基于MATLAB从SDF文件精准提取指定ID分子的技术需求

准备工作 #

• 确认SDF文件中每个分子的ID有固定标识行（比如常见的> <ID>，需匹配你的文件实际格式）
• 目标ID文本文件需每行一个ID，无多余空格或空行

实现代码 #

1. 加载目标ID并构建查找集合

% 替换为你的ID文件路径
idList = readlines('target_ids.txt');
idList = strtrim(idList);
% 用哈希集合加速ID查找
idSet = containers.Map(idList, ones(length(idList), 1));

2. 解析SDF并提取目标分子

% 替换为你的原始SDF路径和输出文件路径
inputFid = fopen('raw_molecules.sdf', 'r');
outputFid = fopen('extracted_molecules.sdf', 'w');

currentMol = [];
currentId = '';

while ~feof(inputFid)
    line = fgetl(inputFid);
    if ischar(line)
        % 检测SDF分子结束符
        if strcmp(line, '$$$$')
            currentMol = [currentMol, line, '\n'];
            % 匹配到目标ID则写入文件
            if isKey(idSet, currentId)
                fprintf(outputFid, currentMol);
                remove(idSet, currentId); % 避免重复提取（可选）
            end
            % 重置缓存
            currentMol = [];
            currentId = '';
        else
            % 匹配ID标识行，这里根据你的SDF格式修改
            if startsWith(line, '>  <ID>')
                idLine = fgetl(inputFid);
                currentId = strtrim(idLine);
                currentMol = [currentMol, line, '\n', idLine, '\n'];
            else
                currentMol = [currentMol, line, '\n'];
            end
        end
    end
end

fclose(inputFid);
fclose(outputFid);

3. 验证提取完整性

missingIds = keys(idSet);
if ~isempty(missingIds)
    fprintf('未找到的ID：\n');
    disp(missingIds);
else
    fprintf('所有目标ID均已提取完成！\n');
end

关键注意事项 #

• 必须匹配SDF实际格式：如果你的SDF中ID标识不是> <ID>，比如是> <MOLECULE_ID>，一定要修改代码中的判断条件
• 若SDF存在重复ID，remove(idSet, currentId)会确保每个ID只提取一次，不需要的话可以注释掉
• 对于超大规模SDF（百万级分子），可以修改为分块读取，但数千级分子用上述代码完全稳定

内容的提问来源于stack exchange，提问作者Math Simp