નફો:
- પરમાણુઓને નામથી નહીં પરંતુ બંધારણની રજૂઆત દ્વારા ઓળખવાની ક્ષમતા (માણસો સાથે સ્મિત, ડેટાબેઝ સાથે InChI/InChIKey)
- RDKit વડે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલ દરેક સ્મિતને પદચ્છેદન, માન્ય અને પ્રમાણિત કરીને અમાન્ય અથવા અયોગ્ય માળખાને શોધવાની ક્ષમતા
- એ સમજવામાં સક્ષમ બનવું કે પરમાણુ વજન અને સૂત્ર જેવા નિર્ણાયક જથ્થાઓ નિયમ-આધારિત સાધનમાંથી મેળવવી જોઈએ, ભાષાના મોડેલમાંથી નહીં.
રસાયણશાસ્ત્રમાં AIનો સુરક્ષિત ઉપયોગ કરવા માટેની પ્રથમ શરત એ છે કે મશીન અને માનવ બંને સમજી શકે તેવી ભાષામાં પરમાણુ લખો. તમે "ફીનોલ" કહો છો, AI તે યોગ્ય છે; પરંતુ જ્યારે તમે "એસિડ" કહો છો ત્યારે હજારો શક્યતાઓ હોય છે. નામો અસ્પષ્ટ છે; બંધારણની રજૂઆત ચોક્કસ છે. આ એકમમાં, આપણે બે મૂળભૂત સંકેતો શીખીશું જે પરમાણુને ટેક્સ્ટ (સ્માઇલ્સ અને InChI) માં ભાષાંતરિત કરે છે અને સાધન કે જે તેમને નિર્ધારિત રીતે ચકાસે છે (RDKit). અમારો ધ્યેય: AI ને પરમાણુ એ રીતે આપવું કે તે ક્યારેય ગેરસમજ ન કરે, અને સાધન વડે AI દ્વારા ઉત્પાદિત બંધારણની પુષ્ટિ કરવી.
સ્મિત શું છે?
સ્માઇલ્સ (સરળ મોલેક્યુલર-ઇનપુટ લાઇન-એન્ટ્રી સિસ્ટમ) એ ટેક્સ્ટની એક લીટીમાં પરમાણુ લખવાનું ફોર્મેટ છે. અણુઓ અક્ષરો દ્વારા, ચિહ્નો દ્વારા બોન્ડ્સ અને સંખ્યાઓ દ્વારા રિંગ્સ દ્વારા દર્શાવવામાં આવે છે. ઉદાહરણો:
- ઇથેનોલ: CCO (કાર્બન-કાર્બન-ઓક્સિજન; હાઇડ્રોજન ગર્ભિત).
- બેન્ઝીન: c1ccccc1 (લોઅરકેસ "c" એરોમેટિક કાર્બન સૂચવે છે; 1 રિંગની નજીક છે).
- એસ્પિરિન: CC(=O)Oc1cccc1C(=O)O.
- કેફીન: Cn1cnc2c1c(=O)n(C)c(=O)n2C.
સ્માઇલ્સની શક્તિ એ છે કે તે એક જ લાઇનમાં સમગ્ર લિંક સ્ટ્રક્ચરને વહન કરે છે; તેની નબળાઈ એ છે કે સમાન પરમાણુમાં બહુવિધ માન્ય સ્માઈલ્સ હોઈ શકે છે (આને બિન-પ્રમાણિકતા કહેવામાં આવે છે). અમે તેને RDKit વડે એક ક્ષણમાં ઉકેલીશું.
સંકેત: પરમાણુ માટે "પ્રમાણિક સ્મિત" એ તે અણુ માટે એકલ, પ્રમાણભૂત જોડણી છે. બે સ્મિત એક જ પરમાણુ છે કે કેમ તે જોવા માટે, તેમને પ્રમાણભૂત બનાવો અને તેમની તુલના કરો; તેઓ ટેક્સ્ટની રીતે સમાન ન હોવા જોઈએ, પરંતુ તેઓ સમાન અણુ હોવા જોઈએ.
InChI શું છે?
InChI (ઇન્ટરનેશનલ કેમિકલ આઇડેન્ટિફાયર) એ IUPAC દ્વારા વિકસિત પ્રમાણભૂત ઓળખકર્તા છે. SMILES થી તફાવત એ છે કે સમાન પરમાણુ હંમેશા સમાન InChI આપે છે; એટલે કે, તે પ્રકૃતિમાં પ્રમાણભૂત છે. તે લાંબું અને વાંચવું મુશ્કેલ છે, પરંતુ ડેટાબેઝ મેચિંગ માટે આદર્શ છે. સંક્ષિપ્તમાં "InChIKey" (27-અક્ષર ડાયજેસ્ટ)નો ઉપયોગ શોધ માટે થાય છે.
- એસ્પિરિન InChIKey: BSYNRYMUTXBXSQ-UHFFFAOYSA-N.
નિયમ: લોકો સ્માઈલ્સ બોલે છે (વાંચો), મશીનો અને ડેટાબેઝ InChI/InChIKey (ચોક્કસ) સાથે મેળ ખાય છે. AI ને સ્મિત આપો; InChIKey સાથે ડેટાબેઝમાં પુષ્ટિ કરો.
RDKit: નિર્ણાયક ચકાસણી એન્જિન
RDKit એ ઓપન સોર્સ કેમિનફોર્મેટિક્સ લાઇબ્રેરી છે. ભાષાના મોડેલથી વિપરીત, તે નિયમ-આધારિત છે: સ્માઈલ્સનું વિશ્લેષણ કરે છે, પરમાણુ વજનની ગણતરી કરે છે, પ્રમાણભૂત સ્મિત બનાવે છે, InChI/InChIKey પરત કરે છે, પરમાણુ દોરે છે. તેથી આરડીકિટ એઆઈ "અનુમાન" શું કરે છે તેની "ગણતરી" કરે છે. આ વર્કફ્લોનું હાર્દ છે: AI જનરેટ કરે છે, RDKit ચકાસણી કરે છે.
મૂળભૂત ચકાસણી પ્રવાહ:
rdkit આયાત Chemfrom rdkit.Chem આયાત વર્ણનકર્તાઓ, Drawsmiles = "CC(=O)Oc1cccc1C(=O)O" Chem.MolToSmiles(mol)) પ્રિન્ટ("મોલેક્યુલર ફોર્મ્યુલા:", Chem.rdMolDescriptors.CalcMolFormula(Molecular print):"Molecular print:" રાઉન્ડ(વર્ણનકર્તા.MolWt(mol), 2), "g/mol") પ્રિન્ટ("InChIKey:", Chem.MolToInchiKey(mol))
જો MolFromSmiles કંઈ નહીં આપે, તો AI એ તમને અમાન્ય પરમાણુ આપ્યું છે; આ એકલા ખૂબ મૂલ્યવાન ચેતવણી છે. જો માન્ય હોય, તો તમારે હવે પરમાણુ વજન માટે ભાષા મોડેલને પૂછવાની જરૂર નથી; તે તમારા હાથમાં છે.
સ્ટેપ બાય સ્ટેપ: AI + RDKit ઇન્ટરઓપરેશન
- પરમાણુને ઓળખો: AI ને નામ આપો, સ્મિત માટે પૂછો. ઉદાહરણ તરીકે, "પેરાસિટામોલ માટે પ્રમાણભૂત સ્મિતની ચકાસણી કરો."
- ચકાસો: MolFromSmiles સાથે આવનારા સ્મિતને પાર્સ કરો. જો કોઈ નહીં, તો નકારી કાઢો.
- Canonicalize: MolToSmiles સાથે પ્રમાણભૂત જોડણી પુનઃપ્રાપ્ત કરો; હવેથી હંમેશા આનો ઉપયોગ કરો.
- સંખ્યાઓની ગણતરી કરો: મોલેક્યુલર વેઇટ, ફોર્મ્યુલા, રિંગ્સની સંખ્યા, હાઇડ્રોજન બોન્ડ દાતા/સ્વીકારો વગેરેની સંખ્યા RDKitમાંથી મેળવો, AI માંથી નહીં.
- ફિક્સ ID: InChIKey જનરેટ કરો, ડેટાબેઝમાં શોધો (PubChem), ખાતરી કરો કે પરમાણુ ખરેખર તમને જોઈતું સંયોજન છે.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) સ્મિતની વિનંતી કરવી (સંજ્ઞાથી બંધારણ સુધી):
કાર્ય: નીચેના સંયોજન માટે પ્રમાણભૂત સ્મિત આપો. સંયોજન: પેરાસીટામોલ (એસિટામિનોફેન). નિયમ: માત્ર સ્માઈલ્સ સ્ટ્રિંગ અને InChIKey આપો, વધુ કોઈ સમજૂતી ઉમેરશો નહીં. જો તમને ખાતરી ન હોય, તો "UNSURE" લખો, મેકઅપ કરશો નહીં.
2) સ્માઇલ્સ માન્યતા વિનંતી (સંરચનાથી નિયંત્રણ સુધી):
નીચેના સ્મિતની તપાસ કરો: CC(=O)Nc1ccc(O)cc1પ્રશ્નો:1) શું આ માન્ય સ્માઈલ્સ છે? 2) તે કયા સંયોજનને અનુરૂપ છે (સામાન્ય નામ)? 3) મોલેક્યુલર ફોર્મ્યુલા શું છે? નોંધ: હું RDKit વડે ચોક્કસ મોલેક્યુલર વજનની ગણતરી કરીશ; તમે ફક્ત તમારી રચનાનું અર્થઘટન આપો.
3) બે રજૂઆતોની તુલના:
મારી પાસે બે સ્મિત છે:A) OCCB) CCOTask: શું આ એક જ પરમાણુ છે કે અલગ? તમારો તર્ક લખો. નોંધ: હું તમારા જવાબને RDKit માં પ્રમાણિત કરીને ક્રોસ-ચેક કરીશ.
4) માળખું સમજૂતી (શિક્ષણ હેતુઓ માટે):
સ્મિત: Cn1cnc2c1c(=O)n(C)c(=O)n2CTask: આ સ્મિતનો ટુકડો ટુકડે ટુકડો વાંચો અને દરેક પ્રતીકનો અર્થ શું છે તે સમજાવો (અણુ, બોન્ડ, રિંગ, સુગંધિતતા) સાદા ટર્કિશમાં. તે કયું સંયોજન છે તે પણ જણાવો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા:
એસિટામિનોફેનના ગુણધર્મો આપો.
"લક્ષણ" અસ્પષ્ટ છે; AI પરમાણુ વજનથી ગલનબિંદુ સુધીના રેન્ડમ નંબરો જનરેટ કરે છે, જેમાંથી કેટલાક ખોટા હશે.
મજબૂત:
સંયોજન: acetaminophen.1) પ્રમાણભૂત સ્મિત અને InChIKey ver.2) પરમાણુ સૂત્ર આપો. નિયમ: આંકડાકીય મૂલ્યો જેમ કે મોલેક્યુલર વજન, ગલનબિંદુ વગેરે આપશો નહીં; હું તેમને RDKit/PubChem સાથે મેળવીશ. ફક્ત બિલ્ડ આઈડી આપો.
તફાવત: અમે AI ને તે (સંરચનાની ઓળખ) શું મજબૂત છે અને તે (પ્રાયોગિક સંખ્યાઓ) પર શું નબળું છે તેના તરફ નિર્દેશિત કર્યું છે.
છાપની સરખામણી
લક્ષણ
સ્મિત
InChI / InChIKey
વાંચનક્ષમતા
ઉચ્ચ (લોકોને અનુકૂળ)
ઓછું (મશીન ફ્રેન્ડલી)
પ્રામાણિકતા
ફેરફારને આધીન (કેનોનાઇઝેશનની જરૂર છે)
કુદરતી રીતે સિંગલ
ઉપયોગ
માનવ સંચાર, ચિત્ર, ઇનપુટ
ડેટાબેઝ મેચ, ઓળખ
સ્ટીરિયોકેમિસ્ટ્રી
સપોર્ટ કરે છે (@ પ્રતીકો)
સપોર્ટ (સ્તરવાળી)
AI ને આપવા માટે
આદર્શ
પુષ્ટિ માટે આદર્શ
નાના કેસો
કેસ 1 - બે નામ, એક પરમાણુ. એક વિદ્યાર્થીએ વિચાર્યું કે "N-acetyl-para-aminophenol" અને "paracetamol" અલગ-અલગ સંયોજનો છે અને તેણે બે અલગ-અલગ પ્રયોગોનું આયોજન કર્યું. જ્યારે RDKit માં તેમના સ્માઇલ્સનું પ્રમાણીકરણ કરવામાં આવ્યું, ત્યારે તે બંને CC(=O)Nc1ccc(O)cc1 હોવાનું બહાર આવ્યું; તે જ પરમાણુ હતું. ખોવાઈ ગયું: આયોજનનો અડધો દિવસ; ગેઇન: 2-મિનિટ કેનોનિકલાઇઝેશન ચેકથી ટાળી શકાયું હોત.
કેસ 2 - અમાન્ય સ્માઇલ્સ કેપ્ચર. AI એ વેરિઅન્ટ (કૌંસ બંધ નથી) માટે CC(=O)Nc1ccc(O)cc1C( પરત કર્યું). વિદ્યાર્થી MolFromSmiles ચલાવ્યો, તે કંઈ નહીં, તરત જ ભૂલ જોઈ અને સુધારેલ SMILESની વિનંતી કરી. ચકાસણી વિના, ખામીયુક્ત માળખું બધા એકાઉન્ટ્સમાં ફેલાયું હોત.
કેસ 3 — ખોટો મોલેક્યુલર વજન. YZ એ ibuprofen (C13H18O2) માટે "મોલેક્યુલર વેઇટ 214.3 g/mol" કહ્યું. આરડીકિટની ગણતરીએ 206.28 ગ્રામ/મોલ આપ્યું. 0.1 મોલ માટે તફાવત: YZ સાથે 21.43 ગ્રામ, વાસ્તવમાં 20.63 ગ્રામ. 3.9% નો આ તફાવત સ્ટોઇકોમેટ્રી અને ઉપજની ગણતરીમાં વિક્ષેપ પાડશે. તે નિર્ણાયક કલન લાવ્યા.
સામાન્ય ભૂલો
- નામથી પરમાણુ આપવું. સમાનાર્થી/વેપારી નામો મૂંઝવણમાં છે. હંમેશા SMILE અથવા InChI નો સમાવેશ કરો.
- સ્માઈલ્સને પ્રમાણભૂત બનાવ્યા વિના તેની સરખામણી કરવી. OCC અને CCO ટેક્સ્ટમાં અલગ છે પરંતુ પરમાણુઓમાં સમાન છે.
- જીભના નમૂનાને પરમાણુ વજન પૂછવું. આ એક નિર્ણાયક ગણતરી છે; તે RDKit અથવા ફોર્મ્યુલામાંથી જાતે કરવામાં આવે છે.
- અમાન્ય સ્મિતની નોંધ લેતા નથી. MolFromSmiles None ના વળતરની તપાસ ન કરવી અને ખોટી રચના સાથે ચાલુ રાખવું.
- સ્ટીરિયોકેમિસ્ટ્રીની ઉપેક્ષા. બે એન્ન્ટિઓમર્સ (મિરર ઇમેજ આઇસોમર્સ) વિવિધ જૈવિક અસરો પ્રદર્શિત કરી શકે છે; SMILES માં @/@@ ચિહ્નો છોડવા.
ધ્યાન આપો: સમાન પરમાણુ સૂત્રનો અર્થ વિવિધ પરમાણુઓ નથી. C2H6O બંને ઇથેનોલ (CCO) અને ડાઇમિથાઇલ ઇથર (COC) છે. સૂત્રની સમાનતા એ ઓળખની સમાનતા નથી; ઓળખ માટે InChIKey નો ઉપયોગ કરો.
સારાંશમાં
- અણુઓને સ્ટ્રક્ચર નોટેશન દ્વારા ઓળખો, નામ દ્વારા નહીં: માનવ સાથે સ્મિત, ડેટાબેઝ સાથે InChI/InChIKey.
- RDKit નિર્ણાયક છે; AI આગાહી કરે છે, RDKit ગણતરી કરે છે અને ચકાસણી કરે છે.
- MolFromSmiles સાથે દરેક AI સ્માઈલ્સનું વિશ્લેષણ કરો અને કંઈ નહીં માટે તપાસો, પછી પ્રમાણભૂત બનાવો.
- મોલેક્યુલર વેઇટ અને ફોર્મ્યુલા જેવા નંબરો RDKitમાંથી મેળવો, ભાષાના મોડેલમાંથી નહીં.
- ફોર્મ્યુલા સમાનતાનો અર્થ પરમાણુ ઓળખ નથી; ઓળખ માટે InChIKey નો ઉપયોગ કરો.
એપ્લિકેશન કાર્ય
ત્રણ સંયોજનો પસંદ કરો (દા.ત. કેફીન, આઇબુપ્રોફેન, ગ્લાયસીન). દરેક માટે પ્રમાણભૂત સ્મિત માટે AI ને પૂછો. પછી RDKit સ્ક્રિપ્ટ લખો (ઉપરના નમૂનાનો ઉપયોગ કરો) અને જનરેટ કરો: પ્રમાણભૂત સ્મિત, મોલેક્યુલર ફોર્મ્યુલા, મોલેક્યુલર વેઇટ, InChIKey. AI દ્વારા આપવામાં આવેલ કેટલા સ્માઈલ્સ માન્ય હતા? જો YZ એ મોલેક્યુલર વજન પણ આપ્યું હોય, તો RDKit મૂલ્ય સાથે ટકાવારી તરીકે તફાવતની ગણતરી કરો. તમારા તારણો નાના કોષ્ટકમાં લખો.
ચેકલિસ્ટ
- [ ] હું જાણું છું કે સ્માઈલ્સ અને InChI/InChIKey શું છે અને તેનો ઉપયોગ ક્યારે કરવો.
- [ ] હું AI દ્વારા આપવામાં આવેલ દરેક સ્મિતને MolFromSmiles વડે ચકાવું છું.
- [ ] હું સ્મિતની સરખામણી કરતા પહેલા તેને પ્રમાણભૂત બનાવું છું.
- [ ] હું RDKit માંથી મોલેક્યુલર વેઇટ અને ફોર્મ્યુલા મેળવી રહ્યો છું, ભાષાના મોડેલમાંથી નહીં.
- [ ] હું InChIKey સાથે ડેટાબેઝમાં પરમાણુ ઓળખની પુષ્ટિ કરું છું.
- હું એવી પરિસ્થિતિઓ જાણું છું જ્યાં સ્ટીરિયોકેમિસ્ટ્રી મહત્વપૂર્ણ છે.