📚 课程目录第4章分子描述符与理化性质预测

4. 分子描述符与理化性质预测

分子描述符是把化学结构翻译成数值向量的“中间语言”。在完成结构标准化、质子化状态枚举与三维构象生成之后，我们面对的仍然是一堆原子和键；而要让机器学习模型、相似性搜索或规则筛选真正“读懂”分子，就必须把它压缩成一组可计算、可比较、可解释的数字。本节围绕拓扑描述符、电子描述符、脂水分配系数、溶解度与 pKa 这几类最常用的性质展开，并讨论描述符筛选与共线性处理这一实际建模中最容易被忽视、却直接决定模型可靠性的环节。

拓扑描述符：从连接关系读出分子形状

拓扑描述符只依赖原子的连接方式，不依赖三维坐标，因此计算快、可复现性强，是描述符集合的“底座”。最基础的是原子计数与分子量，例如乙醇 C2H6O 的分子量为 46.07。再往上是环与不饱和度的刻画：环数、芳香环数、可旋转键数、氢键供体数（HBD）与氢键受体数（HBA）。以布洛芬为例，其分子式为 C13H18O2，分子量 206.28，含 1 个羧基（HBD=1，HBA=2）、1 个苯环、可旋转键约 4 个，这些数字直接对应它的亲脂性与膜渗透倾向。

更进一步的是基于图论的指数，如 Wiener 指数（所有原子对距离之和）、Randić 连接性指数、Balaban J 指数，以及扩展的 EState、Morgan 指纹等。它们把“分子长什么样”编码为连续数值。需要强调的是，拓扑描述符对立体化学不敏感：同一分子的对映体在多数拓扑描述符上完全一致，因此当手性影响活性时，必须额外引入手性描述符或三维描述符。

电子描述符：把电荷与极性量化

电子描述符刻画电子分布及其响应外场的能力，常见的有部分电荷（Gasteiger、MMFF94、AM1-BCC 等）、偶极矩、极化率、HOMO/LUMO 能级、电负性、以及拓扑极性表面积 TPSA。TPSA 是其中最具工程价值的一个：它近似反映分子表面极性区域的大小，常与 HBD/HBA 一起用于判断口服吸收。经验上，TPSA < 90 Å² 且 HBD ≤ 3 的分子更可能具备良好膜渗透性；当 TPSA > 140 Å² 时，被动扩散往往显著受限。

电子描述符对构象和质子化状态敏感。同一分子在中性态与阴离子态下，电荷分布、偶极矩和 TPSA 都会变化。因此计算电子描述符前，必须先确定目标 pH 下的主要质子化形态，否则得到的数值可能对应一个在生理条件下几乎不存在的物种。

脂水分配系数、溶解度与 pKa

脂水分配系数 logP 衡量中性分子在正辛醇与水之间的分配倾向，logD 则是在给定 pH 下所有形态的加权结果。二者关系可写为：

logD(pH) = logP - log10(1 + 10^(pH - pKa))   // 对一元酸
logD(pH) = logP - log10(1 + 10^(pKa - pH))   // 对一元碱

以一元酸为例，当 pH 远低于 pKa 时，分子以中性态为主，logD ≈ logP；当 pH 远高于 pKa 时，分子几乎完全解离，logD 随 pH 每升高 1 个单位下降约 1。这说明 logP 与 logD 不可混用：在 pH 7.4 的生理条件下，一个 pKa=4.5、logP=3.0 的酸，其 logD 约为 3.0 − (7.4 − 4.5) ≈ 0.1，亲脂性大幅下降。

溶解度分为热力学溶解度与动力学溶解度。热力学水溶解度常用 General Solubility Equation 估算：logS ≈ 0.5 − 0.01(MP − 25) − logP，其中 MP 为熔点（℃）。该式表明，高熔点与高 logP 都会降低溶解度。pKa 则决定电离程度，进而影响溶解度与 logD：可电离基团的引入常能显著提高水溶性，但也会改变被动渗透。实际工作中，pKa 可由实验测定，也可用 Henderson-Hasselbalch 关系从 logD-pH 曲线反推，或使用 RDKit、ChemAxon 等工具预测，预测值需与实验值交叉验证。

描述符筛选与共线性处理

把上述描述符全部算出来，一个分子很容易得到几百甚至上千维向量。直接送入模型会带来三个问题：维度灾难、过拟合，以及多重共线性导致的系数不稳定。共线性指的是两个或多个描述符高度线性相关，例如分子量与重原子数的相关系数常达 0.98，TPSA 与 HBA 也高度相关。当共线性严重时，线性回归的系数会随样本微小扰动而剧烈变化，模型解释性丧失。

处理流程通常分四步。第一步是缺失值与低方差过滤：删除缺失比例超过 20% 的描述符，删除方差接近 0 的常量列。第二步是相关性聚类：计算描述符两两之间的 Pearson 或 Spearman 相关系数，对 |r| > 0.9 的变量组，保留与目标性质相关性最高、或物理意义最清晰的一个。第三步是方差膨胀因子（VIF）检查：对每个描述符用其余描述符做回归，VIF = 1/(1−R²)，当 VIF > 10 时认为存在严重共线性，应剔除或合并。第四步是标准化与特征选择：对量纲差异大的描述符做 Z-score 标准化，再用 LASSO、随机森林重要性或递归特征消除挑选最终子集。

实操建议：在 RDKit 中可用 Descriptors.descList 批量计算约 200 个描述符，再用 pandas 的 corr() 生成相关矩阵，配合 seaborn.clustermap 可视化聚类。对 VIF，可用 statsmodels 的 variance_inflation_factor 逐列计算。注意：所有筛选都必须在训练集上完成，再应用到验证集，否则会造成信息泄漏。

常见误区：把 logP 与 logD 同时放入模型，或在 pH 7.4 场景下使用中性 logP 解释渗透性。前者引入冗余，后者忽略电离，都会让结论偏离真实体系。另一个误区是只做单变量筛选而忽略交互项，导致重要组合特征被误删。

一个可复用的描述符筛选检查表

步骤	操作	判断阈值	输出
1	缺失值过滤	缺失率 > 20% 删除	有效描述符列
2	低方差过滤	方差 < 0.01 删除	去常量列
3	相关性聚类	\|r\| > 0.9 保留代表	去冗余子集
4	VIF 检查	VIF > 10 剔除	低共线性子集
5	标准化	Z-score	统一量纲矩阵
6	特征选择	LASSO / RF 重要性	最终特征集

完成上述流程后，得到的描述符子集通常从数百维降到 20～50 维，既保留了拓扑、电子与理化性质的关键信息，又显著降低了共线性。此时再用于 QSAR 建模、相似性搜索或 ADMET 预测，模型的稳定性与可解释性都会明显提升。需要牢记的是，描述符筛选不是一次性动作，而应随数据集、目标性质与 pH 场景的变化重新评估。