[PYTHON] Lernen Sie mit Chemo Informatics Matplotlib

Einführung

"Matplotlib" ist eine der repräsentativen Bibliotheken von Python mit dem Thema Lipidomics (umfassende Analyse von Lipiden). Ich werde darüber erklären. Wir werden hauptsächlich praktische Beispiele für Chemoinfomatik erläutern. Wenn Sie also die Grundlagen überprüfen möchten, lesen Sie bitte den folgenden Artikel, bevor Sie diesen Artikel lesen.

Forscher von Pharmaunternehmen haben Matplotlib zusammengefasst

Streudiagramm

Matplotlib ist eine Bibliothek zum Zeichnen von Grafiken. Es kann verwendet werden, um Trends in Daten zu visualisieren.

Laden Sie zuerst die Bibliothek mit "import". Wenn Sie ein Jupyter-Notizbuch verwenden, können Sie ein Diagramm auf Ihr Notizbuch zeichnen, indem Sie "% matplotlib inline" schreiben.

Betrachten wir nun die Analyse der Beziehung zwischen der Anzahl der Kohlenstoffatome und Doppelbindungen von Fettsäuren und ihren physikalischen Eigenschaften.

%matplotlib inline
import matplotlib.pyplot as plt


abbreviations = ['FA 12:0', 'FA 14:0', 'FA 16:0', 'FA 18:0', 'FA 20:0', 'FA 22:0'] #Abkürzung für Fettsäuremolekülspezies
Cns = [12, 14, 16, 18, 20, 22] #Anzahl der Kohlenstoffatome (Kettenlänge) der Fettsäure
logPs = [3.99, 4.77, 5.55, 6.33, 7.11, 7.89] #LogPow-Wert der molekularen Fettsäurespezies

plt.scatter(Cns, logPs) #Streudiagramm erstellen
plt.xlabel('Cn') #x-Achsenbeschriftung
plt.ylabel('logPow') #y-Achsenbeschriftung

plt.savefig('logP_saturated-fatty-acids.png') #Speichern Sie das Streudiagramm als Bilddatei (PNG-Datei)
plt.show() #Zeigen Sie das fertige Streudiagramm an

Im obigen Beispiel ist die Beziehung zwischen der Anzahl der Kohlenstoffatome "Cns" und logPow "logPs" für gesättigte Fettsäuren (Fettsäuremolekülspezies ohne Doppelbindungen in der Kohlenstoffkette) dargestellt. logPow ist der "Wasseroctanol-Verteilungskoeffizient" und gibt die Größe der Hydrophobizität der Verbindung an. Diesmal bezog sich der Wert von logPow auf LIPID MAPS. Wie Sie sehen können, steigt mit zunehmender Anzahl von Kohlenstoffatomen auch der Wert von logPow. Dies zeigt an, dass mit zunehmender Anzahl von Kohlenstoffatomen die Hydrophobizität des Moleküls zunimmt.

Betrachten Sie dasselbe für ungesättigte Fettsäuren (Fettsäuremolekülspezies mit Doppelbindungen in der Kohlenstoffkette).

%matplotlib inline
import matplotlib.pyplot as plt


abbreviations = ['FA 18:1', 'FA 18:2', 'FA 18:3', 'FA 18:4']
Uns = [1, 2, 3, 4] #Anzahl der Doppelbindungen (Ungesättigtheit) der Kohlenstoffketten von Fettsäuren
logPs = [6.11, 5.88, 5.66, 5.44]

plt.scatter(Uns, logPs)
plt.xlabel('Un')
plt.ylabel('logPow')

plt.savefig('logP_C18-fatty-acids.png')
plt.show()

Dieses Mal ist die Anzahl der Kohlenstoffatome gleich und es zeigt, wie sich logPow ändert, wenn sich die Anzahl der Doppelbindungen (Ungesättigtheitsgrad) ändert. Es ist ersichtlich, dass mit zunehmender Anzahl von Doppelbindungen die Hydrophobizität des Moleküls abnimmt.

Balkendiagramm

Als nächstes sollten Sie die intrazelluläre Fettsäurekonzentration in einem * in vitro * -Experiment veranschaulichen.

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np


concs_ctrl = [0.1, 0.05] #Konzentrationen von Arachidonsäure und Docosahexaensäure in Kontrollexperimenten
concs_cmpd_low = [0.05, 0.07] #Konzentrationen von Arachidonsäure und Docosahexaensäure in Experimenten zur Zugabe von Verbindungen (niedrige Dosis)
concs_cmpd_high = [0.01, 0.08] #Konzentrationen von Arachidonsäure und Docosahexaensäure in Experimenten zur Zugabe von Verbindungen (hohe Dosis)
x = np.arange(len(concs_ctrl)) #Anzahl der anzuzeigenden Fettsäuren

bar_width = 0.3 #Balkendiagrammbreite

plt.bar(x, concs_ctrl, width=bar_width, align='center') #Balkendiagramm der Kontrollbedingungen
plt.bar(x+bar_width, concs_cmpd_low, width=bar_width, align='center') #Balkendiagramm der Bedingungen bei Zugabe der Verbindung (niedrige Dosis)
plt.bar(x+bar_width*2, concs_cmpd_high, width=bar_width, align='center') #Balkendiagramm der Bedingungen bei Zugabe der Verbindung (hohe Dosis)
plt.xticks(x+bar_width, ['AA', 'DHA']) #Name der x-Achsen-Daten
plt.ylabel('Concentration (uM)')
plt.legend(('Control', 'Compound X 0.1uM', 'Compound X 1 uM')) #Gebrauchsanweisung

plt.savefig('fatty acid concs.png')
plt.show()

Hier zeigen wir, wie sich die intrazellulären Konzentrationen von Arachidonsäure (AA) und Docosahexaensäure (DHA) unter drei Arten von Versuchsbedingungen ändern. Übrigens ist AA in Bezug auf die Anzahl der Kohlenstoffatome und die Anzahl der Doppelbindungen "FA 20: 4" und DHA "FA 22: 6". Sie können sehen, dass bei Zugabe von Verbindung X zu Zellen die AA-Produktion unterdrückt und die DHA-Produktion in dosisabhängiger Weise allmählich erhöht wird. In diesem Beispiel wird der Graph als experimentelle Daten mit n = 1 erstellt, und es wird kein Fehlerbalken angehängt.

Zusammenfassung

Hier erklärte ich Matplotlib und konzentrierte mich auf praktisches Wissen, das in der Chemoinfomatik verwendet werden kann. Lassen Sie uns die wichtigsten Punkte noch einmal überprüfen.

• Ein Streudiagramm kann verwendet werden, um die Korrelation zwischen zwei Datentypen zu analysieren, und kann mit "matplotlib.pyplot.scatter" gezeichnet werden.
• Ein Balkendiagramm kann verwendet werden, um die Größenbeziehung von Werten zu analysieren, und kann mit "matplotlib.pyplot.bar" gezeichnet werden.

Als nächstes erklärt der folgende Artikel das Scikit-Lernen.

Scikit-Lernen mit Chemoinfomatik lernen

Referenzmaterialien / Links

Was ist die Programmiersprache Python? Kann es für KI und maschinelles Lernen verwendet werden?