ChemSpider博客

作者：爱玲·戴。

我们很高兴地宣布，我们刚刚向ChemSpider进口了1047个CIFs晶体结构，这些晶体结构以前在RSC论文中报告过（这些晶体结构可用作ESI），并将这些晶体结构与原始文章和CCDC的WebSD链接起来，例如。示例化合物与RSC文章CIF（参见CIF信息框）。由于上传到ChemSpider的每个CIF都必须与一种ChemSpider化合物相关联，因此这项任务的难点在于计算出一个二维分子结构（在.mol文件格式)对于每个3D晶体结构（in.cif文件格式)–这尤其困难，因为CIFs只包含有关每个原子位置的信息，而不包含原子在晶体中如何相互结合或是否带电的信息。
最终，我们希望这个CIF到mol的转换（以及整个上传）能够在没有人为干预的情况下以编程方式执行。然而，目前还没有可靠的方法可以做到这一点，尽管诸如OpenBabel可用于从每个到岸价中提取MOL，此转换的可靠性不是100%。
作为我们今年夏天在南安普敦大学实习的学生项目之一南安普顿大学的另一个学生实习项目在ChemSpider分享论文数据)我们使用OpenBabel（版本2.3.2，从命令行运行，选项为-i cif inputfilename.txt-o mol-m–unique-d–AddPolarH）来提取RSC存档中所有cif（超过43，2013年6月的000个文件，并征集Julija Kezina（如下所示），以审查这些转换的结果，以确保只有良好的结构和CIF对将沉积到CycSpple，并更好地了解转换过程中的问题，以期修复它们。一个显而易见的问题是，得到的2D结构仅仅是沿着细胞轴的三维结构的投影，这并不总是显示分子最清楚的取向，即使它们之间确实有化学连接，所以所有的摩尔结构都是贯穿的。OpenEye的审核前的清理算法。

Julija Kezina -南安普顿大学实习生，负责检验CIF到Mol的换算

Julija将输出mol文件中的每个结构与原始CIF文件中的结构进行了比较，以判断转换是否准确。此外，作为额外的检查，所有的输出分子结构都提交给ChemSpider验证和标准化平台过滤出有结构问题的分子（例如。立体化学、价新利手机客户端或拥挤问题）。
总体而言，Julija检查的CIF到MOL转换的大约30%是良好的，具有原子和离子的正确连接性（尽管其中大约30%需要原子位置重新定位以清洁或整理结构，无论是手动还是使用CeCdDy的清洗功能）。这些MOL1047只含有一个分子（不含溶剂分子或共晶等），是那些已经沉积到ChemSpider及其相应的CIFs中的MOL1047。
转化率最高的期刊是分子生物系统（57%），MedChemComm（51%），有机和生物分子化学新利手机客户端（44%）和绿色化学新利手机客户端（44%）——通常是关于小有机分子的期刊。
朱利娅在国家晶体学服务办公室在南安普敦大学，在西蒙·科尔斯教授的共同监督下，我们感谢他们对CIF文件格式的细节的帮助和建议。

CIF到mol转换不成功

在如此庞大和多样的结构集合上运行和评估OpenBabel给了我们一个识别和分类遇到的最常见问题的有用机会。在这里，我们将分享这些内容，并给出一些示例，这些示例可以帮助识别管道中的一些简单修复，这些修复可能会使整个社区受益，并在这样做时用作测试用例。我们会把这些错误报告给OpenBabel论坛而且由于OpenBabel是开源的，希望通过与其他开发人员的合作，在未来至少解决其中的一些问题。

以下OpenBabel错误看起来可能最容易修复：

细节	例子
类别：BAD_NITRO 频率：233 说明：有在结构抽屉代表硝基基团的不同的方式 - OpenBabel当前由生产具有五价氮的摩尔这样做。在ChemSpider我们，我们会选择避免这样有利于与电荷分离硝基格式的。 溶液：允许OpenBabel具有用于硝基不同的输出选项，输出它们如图校正摩尔文件。	CIF：CCDC 194360 ChemSpider：10001804
类别：BAD_MULT 频率：434 说明：重复（完全相同，包括立体化学）分子存在于所得到的摩尔文件尽管与-unique选项运行OpenBabel（其应当基新利手机客户端于其inchis滤除重复分子） 解决方法：当与-unique选项，这样，它的工作原理运行修复OpenBabel。	CIF：CCDC 229590 ChemSpider：3915
类别：BAD_MISSINGPARTOFMOLECULE 频率：724 说明：该分子的部分缺失 原因：OpenBabel不理解晶体对称 - 仅在CIF显式与位置列出的原子被包括在所产生的摩尔文件，和那些由对称推断不是。 解决办法：OpenBabel生成对称的CIF文件的完整分子，或建议的脚本/程序，它可以处理CIF生成与所有原子另一个到岸价OpenBabel之前运行。	CIF：CCDC 185091 ChemSpider：11917
类别：BAD_PARTIALOCCUPANCY 频率：432 描述：多个站点的部分占据在CIF文件中的特定原子 Cause: In CIF files sometimes positions of multiple sites are specified with occupancy less than one – OpenBabel doesn’t recognise this and assumes that the occupancy of all sites is one effectively, so that there are duplicates of some atoms or fragments in the mol file. 解决方案：当_atom_site_occupancy是小于1，组一起原子到那些彼此的替代品（按类型，接近度，以及那些加起来为1的总占用），并选择其中只有一个在最终包括 mol file (that with the highest site occupancy, or if two have equal occupancies of e.g.0.5，则随机选择一个）。需要注意的是，需要有一致性，这样，如果例如C被丢弃，那么所有的邻接H公司具有部分占用也被丢弃，但那些结合到包括被包括在C（如所附实施例）。	CIF：CCDC 854369 ChemSpider：68005704

许多问题是由输入CIFs中的特殊同步性或错误引起的，但是OpenBabel并没有很好地处理这些问题（例如。通过编写错误消息并终止程序），但在大多数情况下，进入无限循环，程序挂起。正因为如此，而且由于OpenBabel转换是较长脚本的一部分，所有OpenBabel作业都必须以任意超时运行，因此如果在超时后仍在运行，它们将被终止，这可能会丢弃一些有效但运行时间较长的OpenBabel作业。我们将研究是否有一个可以在CIFs上自动执行的验证程序来过滤出有这些问题的验证程序(类似于中国疾控中心的EnCIFer但是，当OpenBabel遇到这些问题时，它可以很好地退出，这样就不需要预先验证，从而使OpenBabel更加可靠。这些问题列在下表:

细节	例子
类别：CIF_NOCOORDINATES 频率：378 说明：到岸价不包含任何坐标 原因：有些的CIF包含例如粉末衍射细化的数据，不包含坐标。 解决方案：OpenBabel已经发出了一个错误：“CIF错误：没有发现原子！（数据块：XXX）” - 简单地中止程序如果被发现（而不是试图继续）。
类别：CIF_MISSINGLOOP 频率：85 说明：CIF错过了“loop_”行 解决方法：做一个初步检查，有试图做转换之前预期的地方至少一个loop_线。	CIF：CCDC 753484
类别：CIF_COMMENTEDFIELD 频率：36 说明：如果有一个CIF字段名在CIF中的注释部分，OpenBabel不会忽略它，进入一个循环infinte 解决方法：这将是微不足道的，以确保OpenBabel忽略了被注释掉（一对分号之间）CIF字段名。	CIF：CCDC 840581

下面的OpenBabel bug是最常见的，但是很难修复。它们的问题是，CIF格式没有记录原子/离子的电荷或它们之间的bong类型，所以OpenBabel需要解决这些问题，这很难正确地做到。

细节	例子
类别：BAD_CHARGEMISSING 频率：830 说明：一个或更多的离子在分子中具有在其上的错电荷在所得到的摩尔文件	CIF：CCDC 879075 ChemSpider：68005707
类别：BAD_WRONGCOORDINATION 频率：747 说明：在分子中的一个或多个原子或离子有错误的协调 - 金属离子，S，P，Se和B看到问题	CIF：CCDC 218529 ChemSpider：26579734
类别：BAD_BONDMISSING 频率：587 说明：一个或多个分子内的键的是错误的顺序的例如一个单键，而不是双键。	CIF：CCDC 926530 ChemSpider：34226187
类别：BAD_WRONGBOND 频率：452 描述：单/双键错误序列。	CIF：CCDC 203663 ChemSpider：238575
类别：BAD_NOCOORDL 频率：52 说明：配体没有协调。	CIF：CCDC 218360 ChemSpider：68005705
类别：BAD_MISSINGH 频率：18 说明：缺少氢。	CIF：CCDC 220380 ChemSpider：21188989

还有一些问题摩尔文件生成,要么无法被OpenBabel固定(因为他们导致错误或限制输入的CIF文件不能固定回顾性)或太难以修复和/或太频繁发生是值得的:

• • 在CIF中有237个溶剂分子(其中许多缺少氢、分子的部分占用或分子的一部分等)，在生成的mol文件中产生了假氧、分子碎片和自由基(见CIF:CCDC 213787和ChemSpider记录:68005706)。在这些案例中，有148个只是水溶剂分子，要么是氢原子缺失，要么是氢原子脱落。由于溶剂分子的定义很差，限制了CIF文件的衍射，所以OpenBabel不可能在导出它们的输出mol中更好地定义它们。然而，使用-r选项运行OpenBabel来移除除了最大的连续碎片之外的所有碎片是非常成功的，因此不需要采取进一步的行动来处理这个问题，我们将在未来使用这个选项。
  • 在最初的CIF中，有81个案例中至少少了一个氢(或在3个案例中，所有氢都少了)CCDC 259871。
  • 一些CIFs包含晶体结构，这些结构对应于连续的网络而不是小分子(例如小分子)。聚合物，MOFs，沸石，POMs)，这些物质不能被有效地以mol的形式捕获CCDC 206593。
  • 有少数(24)例在得到的mol文件中的立体化学定义不正确。新利手机客户端然而，由于对立体深受OpenBabel解释，这些情况相对较少新利手机客户端，这可能是不值得打乱苹果车调查这些进一步的 - 见CCDC 238611和ChemSpider 9419187。