_list:
    try:
        temp = pcp.get_properties(properties, cas, 'name',as_dataframe=True)
        #as_dataframe=True とすることでpandas dataframe として情報を取得可能
        temp['CAS'] = cas
        df = pd.concat([df,temp],axis=0,join='outer',sort=True)
    except:
        pass

上記コードから取得できたデータフレーム
（CAS:999-9-9 はpubchemにデータがないので省かれている）

付録）検索に使用する情報まとめ

• name：化合物名, CAS番
• formula：分子式
• smiles：SMILES
• inchi：InChI（世界共通で使える化合物の標準名）
• sdf：sdf（化合物の表記法）
• cid：CID（pubchemのデータベース内で化合物に割り当てられているID）

付録）取得できる情報まとめ

（*随時、情報を追加していく）
RDKitやmordredで分子記述子や構造記述子を計算しなくても、これらの変数である程度の予測はできそう。

• MolecularFormula：分子式
• MolecularWeight：分子量
• CanonicalSMILES：カノニカルSMILES
• IsomericSMILES ：同位体や不斉中心についての記述を含むSMILES
• InChI：InChI（世界共通で使える化合物の標準名）
• InChIKey：化合物のデジタル表現
• IUPACName：IUPAC名
• XLogP：水オクタノール分配係数
• ExactMass：分子量
• MonoisotopicMass
• TPSA：Topological Polar Surface Area（トポロジカル極性表面積)
• Complexity
• Charge：電荷
• HBondDonorCount：水素結合ドナーの数
• HBondAcceptorCount：水素結合アクセプターの数
• RotatableBondCount
• HeavyAtomCount
• IsotopeAtomCount
• AtomStereoCount
• DefinedAtomStereoCount
• UndefinedAtomStereoCount
• BondStereoCount
• DefinedBondStereoCount
• UndefinedBondStereoCount
• CovalentUnitCount
• Volume3D：体積
• XStericQuadrupole3D
• YStericQuadrupole3D
• ZStericQuadrupole3D
• FeatureCount3D
• FeatureAcceptorCount3D
• FeatureDonorCount3D
• FeatureAnionCount3D
• FeatureCationCount3D
• FeatureRingCount3D
• FeatureHydrophobeCount3D
• ConformerModelRMSD3D
• EffectiveRotorCount3D
• ConformerCount3D

参考HP

• 公式HP
• 化合物データベースPubChemをpythonで使いこなす（化学のススメ）

関連書籍