📚 课程目录第4章分子描述符与特征工程

4. 分子描述符与特征工程

在药物分子性质预测中，模型真正“看到”的并不是分子结构式，而是一组数值化的描述符。特征工程的质量，往往比换一个更复杂的算法更能决定预测上限。本节围绕四类核心特征——理化描述符、拓扑描述符、药效团特征，以及特征选择与降维策略——说明它们各自刻画什么、如何计算、在建模中如何取舍。

一、理化描述符：直接对应成药性质

理化描述符来自分子本身的物理化学属性，与吸收、分布、代谢、排泄和毒性高度相关，是性质预测中最先被使用的一类特征。常见的有：分子量（MW）、脂水分配系数（logP）、拓扑极性表面积（TPSA）、氢键供体数（HBD）、氢键受体数（HBA）、可旋转键数（RotB）、芳香环数、pKa、溶解度等。它们大多可由 RDKit 等工具直接计算。

以经典的“类药五规则”为例，MW≤500、logP≤5、HBD≤5、HBA≤10 是口服成药性的经验边界。这些描述符不仅可作为模型输入，也可作为数据过滤条件。例如在构建训练集时，先剔除 MW>800 或 RotB>15 的分子，可减少极端样本对模型的干扰。

from rdkit import Chem
from rdkit.Chem import Descriptors, Crippen, rdMolDescriptors

mol = Chem.MolFromSmiles("CC(=O)Oc1ccccc1C(=O)O")  # 阿司匹林
mw   = Descriptors.MolWt(mol)          # 180.16
logp = Crippen.MolLogP(mol)            # 1.31
tpsa = rdMolDescriptors.CalcTPSA(mol)  # 63.60
hbd  = rdMolDescriptors.CalcNumHBD(mol)  # 1
hba  = rdMolDescriptors.CalcNumHBA(mol)  # 4
rotb = rdMolDescriptors.CalcNumRotatableBonds(mol)  # 3

理化描述符的优点是物理意义明确、可解释性强；缺点是数量有限，难以区分结构相似但活性差异明显的分子。因此需要拓扑描述符补充结构信息。

二、拓扑描述符：从连接关系编码结构

拓扑描述符只依赖分子的原子连接关系，不考虑三维构象。它把分子抽象为图：原子是节点，化学键是边。常见的拓扑描述符包括：

分子指纹：如 Morgan/ECFP 指纹，以每个原子为中心，按半径逐层扩展并哈希成固定长度位向量（如 2048 位）。ECFP4 表示半径 2，能捕捉局部子结构。
MACCS 键：166 位预定义子结构模式，每一位对应一个 SMARTS 规则是否命中，可解释性好。
拓扑指数：如 Wiener 指数（所有原子对距离之和）、Randić 连接性指数、Balaban J 指数，用单一数值概括分子形状与分支程度。
图论描述符：度分布、环数、最短路径统计等。

指纹类描述符维度高、稀疏，适合树模型和相似性搜索；拓扑指数维度低，适合线性模型或作为补充特征。实际建模中常把 ECFP4（2048 位）与几十个理化描述符拼接，形成混合特征矩阵。

三、药效团特征：面向相互作用的关键要素

药效团描述的是分子与靶点结合所必需的空间和化学特征组合，通常包括氢键供体、氢键受体、芳香环、疏水中心、正/负电中心，以及它们之间的距离和角度约束。与拓扑描述符不同，药效团特征更关注“能否与靶点形成关键相互作用”，对骨架跃迁（scaffold hopping）更鲁棒。

在特征工程中，药效团可以两种方式使用：一是用 Pharm2D 指纹（如 Gobbi 指纹）把药效团模式编码为位向量；二是用 3D 药效团匹配打分作为特征。对于仅有 2D 结构的场景，常用基于 SMARTS 的药效团计数特征，例如统计分子中“芳香环-氢键受体-疏水中心”三元组的数量。

当训练集包含多个不同骨架的活性分子时，药效团特征往往比纯拓扑指纹更能保留活性信号，因为它抽象掉了具体原子类型，保留了相互作用模式。

四、特征选择与降维：控制维度与共线性

把上述特征拼接后，维度可能达到数千。高维会带来过拟合、训练慢和共线性问题。常用策略分两类：

特征选择保留原始特征子集，可解释性好。常用方法有：

方差过滤：删除取值几乎不变的位（如指纹中命中率<1% 的位）。
相关性过滤：对理化描述符计算 Pearson 相关系数，|r|>0.95 时保留其一。
基于模型的选择：用随机森林或 Lasso 得到特征重要性，保留 Top-K。
递归特征消除（RFE）：反复训练并剔除最弱特征。

降维把特征映射到低维空间，牺牲部分可解释性换取紧凑表示。主成分分析（PCA）是最常用的线性方法；对于指纹类高维稀疏数据，也可用 TruncatedSVD。需要强调的是，PCA 必须在训练集上拟合，再变换验证集和测试集，否则会造成信息泄漏。

五、实操建议与常见陷阱

第一，先做数据划分，再做特征工程。任何依赖全体数据的操作（标准化、PCA、特征选择）都只能在训练集上拟合，再应用到验证集和测试集。否则交叉验证分数会虚高。

第二，理化描述符要标准化。MW 在数百量级，而 HBD 只有个位数，若不标准化，距离类模型和正则化模型会被大量纲特征主导。树模型对此不敏感，可省略。

第三，指纹位不要标准化。ECFP 位是 0/1 变量，标准化会破坏其稀疏语义，通常直接使用或做方差过滤即可。

第四，特征数量与样本量匹配。经验上每个特征至少对应 5–10 个样本；若样本仅几百，应优先使用理化描述符加少量拓扑指数，而不是直接拼接 2048 位指纹。

常见错误：在包含重复分子或高度相似类似物的数据集上随机划分，会导致训练集和测试集信息泄漏，使模型评估过于乐观。建议按骨架（Murcko scaffold）划分，或使用聚类划分。

综合来看，一个稳健的特征工程方案通常是：以理化描述符和少量拓扑指数作为基础特征，按任务需要加入 ECFP4 或药效团指纹，先做方差与相关性过滤，再用 Lasso 或随机森林重要性做二次筛选，最后在训练集上拟合标准化或 PCA。这样既保留了可解释性，也控制了维度与过拟合风险。