【W5の目的】
・化合物をグループ化する方法と、多様性のある化合物セットを選ぶ方法
を学びます。Python版TeachOpenCADDのT5が対応しますが、こちらはより発展的です。

W5の本体であるメタノード「5. Compound clustering」

のStep1で階層型クラスタリングを体験しました。

Step2.1ではクラスターサイズを算出してデータ処理します。今回は上下に分岐しているうちの上部のworkflowだけ扱います。最大のクラスターを抽出します。

【GroupBy】

GroupByは何度か紹介済みです。

設定：
各クラスターのIDであるCluster numberで集計します。

化合物にとって一意のIDであるmolecule_chembl_idの数を数えれば化合物数がわかります。

結果：

674個のクラスターへ分類されています。しかし一見してわかる通り、Cluster number 0～7, 10, 12, …と化合物数が1つだけのシングルトンがかなりありますね。
次回になりますが分布をみます。

今回は最大のクラスターを抽出します。

【メタノード ”Select largest cluster”】

わざわざメタノードにしてありますが、中身は2つのノードです。

【Sorter】

化合物数で降順に並べ替えます。

設定：

結果：

クラスターのIDが”332”のクラスターが最多の156化合物で構成されています。

【Row Filter】

日本語化されたディスクリプションより

ノードでは、特定の基準に従って行をフィルタリングできます。特定の範囲（行番号による）、特定の行IDを持つ行、および選択可能な列（属性）内の特定の値を持つ行を含めることも除外することもできます。

今回は一番上の1行だけに絞ります。

設定：

結果：

見ての通りです。
この後Cluster number“332”をキーにデータ抽出処理をします。

【Joiner】

Joinerも何度か利用してますね。

設定：
Inner JoinでCluster number“332”のデータを集めてきます。

すべてのカラムを取ってくる設定になっています。
直後にColumn Filterでカラムを絞っているので、ここでまとめて処理してもよさそうに思います。

結果：
Cluster number“332”の156化合物の全データが取れました。

【Column Filter】

頻出ノードですね。

設定：

フィンガープリントと距離ベクトルを除いています。

結果は省略させていただきます。
ここで出力された156化合物のデータは、W6でMCS解析に用いられます。詳しくはその時にまた。

【CSV Writer】

頻出ノードなのでまっきーさんの記事の再掲で以下略とします。

今回は以上です。次はStep2.1の下部を扱います。