学习指导

1. 复习QSAR原理

2. 掌握使用RDKit实现QSAR的方法

综合应用题：基于 RDKit 与随机森林的化合物活性预测模型构建

【背景描述】

作为药物研发部门的数据分析师，你正在负责一项针对大鼠膀胱肿瘤受体（BZR）的定量构效关系（QSAR）研究项目。你的目标是利用机器学习模型，根据化合物的分子结构预测其生物活性（以 pIC50 值表示），从而指导后续的分子优化。

【任务要求】

请结合 Python 编程语言和 RDKit 化学信息学库，完成以下四个步骤的任务：

（1）数据预处理与特征提取：

   你手头有一份包含化合物 SMILES 字符串和对应实验测得 pIC50 值的原始数据集。请编写代码读取数据，并利用 RDKit 计算每个分子的理化性质描述符（至少包含：分子量 MolWt、脂水分配系数 MolLogP、极性表面积 TPSA、氢键供体数 NumHDonors、氢键受体数 NumHAcceptors）。在此过程中，需要妥善处理无法被 RDKit 解析的无效 SMILES 分子。

（2）模型构建与评估：

   将提取到的分子描述符作为特征（X），pIC50 值作为标签（y）。请使用 Scikit-learn 库构建一个随机森林回归模型（Random Forest Regressor）。将数据集按 8:2 的比例划分为训练集和测试集，训练模型后，输出测试集的决定系数（R^2）和均方根误差（RMSE）以评估模型性能。

（3）新分子活性预测：

   模型训练完成后，请写出利用该模型预测一个全新化合物（例如阿司匹林，SMILES: 'CC(=O)Oc1ccccc1'）pIC50 值的核心代码逻辑。

脚本下载

在线资源

RDKit官网：http://www.rdkit.org/

RDKit帮助文档：http://www.rdkit.org/docs/api-docs.html

Python Vina官网：https://pypi.org/project/vina/