第2章：分子描述符基础归纳总结
说实话，我刚入行做QSAR那会儿，最头疼的就是分子描述符。别人跑一个模型，R²能有0.9，我跑出来就0.3。后来才发现，问题出在描述符上——要么选错了，要么没处理好。这一章，我就把这些年积累的分子描述符经验，掰开了揉碎了给你讲讲。
2.1 什么是分子描述符
分子描述符，说白了就是分子的「数字身份证」。它是用数学或计算化学的方法，把分子的结构信息转成一串数字。有了这串数字，计算机才能理解分子，模型才能学出规律。
我习惯把描述符分成这几类：
- 0D描述符：比如分子量、原子个数。信息量最少，但最稳定。
- 1D描述符：比如分子式、官能团计数。比0D多点儿信息。
- 2D描述符：基于分子图论的拓扑指数。比如Wiener指数、Zagreb指数。这类描述符很常用，我项目中80%的模型都靠它。
- 3D描述符：需要三维构象。像CoMFA、CoMSIA里的立体场和静电场。计算量大，但信息丰富。
- 4D描述符：考虑构象集合和时间演化。说实话，我一般不用，除非数据量特别大。
我的经验：别一上来就追求复杂描述符。先跑2D描述符，模型不行再往上加。过度设计是新手最常见的毛病。
2.2 描述符的计算与工具
现在工具很多，我主要用这几套：
| 工具 | 描述符数量 | 适用场景 | 我的评分 |
|---|---|---|---|
| RDKit | 200+ | 日常筛选、预实验 | ⭐⭐⭐⭐⭐ |
| PaDEL-Descriptor | 1400+ | 全面的特征工程 | ⭐⭐⭐⭐ |
| Mordred | 1800+ | 学术研究 | ⭐⭐⭐⭐ |
| Dragon | 5000+ | 工业级应用 | ⭐⭐⭐（需付费） |
举个例子，用RDKit算描述符很简单：
from rdkit import Chem
from rdkit.Chem import Descriptors
mol = Chem.MolFromSmiles('CCO') # 乙醇
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = Descriptors.NumHDonors(mol)
print(f"分子量: {mw:.2f}")
print(f"LogP: {logp:.2f}")
print(f"氢键供体数: {hbd}")输出结果：
分子量: 46.07
LogP: -0.14
氢键供体数: 12.3 描述符的筛选策略
算完描述符，你会发现一个问题——太多了。有人算出来几千个描述符，直接扔进模型跑。你想想看，这有多容易过拟合？
我一般按这几步来筛：
- 常数筛：方差接近0的描述符，直接扔掉。
- 相关性筛：两个描述符相关系数 > 0.95，保留一个。
- 重要性排序：用随机森林或LASSO，找top N个。
技巧：我通常保留50-200个描述符。太少欠拟合，太多过拟合。你可以从100个开始调。
做常数筛选时，我习惯这样写：
import pandas as pd
import numpy as np
# 假设 df 是描述符矩阵
def remove_constant_features(df, threshold=0.01):
variances = df.var()
to_remove = variances[variances < threshold].index.tolist()
print(f"移除 {len(to_remove)} 个常数/近常数特征")
return df.drop(columns=to_remove)
避坑：我曾经踩过一个坑——直接用默认阈值筛选分子量。结果某个系列分子量差别很小，但活性差别很大。后来我改为按数据集动态调整阈值，模型才正常。
2.4 描述符的标准化与缩放
描述符尺度差异很大。分子量几百，logP可能只有几。你不做缩放，模型就会偏向量级大的特征。
我推荐两种方式：
- Z-score标准化：均值为0，标准差为1。适合有异常值的数据。
- Min-Max缩放：映射到[0,1]。适合范围固定的描述符（比如是否为芳香环）。
代码实现：
from sklearn.preprocessing import StandardScaler, MinMaxScaler
# Z-score
scaler_z = StandardScaler()
df_z = pd.DataFrame(scaler_z.fit_transform(df), columns=df.columns)
# Min-Max
scaler_mm = MinMaxScaler()
df_mm = pd.DataFrame(scaler_mm.fit_transform(df), columns=df.columns)
关键点：记住，只用训练集的数据去拟合scaler，然后transform训练集和测试集。别把测试集数据混进去，这是泄露。
2.5 常用描述符一览
下面这张表，我做了很多项目才总结出来的：
| 类别 | 典型描述符 | 含义 | 适用性 |
|---|---|---|---|
| 物理化学 | MolLogP, MolWt, TPSA | 脂溶性、分子量、极性表面积 | ADME/Tox预测 |
| 拓扑 | Wiener, Zagreb, BalabanJ | 分子连通性、分支度 | 结构-活性关系 |
| 电性 | PartialCharge, DipoleMoment | 电荷分布、偶极矩 | 作用机制研究 |
| 立体 | PMI1, PMI2, PMI3 | 分子形状的主惯性矩 | 3D构象分析 |
| 指纹 | MorganFP, MACCS, AtomPair | 子结构存在性 | 相似性搜索、分类 |
2.6 本章知识体系
下面这张图，是我做了十多年QSAR总结出来的框架。先看定义，再算工具，然后筛选和缩放，最后应用到模型里。每一步都环环相扣：
2.7 常见问题与避坑指南
这些年下来，我发现很多问题都是共通的。列出来，你碰到类似情况可以直接查：
- 描述符太多，模型跑不动：先用随机森林的特征重要性排序，砍到100个以内。
- 模型不收敛：检查一下描述符有没有做标准化。我有个项目就是这样，标准化后收敛速度快了5倍。
- 训练集和测试集表现差异巨大：大概率是特征泄露了。检查你有没有用全数据做特征筛选。
- R²很高但预测不准：描述符过多导致过拟合。减少描述符数量，或者加正则化。
重要：我曾经被审稿人指出，训练集和测试集描述符分布不一致。后来我学会了一个检查方法：每次做完描述符，就画个t-SNE图看看分布。分布重叠不好，换个描述符组合。
好了，分子描述符的基础就这些。记住，描述符是QSAR的基石——地基打不好，上面盖多漂亮的模型都白搭。我建议你动手算一组数据，亲自走一遍筛选和缩放的流程。光看不练，三天就忘光了。