Введение

Формат файла, хранящий химические формулы и структуры.

Формат химического файла — это тип файла данных, используемый специально для представления молекулярной информации. Одним из наиболее распространенных является формат файла химической таблицы, который аналогичен файлам формата структурных данных (SDF). Это текстовые файлы, содержащие несколько записей химических структур и связанные с ними поля данных. Формат файла XYZ — простой формат, который обычно содержит количество атомов в первой строке, комментарий во второй, а затем несколько строк с атомными символами (или атомными номерами) и декартовыми координатами. Формат базы данных белков обычно используется для белков, но также применяется и к другим типам молекул. Существует множество других форматов, которые подробно описаны ниже. Различные программные системы позволяют конвертировать файлы из одного формата в другой.

Форматы отличия

Химическая информация обычно предоставляется в виде файлов или потоков данных, и было создано множество форматов с разной степенью документирования. Формат указывается тремя способами: (см. ниже)
расширение файла (обычно из трех букв). Это широко распространено, но ненадежно, так как общие суффиксы, такие как mol и dat, используются многими системами, в том числе и не предназначенными для работы с химическими данными. самоописываемые файлы, содержащие информацию о формате непосредственно в файле. Примеры – CIF и CML. химический/MIME-тип, добавляемый сервером, поддерживающим химические данные.

Язык химической разметки

Chemical Markup Language (CML) — открытый стандарт для представления молекулярных и других химических данных. Проект с открытым исходным кодом включает в себя XML Schema, исходный код для разбора и работы с данными CML, а также активное сообщество. Более подробное описание CML приводится в статьях «Инструменты для работы с языком химической разметки» и «XML для химии и биологических наук». Многие инструменты, включая JChemPaint, Jmol, XDrawChem и MarvinView, поддерживают файлы данных CML.

Формат банка данных белков

Формат базы данных белков обычно используется для белков, но может применяться и к другим типам молекул. Изначально он был разработан как и продолжает оставаться форматом с фиксированной шириной столбцов, и, следовательно, официально имеет встроенное максимальное количество атомов, остатков и цепей. Это приводило к разделению очень крупных структур, таких как рибосомы, на несколько файлов. Однако многие инструменты способны читать файлы, превышающие эти ограничения. Например, рибосома E. coli 70S была представлена в виде 4 файлов PDB в 2009 году: 3I1M, 3I1N, 3I1O и 3I1P. В 2014 году они были объединены в один файл 4V6C. Некоторые файлы PDB содержат необязательный раздел, описывающий связи между атомами, а также их положение. Поскольку эти файлы иногда используются для описания макромолекулярных комплексов или молекул, представленных в явном растворителе, они могут быть очень большими и часто сжимаются. Некоторые инструменты, такие как Jmol и KiNG, могут читать файлы PDB в формате gzipped. wwPDB поддерживает спецификации формата файла PDB и его XML-альтернативы PDBML. В августе 2007 года произошли значительные изменения в спецификации формата PDB (до версии 3.0) и устранение многих проблем с файлами в существующей базе данных. Типичным расширением файла PDB является pdb, хотя некоторые старые файлы используют ent или brk. Некоторые инструменты молекулярного моделирования создают нестандартные файлы в стиле PDB, адаптируя базовый формат к своим потребностям.

Формат GROMACS

Семейство форматов файлов GROMACS было разработано для использования с пакетом программного обеспечения для молекулярного моделирования GROMACS. Оно тесно связано с форматом PDB, но предназначено для хранения результатов моделирования молекулярной динамики, поэтому обеспечивает более высокую числовую точность и, опционально, сохраняет информацию о скорости частиц, а также об их положении в конкретный момент траектории моделирования. Информация о связях между атомами в GROMACS хранится в отдельных файлах топологии молекул и системы, а не в самом файле траектории. Типичным расширением файла GROMACS является .gro.

Формат CHARMM

Пакет молекулярной динамики CHARMM может читать и записывать множество стандартных химических и биохимических форматов файлов; однако форматы CARD (координаты) и PSF (файл структуры белка) во многом уникальны для CHARMM. Формат CARD имеет фиксированную ширину столбцов, похож на формат PDB и используется исключительно для хранения координат атомов. Файл PSF содержит информацию о связности атомов (описывающую химические связи между ними) и необходим перед началом моделирования. Обычно для этих файлов используются расширения crd и psf соответственно.

Формат GSD

Формат файла General Simulation Data (GSD) создан для эффективного чтения и записи данных общих симуляций частиц, в первую очередь, но не только, полученных из HOOMD blue. Пакет также включает модуль Python для удобного чтения и записи файлов схемы HOOMD GSD.

Формат файла "гемический"

Программное обеспечение Ghemical может использовать OpenBabel для импорта и экспорта множества форматов файлов. Однако по умолчанию используется формат GPR. Этот файл состоит из нескольких разделов, разделенных маркерами (!Header, !Info, !Atoms, !Bonds, !Coord, !PartialCharges и !End). Предлагаемый тип MIME для этого формата – application/x ghemical.

XYZ

Формат файла XYZ — это простой формат, который обычно содержит количество атомов в первой строке, комментарий во второй, а затем несколько строк с атомными символами (или атомными номерами) и декартовыми координатами.

Номер МДЛ

Номер MDL содержит уникальный идентификатор для каждой реакции и ее варианта. Формат следующий: RXXXnnnnnnnn. Буква R обозначает реакцию, XXX – базу данных, в которой хранится запись о реакции. Числовая часть, nnnnnnnn, представляет собой восьмизначное число.

Поддержка

Для Linux/Unix файлы конфигурации доступны в виде пакета "химических MIME-данных" в форматах deb, RPM и tar.gz для регистрации химических типов MIME на веб-сервере. Программы могут затем регистрироваться как средство просмотра, редактор или обработчик для этих форматов, обеспечивая полную поддержку химических типов MIME.

Источники химических данных

Вот краткий список источников свободно доступных молекулярных данных. В интернете существует гораздо больше ресурсов, чем перечисленных здесь. Ссылки на эти источники приведены в списке литературы ниже. База данных PubChem Национального института здравоохранения США – это огромный источник химических данных. Все данные представлены в двух измерениях. Данные доступны в форматах SDF, SMILES, PubChem XML и PubChem ASN1. Всемирный банк белковых данных (wwPDB) – отличный источник данных о молекулярных координатах белков и нуклеиновых кислот. Данные трехмерные и предоставляются в формате банка белковых данных (PDB). Является коммерческой базой данных для молекулярных данных. Данные включают в себя двухмерные схемы структур и SMILES-строки для каждого соединения. Поддерживает быстрый поиск подструктур на основе фрагментов молекулярной структуры. ChemExper – коммерческая база данных для молекулярных данных. Результаты поиска включают в себя двухмерные схемы структур и mole-файлы для многих соединений. Библиотека трехмерных молекулярных структур Нью-Йоркского университета. Сеть баз данных распределенного поиска токсичности (DSSTox) Агентства по охране окружающей среды США – это проект Программы вычислительной токсикологии EPA. База данных содержит молекулярные файлы SDF, с акцентом на канцерогенные и другие токсичные вещества.