Como usar o recurso de quimioinformática e recuperação molecular do ApsaraDB RDS for PostgreSQL (RDKit) - ApsaraDB RDS: Central de Documentação do Alibaba Cloud

O plug-in RDKit adiciona recursos de quimioinformática ao ApsaraDB RDS for PostgreSQL, incluindo armazenamento molecular, busca por similaridade com coeficientes de Tanimoto e Dice, busca por subestrutura e indexação GiST para grandes bibliotecas de compostos.

Pré-requisitos

Antes de começar, verifique se você tem:

Uma instância RDS executando PostgreSQL 12

Tipos de dados

O RDKit introduz tipos de dados para manipulação de informações moleculares.

Tipo	Descrição	Formato de entrada	Exemplo
`mol`	Molécula	SMILES (especificação simplificada de entrada linear molecular)	`'c1ccccc1'::mol` (benzeno)
`fp`	Fingerprint molecular	Formato binário `bytea`	—
`bfp`	Fingerprint de vetor de bits	—	Aceito por `tanimoto_sml`, `dice_sml`
`sfp`	Fingerprint de vetor de contagem esparsa	—	Aceito por `tanimoto_sml`, `dice_sml`
`qmol`	Molécula de consulta com recursos SMARTS	SMARTS	`'c1cccc[c,n]1'::qmol`

Para obter a lista completa de instruções SQL compatíveis, consulte RDKit SQL.

Ative o plug-in RDKit

Execute o comando a seguir para crie a extensão:

postgres=# CREATE EXTENSION rdkit;
CREATE EXTENSION

Configure os limiares de similaridade

Os operadores % e # comparam a similaridade molecular com base em limiares GUC configuráveis. O valor padrão para ambos é 0.5.

postgres=# SHOW rdkit.tanimoto_threshold;
 rdkit.tanimoto_threshold
--------------------------
 0.5
(1 row)

postgres=# SHOW rdkit.dice_threshold;
 rdkit.dice_threshold
----------------------
 0.5
(1 row)

Parâmetros GUC

Parâmetro	Descrição	Padrão
`rdkit.tanimoto_threshold`	Limiar de similaridade de Tanimoto para o operador `%`	`0.5`
`rdkit.dice_threshold`	Limiar de similaridade de Dice para o operador `#`	`0.5`

Crie índices

Escolha um tipo de índice conforme a operação que pretende execute.

Índices B-tree e hash aceitam operações de comparação em colunas mol e fp:

CREATE INDEX molidx ON pgmol (mol);
CREATE INDEX molidx ON pgmol (fp);

Índices GiST aceitam operadores de busca por similaridade e subestrutura (mol % mol, mol # mol, mol @> mol, mol <@ mol, fp % fp, fp # fp):

CREATE INDEX molidx ON pgmol USING gist (mol);

Operadores

Operadores de similaridade

Operador	Retorna `true` quando
`mol % mol`, `fp % fp`	Similaridade de Tanimoto < `rdkit.tanimoto_threshold`
`mol # mol`, `fp # fp`	Similaridade de Dice < `rdkit.dice_threshold`

Operadores de subestrutura

Operador	Retorna `true` quando
`mol @> mol`	O operando à esquerda contém o da direita como subestrutura
`mol <@ mol`	O operando à direita contém o da esquerda como subestrutura

Funções

tanimoto_sml

Calcula a similaridade de Tanimoto entre dois fingerprints e retorna um valor double precision entre 0 e 1.

postgres=# \df tanimoto_sml
                           List of functions
 Schema |     Name     | Result data type | Argument data types | Type
--------+--------------+------------------+---------------------+------
 public | tanimoto_sml | double precision | bfp, bfp            | func
 public | tanimoto_sml | double precision | sfp, sfp            | func
(2 rows)

dice_sml

Calcula a similaridade de Dice entre dois fingerprints e retorna um valor double precision entre 0 e 1.

postgres=# \df dice_sml
                         List of functions
 Schema |   Name   | Result data type | Argument data types | Type
--------+----------+------------------+---------------------+------
 public | dice_sml | double precision | bfp, bfp            | func
 public | dice_sml | double precision | sfp, sfp            | func
(2 rows)

substruct

Retorna true se o segundo argumento for uma subestrutura do primeiro.

postgres=# \df substruct
                         List of functions
 Schema |   Name    | Result data type | Argument data types | Type
--------+-----------+------------------+---------------------+------
 public | substruct | boolean          | mol, mol            | func
 public | substruct | boolean          | mol, qmol           | func
 public | substruct | boolean          | reaction, reaction  | func
(3 rows)

Notas de uso

A entrada e a saída de mol usam SMILES.
A entrada e a saída de fp usam o formato binário bytea.