Canonical label その1

前回のつづき。
Canonical SMILES文字列を生成するためには、
まず、文字列の開始点となる原子を決定しなければなりません。

そのために、それぞれの原子がどのような環境にいるかを数値化して、
その順番に原子を並べ替える、というのがひとつの方法です。

Weiningerら*1は、以下の6種類の基準で数値化し、それらの数値を連結して
8桁の整数を生成して昇順に並べました。

1. 結合の数
2. 重原子との結合の数 (2桁)
3. 原子番号 (2桁)
4. 電荷の符号
5. 電荷の絶対値
6. 水素原子との結合の数

こうすることで、たとえば、エーテル分子（C-C-O-C-C）の場合、
10106003--20206002--20208000--20206002--10106003
という数値列に置き換えられるので、
最小値の"10106003"に対応する原子から始めれば良いということになります。
ただし、最小値が2ヶ所以上にある場合は、
Morgan法のように、隣接原子の順位を反映させつつ並び替えを繰り返します。
（この話は長くなりそうなので、今回は一旦ここで止めておきます）

さて、CDKでは、CanonicalLabelerクラスとして、一連のラベル付け機能が実装されています。
Weiningerらの表現が曖昧なので、実装によって結果も変わってきます。
CDKとOpenBabelの出力結果の違いも、この辺に原因がありそうです。

• 二重/三重結合をどう数えるか
• 電荷の符号は、形式電荷を使うか、部分電荷を使うか

以下は、CDKを土台としたサンプルコードですが、少し変更を加えています。

/* inv_label.java */
import java.io.*;

import org.openscience.cdk.interfaces.*;

import org.openscience.cdk.io.iterator.IteratingMDLReader;

import org.openscience.cdk.DefaultChemObjectBuilder;
import org.openscience.cdk.smiles.SmilesGenerator;

import org.openscience.cdk.tools.manipulator.AtomContainerManipulator;
import org.openscience.cdk.smiles.InvPair;

import org.openscience.cdk.tools.periodictable.PeriodicTable;

import org.openscience.cdk.CDKConstants;

import org.openscience.cdk.tools.manipulator.AtomContainerManipulator;
import java.util.*;


class inv_label {
    public static void main(String args[]){
        if(args.length!=1){

            System.err.println("inv_label <sd-file>");

            System.exit(1);

        }

        FileInputStream fis = null;

        IteratingMDLReader isr = null;

        try{

            fis = new FileInputStream(new File(args[0]) );

            isr = new IteratingMDLReader(fis, DefaultChemObjectBuilder.getInstance() );

        } catch (Exception e) {

            e.printStackTrace();

        }
        while( isr.hasNext() ){

            IMolecule imol = (IMolecule)isr.next();

            String id = (String)imol.getProperty("cdk:Title");
            StringBuffer inv;

            ArrayList vect = new ArrayList();

            IAtomContainer ac;
            try {

                AtomContainerManipulator acm = new AtomContainerManipulator();

                ac = acm.removeHydrogens(imol);

                for (int i = 0 ; i < ac.getAtomCount(); i++){

                    IAtom a = ac.getAtom(i);

                    inv = new StringBuffer();

                    Integer ddd = a.getImplicitHydrogenCount();
                    // 1. Num connections (incl H)

                    inv.append( ac.getConnectedAtomsList(a).size() +

                                (a.getImplicitHydrogenCount() == CDKConstants.UNSET ?

                                 0 : a.getImplicitHydrogenCount()) );
                    // 2. Num of non H bonds

                    inv.append( String.format("%02d",

                                              ac.getConnectedAtomsList(a).size()) );
                    // 3. Atomic num

                    inv.append( String.format("%02d",

                                    PeriodicTable.getAtomicNumber(a.getSymbol()) ) );
                    // 4. Sign of charge

                    Integer fcharge = a.getFormalCharge();

                    if (fcharge == CDKConstants.UNSET) fcharge = 0;

                    if (fcharge < 0){

                        inv.append(1);

                    } else {

                        inv.append(0);

                    }
                    // 5. Absolute charge

                    inv.append( (int)Math.abs( (a.getFormalCharge() ==

                                 CDKConstants.UNSET ? 0.0 : a.getFormalCharge()) ) );
                    // 6. Hydrogen count

                    inv.append( (a.getImplicitHydrogenCount() == CDKConstants.UNSET ?

                                0 : a.getImplicitHydrogenCount()));
                    vect.add(new InvPair(Long.parseLong(inv.toString()), a));

                }

            }catch (Exception e1) {

                e1.printStackTrace();

            }

            for (int i = 0 ; i < vect.size() ; i++){

                System.out.printf("%s\t%d\t%s\n", id, i, vect.get(i));

            }

        }

    }

}

*1: Weininger et al. SMILES. 2. Algorithm for Generation of Unique SMILES Notation. J. Chem. Inf. Comput. Sci. (1989) 29, 97-101