Segons llegeixo a Depth-First, després de la mort del desenvolupador de Pymol, el manteniment del programa passarà a mans de la coneguda empresa de programari quimioinformàtic Schrödinger.

On January 8, 2010 Schrödinger reached an agreement with the estate of the late Dr. Warren L. DeLano to acquire PyMOL. Schrödinger will take over continued development and maintenance, as well as support and sales of PyMOL, including all current subscriptions. Schrödinger will also continue to actively support the open-source community of PyMOL.

Prior to Warren’s tragic and unexpected passing, he had been working closely with Schrödinger to progressively integrate PyMOL with Schrödinger’s graphical interface, Maestro. With a great sense of humility, we will work hard to pick up as best we can where Warren left off and will strive to honor his memory by continuing in the spirit and tradition of PyMOL.

És una “frikada”, ho sé. Però m’ha fet gràcia. Aquests dies estic fent un càlcul gegant, 80 CPUs treballant durant un temps estimat de 30 dies. Aquest càlcul va agafant molècules d’un fitxer i va “jugant” amb elles (fins aquí tota la informació, ja n’explicaré més coses quan el tingui).

Em feia gràcia muntar quelcom per poder veure, de manera senzilla i fora del despatx, com anàven els resultats. I la solució l’he trobat al Twitter. La idea és ben senzilla: un script que s’executa com a dimoni, cada X segons, fa un sumari dels resultats obtinguts fins al moment i envia el resultat a un compte del Twitter. Associó aquest compte al meu ja existent i, ja està, cada vegada que em connecto al Twitter miro com tinc els càlculs.

Per enviar coses al Twitter empro un “truc” que vaig llegir fa un temps aquí. Cal crear (si no es té ja) el fitxer .netrc al home i inserir-hi el codi següent:

1

machine twitter.com login TWITTERUSER password TWITTERPASS

Per enviar quelcom, només cal teclejar:

1

curl -n -d status='EL QUE HI VOLS ENVIAR' https://twitter.com/statuses/update.xml

I ja està. Si es vol automatitzar (que és el que he fet jo), s’escripta i llestos.

Com he dit algunes vegades, empro el pybel a diari.Aquest conjunt de classes que permeten cridar l’openbabel des de qualsevol script python, van molt bé per fer diverses tasques en quimioinformàtica (manejar molècules, càlculs de descriptors, dibuixar molècules,…).

Va molt bé però, cal vigilar amb la memòria quan es treballa amb un gran nombre de molècules (parlo de l’ordre de milions de molècules). Si es fa servir a “petita escala” no hi ha cap problema, ara bé, si s’empra a gran escala cal tenir cura de l’ús de la memòria.

He estat dos dies lluitant amb això. Tenia un programet per analitzar uns quants milions de molècules, totes les proves m’anaven bé fins que en feia ús a gran escala. Aleshores la memòria s’anava carregant gradualment fins a saturar la màquina. M’he mirat el codi de dalt a baix, esborrat totes les variables després de fer-ne ús, escriure tots els fitxers de sortida al moment,… però res, memòria a “tope”. Finalment he vist que l’error venia del pybel (no sé si del propi pybel o de l’openbabel).

Pybel és un conjunt de classes escrites en Python per treballar amb l’OpenBabel. És una eina molt potent que et permet fer ús de totes les utilitats de l’OpenBabel des de Python. Jo l’empro molt i a diari!

Per, per exemple, llegir un smile i escriure’n un sdf només cal fer el següent:

1
2
3
4
5
6
7
8
9
10
11
12

#Importar el pybel
from pybel import *
 
#Ara llegirem l'smile
mol = readstring('smi', 'CCCC(Cl)CCF')
 
#Obrim el fitxer de sortida
out =Outputfile('sdf','NomDelFitxer.sdf')
#Hi escrivim i tanquem
 
out.write(mol)
out.close()

Això va molt bé però m’he trobat que escriu sdfs sense posar cap títol (nom) a les molècules. Pel que ho estic emprant ara però, necessito posar els InchiK com a títol de cada molècula. Hi he estat hores i hores, intentant entendre la classe “Outputfile”, però he desistit, no crec que es pugui fer, així, directament.

Com a alternativa he decidit emprar els mètodes natius de Python per escriure fitxers, barrejat amb el Pybel (l’opció molecula.write). Així doncs:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

#Importar el pybel
from pybel import *
 
#Ara llegirem l'smile
mol = readstring('smi', 'CCCC(Cl)CCF')
 
#Obrim el fitxer de sortida (tal com es fa amb Python). Li diem que és per escriure
out = open('NomDelFitxer.sdf','w')
 
#Hi escrivim el títol
out.write('TítolDeLaMolecula')
 
#I ara, la molècula
out.write(mol.write('sdf'))
 
#Finalment, tanquem
out.close()

De moment, és l’única solució que he trobat i va prou bé.

pDynamo és una llibreria en python per a fer simulacions moleculars mitjançant mecànica quàntica, mecànica molecular i mètodes híbrids mecànica quàntica/mecànica molecular. Està basat en Dynamo, unes llibreries en Fortran 90 de les que per desgràcia, no en tinc massa bones referències. Tot i això i, encara que fa més o menys un any que no s’actualitza (desconec si el projecte segueix viu), caldrà fer-li una ullada

Els “descriptors de Lipinski”, de la norma del cinc, inclouen del pes molecular, el coeficient octanol/aigua (cLogP), els punts donadors d’enllaç d’hidrogen (HBD) i els punts acceptors d’enllaç d’hidrogen (HBA).

Aquests dies he hagut de treballar amb diferents molècules d’una base de dades gegant i em calia calcular diferents descriptors. Per als de Lipinski, he fet aquest petit script (en python). Requereix pybel i es basa en un que hi ha publicat a l’article que presentapybel.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

"""
Script to compute the Lipibski descriptors
Alfons Nonell-Canals - October 2009
Chemogenomics Lab
 
USAGE:
python Lipinski.py -i sdfFile
 
"""
 
import optparse
from pybel import *
from openbabel import * 
 
p = optparse.OptionParser()
p.add_option('--infile','-i',default='default')
options, arguments = p.parse_args()
#files
infile = options.infile
 
#function to compute the Lipinski descriptors
HBD = Smarts("[#7,#8;!H0]")
HBA = Smarts("[#7,#8]")
 
def lipinski(mol):
   desc = []
   desc.append(mol.molwt)
   desc.append(mol.calcdesc(['LogP']) ['LogP'])
   desc.append(len(HBA.findall(mol)))
   desc.append(len(HBD.findall(mol)))
   return desc
 
for mol in readfile("sdf",infile):
    molName = mol.title
    desc = lipinski(mol)
    print molName,desc

Crec que és hora d’explicar amb calma i una mica detalladament, amb llenguatge planer, a què em dedico, què faig al laboratori/despatx. Primer però, per posar-nos en situació, començaré parlant de la tesi i miraré d’explicar a què m’he dedicat durant els darrers cinc anys.

El mes d’octubre passat vaig acabar una tesi en química computacional. Què vol dir això? doncs que vaig fer una tesi on aplicava mètodes de la química computacional a resoldre problemes químics o bioquímics reals. Com ho feia? introduint una sèrie de molècules (un fitxer amb coordenades espaials “xyz” de la molècula a estudiar) a l’ordinador que, mitjançant uns determinats programes, obtenia l’estructura molecular de menys energia.

Bé, i què és això de l’estructura molecular de menys energia? una molècula, com tot, tendeix a estar en una forma que impliqui la menor energia possible. Com a exemple, penseu en la cera d’una espelma. Quan tenim l’espelma en forma d’espelma, la cera és sòlida però, si li administrem energia, l’excitem, passarà a una forma de més energia, líquida que, quan es refredi, tornarà a l’estat de menys energia, sòlid (tot i que haurà patit una transformació i tindrà una forma diferent a la inicial). Els programes que he emprat per fer els meus “càlculs” busquen quina estructura molecular té la mínima energia.

I què n’he fet d’aquestes estructures de mínima energia? Estudiar reaccions. Una reacció química és un procés de tres etapes. Es comença amb uns reactius per separat (l’espelma i el foc -sense que hagin entrat en contacte-) i s’acaba amb uns productes (l’espelma ja apagada amb una forma diferent a la inicial). Pel mig hi ha hagut un estat excitat anomenat estat de trancisió (l’espelma cremant). Amb l’ordinador es poden estudiar aquests tres estats d’una reacció i analitzar-la així, amb molt detall.

Els mètodes computacionals, sovint, ajuden a entendre el perquè una reacció té lloc en unes circumstàncies i no en unes altres, a analitzar les diferents vies per les que pot anar una reacció, perquè el producte d’una reacció és diferent a l’esperat,…

Durant la tesi, he aplicat aquests mètodes a entendre diferents sistemes de química orgànica i bioquímica. El protagonista ha estat un aminoàcid anomenat selenocistgeïna, aquest és un aminoàcid peculiar, poc freqüent i present en proteïnes que catal·litzen (controlen) reaccions on hi ha intercanvi d’electrons. Doncs bé, la selenocisteïna és molt similar a un altre aminoàcid anomenat cisteïna, però el primer té seleni on el segon hi té sofre. Aquest apartat de la tesi compara (analitzant totes les etapes d’una reacció catal·litzada per un enzim que conté selenocisteïna) quins avantatges té el seleni en front del sofre. Els resultats que tinc de moment mostren que el sistema amb seleni perd els electrons més fàcilment que no pas el sistema amb sofre.

A banda del tema anterior, col·laborant amb dos grups experimentals (dels que treballen amb tubs d’assaig i provetes), la tesi presenta l’estudi de tres reaccions orgàniques: la síntesi de 4-helicenoquinones, la síntesi de 5-helicenoquinones i l’ús de sals de guanidini com a catal·litzadors. En aquests tres projectes s’ha estudiat el perquè de determinats resultats experimentals, clarificant els processos intermitjos de la reacció i justificant el perquè d’algunes de les característiques dels productes.

En la propera entrega parlaré del que faig actualment a la feina.

Necessito comparar diverses molècules. Encara no hi entenc massa, però, crec que una de les millors maneres és fer servir el coeficient de Tanimoto [en]. Això, el càlcul d’aquest coeficient l’he de fer de forma reiterada, necessito anar calculant el coeficient per cada molècula que generi i comparar-la així amb una molècula final. A més a més, vull integrar-ho dins un programa que tinc fet amb Python.

La millor manera, doncs, és fent ús de Pybel, un mòdul Python per fer servir eines de l’Openbabel des de codi Python. La manera de fer-ho és ben senzilla. Des de Python:

>>> import pybel #importarem el mòdul
>>> smiles = ['CCCC', 'CCCN'] #Array de molècules
>>> mols = [pybel.readstring("smi", x) for x in smiles] #Llegim les molècules
>>> fps = [x.calcfp() for x in mols] #calculem els fingerprints (descriptors)
>>> print fps[0] | fps[1] #finalment, calculem el coeficient
0.333333333333

I… llestos! suposo que hi deuen haver maneres més acurades i que, com tota cosa estadística, com més descriptors es tinguin per cada molècula, millor, però, per a començar, no va gens malament i el mètode és molt fàcil d’implementar.

Interessant utitlitat que fins ahir desconeixia totalment: els “sets”. Bàsicament, és un conjunt d’eines per a comparar, unir,… conjunts de dades. Amb les funcions de la classe podem, per exemple, obtenir de maneta senzilla la diferència entre dos conjunts de dades, obtenir les diferències, actualitzar-ne un a partir d’un segon.

Un exemple ben senzill és quan es té una llista A:

a = ['carboni', 'nitrogen', 'hidrogen']

I ho volem comparar amb una llista B:

b = ['oxigen', 'nitrogen', 'molibdè', 'calci', 'sofre']

Ara volem comparar les dues llistes, primer generem els dos sets

as = set(a)
bs = set(b)

Ara, per exemple, obtindrem una llista consens, és a dir, amb els elements comuns d’ambdues llistes:

as.intersection(b)

Això és un petit exemple, però, a partir d’aquí, es poden fer meravelles. Aquí hi ha un petit tutorial, molt didàctic.

Dies enrere ho vaig llegir al Nature News però fins avui no m’ho he mirat: Google flu trends. Ara Google també pot “predir” els brots de grip. Més que predir, l’eina permet avisar d’on i quan hi ha brots de grip i ho fa mitjançant les cerques de la gent.

Quan hi ha una “passa” de la grip, la gent té més tendència a buscar certes paraules, com ara, grip, antigripal, febre,… la sobreposició d’aquestes cerques amb la informació geogràfica del lloc des d’on es fan (quan es cerca alguna cosa a Google, aquest emmagatzema les paraules cercades i la IP de l’ordinador des d’on es fa la consulta) pot donar idea dels llocs on hi ha grip. Amb això, la gent de Google i Yahoo! han estudiat els brots de grip dels darrers anys (als Estats Units) i han comparat aquesta informació amb les dades que té el CDC d’Atlanta (organisme que controla l’evolució de les malalties). Els resultats han estat sorprenents ja que pràcticament coincideixen.

Els mètodes clàssics de control de brots de malalties es basen en la informació aportada pels diferents centres sanitaris als organismes de control. Això, requereix que passin uns dies abans no es pot declarar un brot en una zona concreta. L’eina de Google és molt més ràpida ja que, pràcticament, pot ser en temps real (la informació que donen avui és de fa tansols dos dies). Seguint amb les comparatives entre Google i CDC, el primer ha anunciat amb deu dies d’antelació, els casos de grip d’enguany.

Aquesta eina no pot substituir, en cap cas, els mètodes clàssics de control de malalties ja que són molt més fiables (recordo que Google flu trends funciona a partir de les cerques que fan els usuaris i usuàries del cercador i són estimacions) però sí que poden ajudar i anticipar la resposta en casos de pandèmies greus.

De moment només està disponible pels Estats Units.