ल्यूसीन और रसायन विज्ञान विकास किट के साथ आणविक संरचना खोजों को व्यवस्थित करें

ल्यूसीन का पूर्ण-पाठ खोज पुस्तकालय पाठ दस्तावेज़ों पर खोजों को व्यवस्थित करने की क्षमता प्रदान करता है। ऐसे उपकरण भी हैं जिनके द्वारा आप "समान" रासायनिक संरचनाओं की खोज को व्यवस्थित कर सकते हैं, उदाहरण के लिए, ओपनबेल। कभी-कभी एक ही "रूपरेखा" में इन दो प्रकार की खोज को संयोजित करने की आवश्यकता हो सकती है। उदाहरण के लिए, यदि आपको एक ऐसी प्रणाली बनाने की आवश्यकता है जो इस तरह के अनुरोधों का जवाब दे सके: पाठ विवरण में एक पदार्थ ढूंढें जिसमें "अमीनो एसिड" शब्द है जो संरचनात्मक रूप से इंडोल के समान है (यह उम्मीद की जाती है कि हम एमिनो एसिड ट्रिप्टोफैन पाएंगे)। यह लेख पूर्ण पाठ इंजन ल्यूसीन के आधार पर इस समस्या के समाधान का वर्णन करता है।

जैसा कि आप जानते हैं, पूर्ण-पाठ खोज एक उल्टे सूचकांक के निर्माण पर आधारित है। दस्तावेजों के पाठ को अलग-अलग शब्दों में विभाजित किया गया है, जिनमें से प्रत्येक के लिए दस्तावेजों की एक सूची जिसमें शब्द होता है, बनाया गया है। आमतौर पर, दिए गए शब्द के लिए दस्तावेजों की सूची के अलावा, सूचकांक में प्रत्येक दस्तावेज़ में शब्द की स्थिति होती है।

डेटाबेस में समान अणुओं के लिए एक खोज "आणविक छाप" पर आधारित हो सकती है। अक्सर एक "आणविक फिंगरप्रिंट" एक बिट स्ट्रिंग होता है जिसमें प्रत्येक बिट एक विशेष संपत्ति या संरचनात्मक टुकड़े की उपस्थिति से मेल खाती है। टैनिमोटो गुणांक (जैक्वार्ड गुणांक का एक विशेष मामला) निकटता के माप के रूप में उपयोग किया जाता है।

आणविक फिंगरप्रिंट के सरल उदाहरण के रूप में, इस पर विचार करें: मान लें कि हम लंबाई n का आणविक फिंगरप्रिंट चाहते हैं। संरचना परमाणुओं की एक आयामी श्रृंखला में कट जाती है, जिसकी लंबाई k से अधिक नहीं होती है। प्रत्येक परिणामी श्रृंखला में एक हैश फ़ंक्शन लागू होता है, जो श्रृंखला को 0 से n-1 तक की संख्या में मैप करता है। यह संख्या फिंगरप्रिंट में 1 पर सेट होने के लिए बिट संख्या निर्धारित करती है।

रासायनिक संरचनाओं के साथ इस तरह के जोड़तोड़ के लिए, आप जावा-लाइब्रेरी केमिस्ट्री डेवलपमेंट किट (इसके बाद बस सीडीके) का उपयोग कर सकते हैं। सीडीके को एलजीपीएल लाइसेंस के तहत वितरित किया जाता है और इसमें संरचनाओं का प्रतिनिधित्व करने के लिए जावा कक्षाएं शामिल हैं, कई प्रकार के आणविक उंगलियों के निशान की गणना की जाती है, और कई रासायनिक फ़ाइल स्वरूपों का समर्थन करता है। उदाहरण के लिए, टुकड़ों में एक अणु को काटकर निम्नानुसार लागू किया जा सकता है:

/     CDK    IAtomContainer. IAtomContainer structure; ... for (IAtom startAtom : structure.atoms()) { //    CDK org.openscience.cdk.graph.PathTools,    getPathsOfLengthUpto,     . List<List<IAtom>> paths = PathTools.getPathsOfLengthUpto(structure, startAtom, searchDepth); //  -    ... } 

वर्णित "आणविक छाप" की गणना सीडीके वर्ग org.openscience.cdk.fingerprint.Fingerprinter के उपयोग से की जाती है।

संरचनाओं की खोज के लिए ल्यूसीन का उपयोग करने के लिए, हम उंगलियों के निशान द्वारा संरचनाओं की खोज को "शब्द खोज" के रूप में सुधारते हैं। संरचना, जैसा कि ऊपर वर्णित छाप निर्माण की विधि में है, लघु-आयामी जंजीरों में कट जाती है, जो पाठ खोज में शब्दों के एनालॉग होंगे। इस प्रकार, यदि हम खोज क्वेरी के रूप में एक अलग संरचना के साथ सिस्टम प्रदान करते हैं, तो क्वेरी संरचना को भी जंजीरों में काट दिया जाएगा, और परिणाम उन संरचनाओं को होगा जिनके पास परमाणुओं की समान श्रृंखलाएं हैं। प्रासंगिकता द्वारा दस्तावेजों को छांटने का तंत्र उन संरचनाओं के परिणामों की पहली स्थिति में लाने की कोशिश करेगा जिनमें एक तरफ, कई मैच हैं, दूसरी तरफ, ये मैच थोड़ा पतला हैं। यही है, यह उम्मीद करना तर्कसंगत है कि पहली जगह में बिल्कुल एक ही संरचना होगी (यदि, निश्चित रूप से, यह अनुक्रमित लोगों में से है), तो समान संरचनाएं जो एक परमाणु या समूह से भिन्न होती हैं, फिर आगे और अधिक अलग संरचनाएं, आदि।

यह ध्यान देने योग्य है कि ल्यूसिने (वेक्टर स्पेस मॉडल + टीएफ-आईडीएफ) में उपयोग की जाने वाली डिफ़ॉल्ट रैंकिंग फॉर्मूला टैनिमिम निकटता माप से अलग है। आप ल्यूसिने से टैनिमोटो गुणांक फार्मूले के समानता वर्ग को फिर से परिभाषित कर सकते हैं, लेकिन मैं वहां नहीं रुकूंगा, खासकर क्योंकि सूत्र को डिफ़ॉल्ट रूप से "गुणात्मक रूप से सही" परिणाम देना चाहिए: खंड के चौराहों के एक बड़े अनुपात के साथ संरचनाएं परिणामस्वरूप पहले स्थानों पर होंगी।

इंडेक्सिंग और अणुओं की खोज के लिए यह दृष्टिकोण ल्यूसीन के लिए एक विशेष " रासायनिक टोकन " बनाकर लागू किया जा सकता है। टोकेनाइज़र ल्यूसीन घटक है, जो पाठ को अलग-अलग टोकन में तोड़ता है (सबसे अधिक बार टोकन शब्द हैं)। मैंने पहले ही इस टोकन के मूल तर्क के ऊपर दिया है। अंतर यह होगा कि ल्यूसीन टोकन में एक बार में चक्र में सभी टोकन प्राप्त करना आवश्यक नहीं है। इसके बजाय, आपको Tokenizer.incrementToken () विधि को लागू करने की आवश्यकता है, जो एक समय में परमाणु श्रृंखलाओं के पाठीय प्रतिनिधित्व का उत्पादन करेगी।

टेक्स्ट स्ट्रिंग के रूप में अणुओं का प्रतिनिधित्व करने के लिए कई प्रारूप हैं। अब तक, हम उनमें से केवल एक - SMILES प्रारूप के लिए समर्थन पर ध्यान केंद्रित करेंगे। CDK एक SMILES स्ट्रिंग पार्सर (वर्ग org.openscience.cdk.smiles.SmilesParser) प्रदान करता है। उनके लिए उपयोग करना मुश्किल नहीं है:

 SmilesParser sp = new SmilesParser(DefaultChemObjectBuilder.getInstance()); String smiles = "OCC(O)C(O)C(O)C(O)CO"; //Sorbitol IAtomContainer structure = sp.parseSmiles( smiles ); //  -    ... 

SMILES के अणुओं को एक संरचना में अणुओं के अभिसरण में परिवर्तित करने के उद्देश्य से इसे चेन टोकनों में काटने के उद्देश्य से स्माइलसोकेनाइज़र वर्ग में रखा गया है।

मैं अपने आप को कई महत्वहीन विवरणों को छोड़ने की अनुमति दूंगा, मैं केवल यह कह सकता हूं कि स्रोत कोड GitHub पर उपलब्ध है । मैं संरचनाओं की खोज करने के लिए इन कक्षाओं का उपयोग करने के उदाहरण पर सीधे जाऊंगा। मान लीजिए कि खोज दस्तावेजों में तीन फ़ील्ड शामिल हैं: नाम रासायनिक यौगिक का नाम है, विवरण पाठ विवरण है, और मुस्कुराहट क्षेत्र अणु की संरचना के बारे में जानकारी है।

इंडेक्सिंग दस्तावेज़ कुछ इस तरह दिख सकते हैं ( SmilesAnalyzer हेल्पर वर्ग का उपयोग करके, जो बस एक SmilesTokerizer बनाता है):

 Map<String,Analyzer> analyzerPerField = new HashMap<String,Analyzer>(); analyzerPerField.put(SMILES_FIELD, new SmilesAnalyzer() ); PerFieldAnalyzerWrapper analyzerWrapper = new PerFieldAnalyzerWrapper(new StandardAnalyzer(Version.LUCENE_40), analyzerPerField); Document doc = new Document(); doc.add( new TextField( "name", "Acetic acid", Field.Store.YES ) ); doc.add( new TextField( "description", "Acetic acid is one of the simplest carboxylic acids. Liquid.", Field.Store.YES ) ); doc.add( new TextField( "smiles", "CC(O)=O", Field.Store.YES ) ); Directory directory = null; IndexWriter indexWriter = null; try { directory = new RAMDirectory(); IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_40, analyzerWrapper ); indexWriter = new IndexWriter( directory, config); indexWriter.addDocument(doc); } ... 

खोज कुछ इस तरह दिखाई देगी:

 reader = IndexReader.open(directory ); IndexSearcher searcher = new IndexSearcher(reader); String querystr = "smiles:CCC"; Query q = null; q = new QueryParser(Version.LUCENE_40, FREE_TEXT_FIELD, getAnalyzer()).parse(querystr); TopScoreDocCollector collector = TopScoreDocCollector.create(5, true); searcher.search(q, collector); ScoreDoc[] hits = collector.topDocs().scoreDocs; // -      hits ...