Big Data se ha vuelto omnipresente en los últimos años, y especialmente en disciplinas con patrones de datos heterogéneos y complejos. Esto es particularmente cierto para la química. En algunas formas, Los compuestos químicos pueden compararse con sinónimos en lingüística porque un compuesto en particular puede representarse de varias formas. Para complicar aún más las cosas, algunos de ellos ni siquiera tienen una estructura específica y solo existen como una amalgama de formas que se transforman entre sí. Por eso es importante que los investigadores sepan si están tratando con diferentes compuestos o con diferentes representaciones del mismo.

Algunas veces, Las bases de datos también tienen errores derivados de la falta de atención del usuario. Se necesita un software especial para detectar y corregir tales errores. En el caso de la química orgánica, Las reacciones son notoriamente difíciles de analizar. Es por eso que los datos de reacción en quimioinformática están mucho menos desarrollados que la información sobre moléculas individuales.

El Laboratorio de Quimioinformática y Modelado Molecular (Universidad Federal de Kazán) ha estado trabajando en este problema desde 2013. Los investigadores han aprendido a predecir las características de reacción, encontrar las condiciones óptimas de reacción, y detectar y corregir errores de datos. Como resultado, ha surgido una base de datos única de características de reacción. En la actualidad, incluye 3,5 millones de entradas. KFU es el único miembro ruso de Reaxys R&D Collaboration, un trabajo colectivo en bases de datos químicas.

En este nuevo proyecto, titulado CGRtools, Los investigadores de KFU resolvieron una serie de problemas para manejar mejor la información de reacción. La biblioteca de software es significativamente más rica en funcionalidad que todas las herramientas existentes. CGRtools soporta moléculas y reacciones como objetos. CGRtools trata los objetos químicos de manera similar a los tipos de datos estándar de Python, como enteros, instrumentos de cuerda, etc. Cada objeto químico se puede hash debido a la canonicalización de la numeración de átomos. Los objetos admiten la herencia de clases transparente, que aumenta los métodos y atributos existentes sin romper los existentes.

En tono rimbombante, la biblioteca está disponible gratuitamente en https://github.com/cimmkzn/CGRtools.