在分子动力学（MD）模拟中，我们通常需要对模拟输出的数据进行预处理，以便更好地分析和可视化这些数据。今天，我将分享一个简单的Python脚本，帮助你整理和规范Desmond生成的蛋白质-配体相互作用数据，为后续的可视化做好准备。
为了处理方便，我们首先需要将分子动力学产生的数据文件进行整理，将相互作用方式整理至Excel文件中，本例中整理的数据与上期分子动力学数据可视化：氨基酸相互作用热图的高效绘制！中的结果一致。
一共分为三列，第一列Frame为时间帧，第二列Amino_Acid为氨基酸名称和编号，第三列Interaction为相互作用类型。
1. 数据预处理：从Excel读取并归一化数据
为了进行数据可视化，首先需要从Desmond生成的Excel文件中读取相关的相互作用数据，并统计不同氨基酸参与的相互作用类型频次。通过使用Python的pandas库，我们可以轻松实现这些操作。
在下面的代码中，我们首先读取了Summary工作表，并根据每个氨基酸和相互作用类型对其频次进行了统计。本例中我们进行了200ns的分子动力学模拟，一共1000帧轨迹，接下来我们将频次除以1000就得到了相互作用频率，以便后续图表的绘制。
import pandas as pd
def process_and_sort_excel(file_path):
# 读取Excel文件
xls = pd.ExcelFile(file_path)
# 假设'Summary'工作表是我们要处理的表
sheet_name_summary = 'Summary'
# 读取'Summary'工作表的数据
df_summary = pd.read_excel(file_path, sheet_name=sheet_name_summary)
# 统计每个氨基酸相互作用类型的频次
interaction_counts = df_summary.groupby(['Amino_Acid', 'Interaction']).size().reset_index(name='Frequency')
# 将频次除以1000并添加为新列
interaction_counts['Frequency (scaled)'] = interaction_counts['Frequency'] / 1000
2. 数据存储：将处理结果写入新的工作表
在处理完频次数据后，我们将这些信息存储到Excel文件的新工作表中。这里我们使用了pandas的ExcelWriter来将新的数据写入到原Excel文件中，确保不会丢失其他重要数据。
# 写入到新工作表
new_sheet_name_scaled = 'Interaction_Frequency_Scaled'
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a') as writer:
interaction_counts.to_excel(writer, sheet_name=new_sheet_name_scaled, index=False)
print(f"数据已写入'{file_path}'文件的'{new_sheet_name_scaled}'工作表中。")
3. 数据排序：按照氨基酸序号排序
为了使可视化结果更具逻辑性，我们需要根据氨基酸的序号对数据进行排序。代码中的正则表达式将从氨基酸名称中提取数字部分，并对其进行升序排列。这一步骤确保了在后续绘制图表时，氨基酸的顺序能够与蛋白质序列保持一致。
# 提取'Amino_Acid'列中的数字部分作为新的列
interaction_counts['Amino_Acid_Num'] = interaction_counts['Amino_Acid'].str.extract(r'_(\d+)').astype(int)
# 根据'Amino_Acid_Num'列进行升序排序
interaction_counts_sorted = interaction_counts.sort_values(by='Amino_Acid_Num')
# 重新排列列的顺序
interaction_counts_sorted = interaction_counts_sorted[
['Amino_Acid', 'Interaction', 'Frequency', 'Frequency (scaled)', 'Amino_Acid_Num']]
4. 输出最终结果：写入排序后的数据
最后，我们将排序后的结果写入到同一Excel文件中的另一个工作表。这样，我们既能保持数据完整性，又能方便在下一步绘图时使用排序后的数据。
# 写入到同一Excel文件的新工作表中
new_sheet_name_sorted = 'Interaction_Frequency_Sorted'
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a') as writer:
interaction_counts_sorted.to_excel(writer, sheet_name=new_sheet_name_sorted, index=False)
print(f"排序后的数据已写入'{file_path}'文件的'{new_sheet_name_sorted}'工作表中。")
# 调用函数处理和排序Excel文件
file_path = 'Contacts.xlsx'
process_and_sort_excel(file_path)
完整代码
import pandas as pd
def process_and_sort_excel(file_path):
# 读取Excel文件
xls = pd.ExcelFile(file_path)
# 假设'Summary'工作表是我们要处理的表
sheet_name_summary = 'Summary'
# 读取'Summary'工作表的数据
df_summary = pd.read_excel(file_path, sheet_name=sheet_name_summary)
# 统计每个氨基酸相互作用类型的频次
interaction_counts = df_summary.groupby(['Amino_Acid', 'Interaction']).size().reset_index(name='Frequency')
# 将频次除以1000并添加为新列
interaction_counts['Frequency (scaled)'] = interaction_counts['Frequency'] / 1000
# 写入到新工作表
new_sheet_name_scaled = 'Interaction_Frequency_Scaled'
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a') as writer:
interaction_counts.to_excel(writer, sheet_name=new_sheet_name_scaled, index=False)
print(f"数据已写入'{file_path}'文件的'{new_sheet_name_scaled}'工作表中。")
# 提取'Amino_Acid'列中的数字部分作为新的列
interaction_counts['Amino_Acid_Num'] = interaction_counts['Amino_Acid'].str.extract(r'_(\d+)').astype(int)
# 根据'Amino_Acid_Num'列进行升序排序
interaction_counts_sorted = interaction_counts.sort_values(by='Amino_Acid_Num')
# 重新排列列的顺序
interaction_counts_sorted = interaction_counts_sorted[
['Amino_Acid', 'Interaction', 'Frequency', 'Frequency (scaled)', 'Amino_Acid_Num']]
# 写入到同一Excel文件的新工作表中
new_sheet_name_sorted = 'Interaction_Frequency_Sorted'
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a') as writer:
interaction_counts_sorted.to_excel(writer, sheet_name=new_sheet_name_sorted, index=False)
print(f"排序后的数据已写入'{file_path}'文件的'{new_sheet_name_sorted}'工作表中。")
# 调用函数处理和排序Excel文件
file_path = 'Contacts.xlsx'
process_and_sort_excel(file_path)
下面看一下数据整理后的结果。产生了两个工作表 Interaction_Frequency_Scaled 和 Interaction_Frequency_Sorted 。其中 Interaction_Frequency_Scaled 工作表对每个氨基酸和相互作用类型对其频次和频率进行了统计。
Interaction_Frequency_Sorted 工作表根据 Interaction_Frequency_Scaled 工作表的结果根据氨基酸的编号进行了排序，以方便后续的绘图。
5. 总结
通过这个简单的Python脚本，我们能够高效地对Desmond分子动力学模拟数据进行预处理，包括统计、归一化和排序。这样处理过的数据为后续的可视化奠定了基础，可以更加直观地展示蛋白质-配体相互作用的频率分布。
在接下来的推文中，我将介绍如何基于这些处理过的数据绘制堆叠柱状图，帮助大家更好地分析分子动力学结果。
如果你对这类数据处理和可视化感兴趣，不妨尝试一下这段代码，并关注我们的后续更新。
▼
