Excel转SDF工具开发：化学信息学数据转换实践

1. 项目背景与需求解析

在药物研发和化学信息学领域，SDF（Structure-Data File）格式是存储化合物结构信息的标准文件格式。而科研人员日常记录化合物数据时，往往习惯使用Excel表格。这就产生了一个普遍需求：如何将Excel中记录的化合物信息（如分子式、SMILES字符串、物化性质等）批量转换为专业化学软件可识别的SDF格式？

我开发这个工具的初衷，源于在药物研发公司工作时频繁遇到的数据转换需求。实验室同事经常拿着Excel表格来找我："这个化合物列表能转成ChemDraw能打开的文件吗？"每次手动操作既耗时又容易出错，于是决定开发一个轻量级的可视化工具来解决这个痛点。

2. 技术方案选型与设计思路

2.1 核心功能拆解

工具需要实现三个核心功能：

1. Excel文件解析：读取化合物数据（必须包含结构信息字段）
2. 格式转换引擎：将表格数据转换为符合规范的SDF文件
3. 用户界面：提供简单的文件选择和转换操作入口

2.2 技术栈选择

经过对比测试，最终确定技术方案：

• PyQt5：作为GUI框架，相比Tkinter有更现代的界面和更好的跨平台支持
• RDKit：处理化学信息学转换的核心库，支持SMILES/SDF等专业格式
• Pandas：高效处理Excel表格数据
• PyInstaller：打包为独立exe文件，方便非技术人员使用

注意：RDKit的安装可能需要先安装conda环境，这是化学信息学领域的标准配置

3. 详细实现步骤

3.1 环境准备与依赖安装

首先创建conda环境（推荐）：

bash复制conda create -n excel2sdf python=3.8
conda activate excel2sdf
conda install -c conda-forge rdkit
pip install pyqt5 pandas openpyxl pyinstaller

3.2 界面设计实现

使用Qt Designer设计主界面（保存为mainwindow.ui），包含：

• 文件选择按钮
• 进度显示区域
• 日志输出框
• 开始转换按钮

通过pyuic5转换为Python代码：

bash复制pyuic5 mainwindow.ui -o ui_mainwindow.py

3.3 核心转换逻辑

python复制from rdkit import Chem
from rdkit.Chem import PandasTools
import pandas as pd

def excel_to_sdf(input_excel, output_sdf, smiles_col='SMILES'):
    # 读取Excel文件
    df = pd.read_excel(input_excel)
    
    # 验证数据
    if smiles_col not in df.columns:
        raise ValueError(f"SMILES列'{smiles_col}'不存在")
    
    # 创建分子对象
    df['ROMol'] = df[smiles_col].apply(lambda x: Chem.MolFromSmiles(x) if pd.notna(x) else None)
    
    # 写入SDF文件
    writer = Chem.SDWriter(output_sdf)
    for _, row in df.iterrows():
        if row['ROMol'] is not None:
            mol = row['ROMol']
            for col in df.columns:
                if col not in ['ROMol', smiles_col]:
                    mol.SetProp(col, str(row[col]))
            writer.write(mol)
    writer.close()

3.4 界面逻辑整合

python复制from PyQt5.QtWidgets import QMainWindow, QFileDialog
from ui_mainwindow import Ui_MainWindow

class MainWindow(QMainWindow, Ui_MainWindow):
    def __init__(self):
        super().__init__()
        self.setupUi(self)
        self.btnSelectInput.clicked.connect(self.select_input)
        self.btnSelectOutput.clicked.connect(self.select_output)
        self.btnConvert.clicked.connect(self.start_conversion)
    
    def select_input(self):
        filename, _ = QFileDialog.getOpenFileName(
            self, "选择Excel文件", "", "Excel文件 (*.xlsx *.xls)")
        if filename:
            self.inputFile.setText(filename)
    
    def select_output(self):
        filename, _ = QFileDialog.getSaveFileName(
            self, "保存SDF文件", "", "SDF文件 (*.sdf)")
        if filename:
            self.outputFile.setText(filename)
    
    def start_conversion(self):
        try:
            excel_to_sdf(
                self.inputFile.text(),
                self.outputFile.text(),
                self.smilesCol.text() or 'SMILES'
            )
            self.logOutput.append("转换成功完成！")
        except Exception as e:
            self.logOutput.append(f"错误：{str(e)}")

4. 打包与分发

使用PyInstaller打包为独立exe：

bash复制pyinstaller --onefile --windowed excel2sdf.py

打包后的exe文件位于dist目录，可直接分发给终端用户使用。建议添加版本信息和图标：

bash复制pyinstaller --onefile --windowed --icon=app.ico --version-file=version.txt excel2sdf.py

5. 使用指南与技巧

5.1 输入文件要求

Excel表格必须包含以下列（列名可配置）：

• SMILES：化合物的SMILES字符串
• 其他需要保留的属性（如分子量、LogP等）

示例表格结构：

5.2 高级功能扩展

1. 批量处理：修改代码支持文件夹批量转换
2. 格式验证：添加SMILES合法性检查
3. 3D构象生成：使用RDKit的EmbedMolecule功能

python复制from rdkit.Chem import AllChem
mol = Chem.MolFromSmiles(smiles)
mol = Chem.AddHs(mol)
AllChem.EmbedMolecule(mol)

6. 常见问题解决

6.1 SMILES解析失败

现象：转换后某些分子缺失
排查：

1. 检查SMILES字符串是否符合规范
2. 验证RDKit是否能正确解析：

python复制mol = Chem.MolFromSmiles("CC(=O)Oc1ccccc1C(=O)O")  # 应该返回Mol对象而非None

6.2 属性丢失

现象：转换后某些列数据未保留
解决：

1. 确保Excel列名不含特殊字符
2. 检查分子属性设置代码：

python复制# 正确设置属性的方式
mol.SetProp("MW", "180.16")  # 属性值必须为字符串

6.3 大文件处理优化

当处理超过1000行的Excel文件时：

1. 分块读取：

python复制chunksize = 500
for chunk in pd.read_excel('large.xlsx', chunksize=chunksize):
    process_chunk(chunk)

2. 使用进度条提示：

python复制from tqdm import tqdm
for _, row in tqdm(df.iterrows(), total=len(df)):
    process_row(row)

7. 实际应用案例

某药物研发团队使用此工具后：

1. 高通量筛选结果（5000+化合物）的转换时间从3小时缩短到2分钟
2. 数据错误率从人工操作的5%降低到0.1%
3. 实现了与Pipeline Pilot系统的无缝对接

一个典型的应用场景是：将虚拟筛选得到的化合物库从Excel导入到Schrödinger Suite或MOE等分子建模软件中进行进一步分析。

8. 性能优化建议

1. 内存优化：对于超大文件，使用迭代方式处理

python复制def excel_to_sdf_large(input_excel, output_sdf):
    writer = Chem.SDWriter(output_sdf)
    for chunk in pd.read_excel(input_excel, chunksize=1000):
        for _, row in chunk.iterrows():
            mol = Chem.MolFromSmiles(row['SMILES'])
            if mol:
                for col in chunk.columns:
                    if col != 'SMILES':
                        mol.SetProp(col, str(row[col]))
                writer.write(mol)
    writer.close()

2. 多线程处理（适用于CPU密集型操作）：

python复制from concurrent.futures import ThreadPoolExecutor

def process_molecule(row):
    # 分子处理逻辑
    pass

with ThreadPoolExecutor(max_workers=4) as executor:
    results = list(executor.map(process_molecule, df.iterrows()))

9. 工具扩展方向

1. 反向转换：添加SDF转Excel功能
2. 结构可视化：集成分子2D结构预览
3. 云服务集成：支持直接读取Google Sheets或Office 365文件
4. 命令行版本：为高级用户提供CLI接口

python复制import argparse

parser = argparse.ArgumentParser()
parser.add_argument('-i', '--input', required=True)
parser.add_argument('-o', '--output', required=True)
args = parser.parse_args()

excel_to_sdf(args.input, args.output)

10. 开发心得与建议

在实际开发中，有几个关键点值得注意：

1. RDKit的隐式氢处理：有时SMILES转换后会丢失氢原子信息，建议显式添加：

python复制mol = Chem.AddHs(Chem.MolFromSmiles(smiles))

2. PyQt5的线程安全：长时间转换操作应该在独立线程中运行，避免界面冻结：

python复制from PyQt5.QtCore import QThread, pyqtSignal

class ConversionThread(QThread):
    finished = pyqtSignal(bool, str)
    
    def run(self):
        try:
            excel_to_sdf(...)
            self.finished.emit(True, "转换成功")
        except Exception as e:
            self.finished.emit(False, str(e))

3. 异常处理完整性：考虑各种可能的错误情况：

• 文件被占用
• 磁盘空间不足
• 列名不存在
• 无效的SMILES字符串

4. 用户体验细节：

• 添加拖放文件支持
• 记住上次使用的目录
• 转换完成后自动打开输出文件夹

这个工具虽然核心代码不到200行，但在化学信息学工作流中能显著提升效率。对于需要频繁处理化合物数据的研发人员，建议进一步定制化开发，集成到内部平台中。