4. 分子描述符计算

在QSAR建模中，分子描述符是把“化学结构”翻译成“数值向量”的桥梁。模型看到的从来不是苯环、羟基或氢键受体，而是一列列数字。因此，描述符计算的质量直接决定了后续特征选择、模型训练和活性预测的可解释性。本节围绕四类最常用的描述符——理化性质、拓扑描述符、分子指纹，以及RDKit与PaDEL两套实操工具展开，目标是让读者能够独立完成一次“从SMILES到描述符矩阵”的完整计算。

一、四类描述符的定位与差异

理化性质描述符直接对应分子的宏观物理化学行为，例如分子量（MolWt）、脂水分配系数（MolLogP）、拓扑极性表面积（TPSA）、氢键供体/受体数（NumHDonors/NumHAcceptors）、可旋转键数（NumRotatableBonds）等。它们数值连续、物理意义明确，是ADMET性质预测和类药性规则（如Lipinski五规则）的基础。

拓扑描述符从分子图的连接关系出发，不依赖三维构象。常见的有Wiener指数、Balaban指数、Kappa形状指数、Chi系列（如Chi0v、Chi1v）以及价连接性指数。它们对分子大小、分支程度和环结构敏感，适合刻画结构骨架差异。

分子指纹则是把结构编码为定长或变长的位串。MACCS Keys为166位，Morgan/ECFP为圆形指纹，通过半径参数控制邻域范围，RDKit指纹为路径型。指纹适合相似性搜索、聚类和基于片段的活性分类，但单独用于回归时解释性较弱。

三类描述符并非互斥。实际建模中常将理化性质与拓扑描述符拼接为连续特征，再与指纹或指纹降维结果组合，形成混合特征矩阵。

二、RDKit实操：从SMILES到描述符

RDKit是Python生态中最常用的化学信息学工具。以下示例以阿司匹林（乙酰水杨酸）的SMILES为例，演示如何计算理化性质与Morgan指纹。示例参数与输出为教学演示，实际数值以运行环境为准。

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

smi = "CC(=O)Oc1ccccc1C(=O)O"
mol = Chem.MolFromSmiles(smi)

# 理化性质
mw   = Descriptors.MolWt(mol)          # 分子量
logp = Descriptors.MolLogP(mol)        # 脂水分配系数
tpsa = rdMolDescriptors.CalcTPSA(mol)  # 拓扑极性表面积
hbd  = rdMolDescriptors.CalcNumHBD(mol)
hba  = rdMolDescriptors.CalcNumHBA(mol)
rotb = rdMolDescriptors.CalcNumRotatableBonds(mol)

# Morgan指纹（半径2，2048位）
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
bits = fp.ToBitString()
print(mw, logp, tpsa, hbd, hba, rotb)
print("指纹非零位数:", fp.GetNumOnBits())

运行后应得到一组连续数值和一条2048位指纹。判断计算是否正常，可检查：分子量是否在合理范围（阿司匹林约180）、TPSA是否为正、指纹非零位数是否远小于2048（稀疏性正常）。若MolFromSmiles返回None，说明SMILES不合法，需先清洗输入。

三、PaDEL实操：批量计算与命令行

当分子数量达到数百至数万时，PaDEL-Descriptor的批量能力更高效。它基于Java，支持SDF或SMILES列表输入，输出CSV格式的描述符矩阵。典型命令如下：

java -jar PaDEL-Descriptor.jar \
  -removesalt -standardizenitro -detectaromaticity \
  -descriptortypes descriptors.xml \
  -dir ./molecules \
  -file ./output/descriptors.csv

其中-removesalt去除盐离子，-standardizenitro标准化硝基，-detectaromaticity检测芳香性。输出CSV第一列为分子名，后续每列为一个描述符。PaDEL默认计算约1800个1D/2D描述符，包括理化性质、拓扑指数和指纹类特征。使用时需注意：PaDEL对输入分子的价态和芳香性判断较敏感，建议先用RDKit统一标准化后再送入PaDEL。

四、描述符计算中的常见问题与判断

第一，缺失值与无穷值。部分拓扑描述符在特定结构下可能返回NaN或Inf，需在建模前用numpy.nan_to_num或中位数填充处理。第二，量纲差异。分子量在百量级，而某些指数可能达到数千，标准化（Z-score或Min-Max）是必要步骤。第三，指纹与连续描述符的拼接。指纹位串为0/1，连续描述符为实数，直接拼接会导致尺度失衡，建议先对连续部分标准化，再与指纹合并。第四，可复现性。RDKit与PaDEL版本不同可能产生细微数值差异，应在项目中固定版本并记录参数。

五、实操检查清单

完成本节后，读者应能独立完成一次从SMILES到描述符CSV的完整计算，并对结果做基本质量判断。描述符矩阵是QSAR工程的第一份“数据资产”，它的规范性会直接影响后续特征选择、模型训练与活性预测的可靠性。