Chemoinformatik mit dem Chemical Development Kit

Blue Obelisk: Gruppe von Chemikern und Programmierern, die sich für offene Standards, Open Data und Open Source in der Chemie einsetzt.

CML: Ein XML-basiertes Dokumentenformat zur Darstellung chemischer Formeln und anderer Sachverhalte. Die Entwickler bezeichnen es als "HTML für Moleküle".

Inchi: Eine von der IUPAC (International Union of Pure and Applied Chemistry, der wichtigste Herausgeber von Standards in der Chemie) standardisierte Notation von chemischen Strukturformeln als Zeichenketten.

NMR (Kernmagnetische Resonanzspektroskopie): Verbreitete Methode zur Strukturaufklärung insbesondere organischer Moleküle. NMR beruht darauf, dass manche Atomkerne einen Spin, also vereinfacht ein magnetisches Drehmoment haben. Deshalb lassen sich Wechselwirkungen mit einem angelegten magnetischen Feld beobachten.

Die Wechselwirkungen einzelner Atomkerne sind abhängig von der "elektronischen Umgebung" des Kerns, also von der ihn umgebenden Elektronenhülle, und anderen "magnetischen" Kernen in der Nähe. Daraus lassen sich Strukturinformationen gewinnen.

Open Notebook Science: Ein von Open Source inspiriertes Prinzip der naturwissenschaftlichen Forschung, bei der Wissenschaftler Versuchsabläufe und Rohdaten von Ergebnissen zeitnah für alle einsehbar ins Internet stellen, das Laborjournal (Notebook) der Forscher also offen zugänglich ist.

Pubc Chem: Ein Verbund frei zugänglicher Datenbanken mit Millionen von chemischen Strukturformeln und anderen Informationen über Moleküle.

QSAR/QSPR: QSAR (Quantitative Structure Activity Relationship) und QSPR (Quantitative Structure Property Relationship) stellen Beziehungen zwischen der Struktur eines Moleküls und seinen Wirkungen beziehungsweise Eigenschaften dar. Das können pharmakologische oder biologische Wirkungen sein, wie sie zum Beispiel in der Pharmaforschung wichtig sind, aber auch physikalische oder chemische Eigenschaften. Oft wird der Begriff QSAR sowohl für biochemische Wirkungen als auch physikalische Eigenschaften verwendet. Ein sehr einfaches Beispiel für QSPR stellt der Zusammenhang zwischen der Kettenlänge ansonsten gleich aufgebauter (homologer) Kohlenwasserstoffe und deren Siedepunkt dar, ein etwas praxisnäheres wäre die Wirkung eines Moleküls auf ein bestimmtes Enzym.

Dem Molekül oder einzelnen seiner Atome ordnet man in einer Reihe so genannter Deskriptoren physikalische, chemische, topologische oder elektrische Eigenschaften zu und ermittelt dann Korrelationen zu Wirkungen. QSARs für die pharmakologischen Forschung herauszufinden ist ein komplizierter Vorgang und erfordert Methoden zur Hypothesenbildung sowie aufwändige statistische Berechnungen.

Smiles (Simplified Molecular Input Line Entry System): Verbreitete Notation, um chemische Strukturformeln vorzugsweise organischer Moleküle als Ascii-Strings zu repräsentieren. Das Format wird von der Firma Daylight kontrolliert, die offene Variante Open Smiles stammt von der Vereinigung Blue Obelisk.

Linux-Magazin: Wenn Sie den heutigen Stand des CDK mit dem vergleichen, was Sie vorhatten, als das Projekt startete, wie hat es sich entwickelt?

E.-Willighagen: Das CDK ist viel größer geworden, als ich damals geglaubt hatte. Der Artikel von damals wurde inzwischen 66-mal zitiert und wir haben mehr als 50 Leute, die Beiträge geleistet haben, auch wenn viele davon eher klein waren. Das CDK mag zwar nicht immer so mächtig sein wie kommerzielle Tools, aber wir haben eine Bibliothek mit allen Grundfunktionen und ein paar ausgesprochenen Perlen hier und da. Die offene Natur des Projekts gibt den Nutzern das Vertrauen, das sie vielleicht auch kommerziellen Angeboten entgegenbringen.

Linux-Magazin: In vielen Ihrer Publikationen setzen Sie sich für Open-Source-Chemoinformatik ein, weil sowohl die Algorithmen als auch die Implementierung einer Peer Review unterzogen werden kann.

E.-Willighagen: Es gibt natürlich Ansätze, die Peer Reviews von proprietärer Software erlauben, aber niemals in der Transparenz wie bei Open Source. Kommerzielle Lizenzen haben oft Klauseln, die bestimmte Dinge verbieten, zum Beispiel konkurrierende Implementierungen zu bauen. Damit verhindert man vernünftige Evaluierung.

Linux-Magazin: Warum wird Open-Source-Software für ernsthafte wissenschaftliche Arbeit immer noch so selten in großem Stil eingesetzt?

E.-Willighagen: Ich glaube, das liegt daran, wie Wissenschaft finanziert wird. Die Forschung erledigen zum großen Teil Doktoranden und Postdocs mit Zeitverträgen. Wenn diese beendet sind, hören sie auf, sich um die Software zu kümmern. Für mich war Open-Source-Chemoinformatik immer ein Hobby und hatte zum Beispiel mit meiner Doktorarbeit nichts zu tun. Die meisten anderen Projekte in der Chemoinformatik sind ziemlich klein, CDK ist eines der größten.

Linux-Magazin: Wie finanziert sich die Entwicklungsarbeit?

E.-Willighagen: Nicht direkt. Teile der Forschungsarbeit sind oft wieder verwendbar und finden dann ihren Weg in Softwarebibliotheken. Das CDK wird somit also indirekt mitfinanziert. Die meiste Zeit als Release Manager hatte mein normaler Job nichts mit dem CDK zu tun. Christoph Steinbeck ist in der glücklichen Lage, Leute für Forschung in der Chemoinformatik bezahlen zu können, und er glaubt wie ich an Open Source.

Linux-Magazin: Was könnte man tun, damit die Entwicklung nachhaltiger wird?

E.-Willighagen: Christoph Steinbeck [Mitinitiator des CDK, Anm. d. Red.] hat jetzt durch das Industry Program am European Bioinformatics Institute wieder ausgezeichnete Kontakte zur Industrie, die großes Interesse am CDK zeigt. Ich selbst habe mich der Bioclipse-Gruppe angeschlossen und sehe das auch als wichtige Plattform, um das CDK zu promoten. Bei Bioclipse könnte möglicherweise ein kommerzielles Spin-off entstehen, das dann auch die Entwicklung von Open-Source-Software finanzieren sollte.

Was die größere Verbreitung angeht, kann man die Rolle der Linux-Distributionen kaum überbewerten, vor allem die Standardisierungen im Paketmanagement, beispielsweise bei Debian GNU/Linux. Jedes vernünftige freie Projekt sollte seine Software für die Distributionen verfügbar machen, also Portabilität und offene Standards beachten.

Linux-Magazin: Zur Beliebtheit einer Software trägt ja auch gute Dokumentation bei. Können wir bald bessere Dokumentation oder Tutorials zum CDK erwarten?

E.-Willighagen: Die CDK-Entwickler werden nur dafür bezahlt, die Software bei der Forschung einzusetzen. Als Folge davon leidet die Dokumentation, weil niemand einen Grund sieht, sich wirklich darum zu kümmern. Aber sie wird sich verbessern. Ich arbeite gerade an einem Buch "Groovy Cheminformatics" mit vielen Codebeispielen zum CDK mit Groovy. Davon wird einiges als Dokumentation ins Projekt zurückfließen.

Linux-Magazin: Letzte Frage, was macht bei der Arbeit am CDK am meisten Spaß?

E.-Willighagen: Die Erfahrung, dass es Leuten tatsächlich dabei hilft, ihre Forschungsarbeit zu erledigen.

Linux-Magazin: Und was nervt gelegentlich?

E.-Willighagen: Die fehlende Zeit, um mehr Programmcode zu schreiben und diesen auch besser zu dokumentieren.

Das folgende Beispiel setzt voraus, dass auf Ihrem System eine lauffähige Java-Implementierung existiert, beispielsweise JDK 1.6.x oder zumindest eine JRE. Als Umgebung, um das CDK auszuprobieren und einige Funktionen zu demonstrieren, eignet sich die Skriptsprache Groovy, weil sie auch ohne Java-Kenntnisse nahezu intuitiv einsetzbar ist und deutlich weniger Code erfordert als Java.

Zur Installation von Groovy im Homedirectory folgen Sie den knappen Anweisungen auf [14]. Das dort angebotene Zip-Paket sollte auf allen aktuellen Linux-Distributionen einsetzbar sein. Besorgen Sie sich dann das Jar-File mit dem aktuellen CDK von [2] (beispielsweise »cdk-1.2.2.jar«) und fügen dessen Pfad zum Classpath hinzu. Alternativ können Sie die Datei auch direkt in das Verzeichnis »lib« unterhalb der Groovy-Installation kopieren. Starten Sie dann mit

./Groovy-Verzeichnis/bin/groovyConsole

die Groovy-Konsole. Dort lassen sich Groovy-Dateien öffnen oder kleine Codeschnipsel direkt eingeben und mit [Strg]+[R] ausführen. Die Groovy-Konsole enthält auch einen Objektbrowser, der ganz nützlich ist, um sich etwas in den Klassen des CDK umzuschauen (»Script | Inspect Last« ). Das folgende Listing erzeugt zunächst einmal etwas (virtuellen) Ethylalkohol und demonstriert damit das Anlegen von Atomen und Bindungen.

import org.openscience.cdk.interfaces.*
import org.openscience.cdk.*;
atom1 = new Atom("C")
atom2 = new Atom("C")
atom3 = new Atom("O")
bond1 = new Bond(atom1, atom2, IBond.Order.SINGLE) 
bond2 = new Bond(atom2, atom3, IBond.Order.SINGLE) 

Viele weitere Beispiele, um mit Groovy das CDK zu entdecken, finden sich in [15].