分子描述符基础：定义、分类与计算工具

做ADMET预测这么多年，我越来越觉得——分子描述符的选择，决定了你模型的天花板在哪。说白了，你得先弄明白分子描述符到底是什么玩意儿，然后才能谈筛选和特征选择。

什么是分子描述符？

分子描述符，就是把化学结构变成数字。一个分子长什么样，有什么官能团，极不极性，能不能穿过细胞膜——这些信息都得量化成数值，才能喂给机器学习模型。

我个人习惯把它分成两个层面去理解：

• 物理化学属性：分子量、LogP、氢键供体/受体数——这些是ADMET模型最常用的基础特征。我在做口服药物筛选时，Lipinski五规则里的描述符几乎次次都要算。
• 结构拓扑特征：原子连接方式、环系数量、分子柔性——这些描述符能捕捉分子的三维空间信息和电子分布。

描述符分类：从0D到3D

搞计算化学的人，通常按维度和物理意义把描述符分成四层。我觉得这个分类挺实用的——你想想看，它其实反映了我们对分子信息利用的深度。

维度	特征	常用属性	应用场景
0D	组成信息，不依赖结构	原子数、分子量、原子类型计数	快速初筛，高吞吐量计算
1D	片段/基团信息	氢键供体/受体数、可旋转键数、官能团计数	药化性质评估，Rule-of-Five
2D	拓扑连接关系	分子指纹(ECFP、Morgan)、拓扑极性表面积(TPSA)	QSAR建模、相似度搜索
3D	空间构象依赖	分子体积、溶剂可及表面积、偶极矩、静电势	结合模式分析、手性药物设计

0D描述符：最简单，也最容易被忽略

0D描述符就是分子配方表。原子数、重原子数、分子量……说它们简单，但它们真的管用。我在做早期虚拟筛选的时候，如果分子量都超过500，后面就不用算了，肯定口服生物利用度堪忧。

不过要注意：0D描述符没有结构信息。两个分子量完全相同的同分异构体，用0D描述符根本无法区分。嗯，这时候就需要往高维走。

1D描述符：基团层面的量化

1D描述符关注的是分子“拥有什么”。比如：

• 氢键供体/受体数（影响透膜性）
• 可旋转键数（影响分子柔性）
• 环系数量（影响刚性）

我记得有一次做CYP抑制模型，刚开始只用了2D指纹，效果一般。后来加了氢键供体数和TPSA，AUC直接涨了0.08。原因很简单——这些1D描述符本身就关联了药物与酶的结合模式。

2D描述符：分子指纹时代的王牌

2D描述符是目前应用最广的。分子指纹（特别是ECFP/Morgan指纹）算得上是ADMET领域的标配。我把常用的2D指纹列一下：

• ECFP (Extended-Connectivity Fingerprint)：基于Morgan算法，捕捉每个原子的局部拓扑环境。我用的是默认2Å半径，生成1024位向量。
• MACCS (Molecular ACCess System)：166位预定义指纹，简洁好解释，我一般拿它做对比基线。
• Topological Torsion Fingerprint：考虑了原子间的拓扑距离，线性分子和环状分子区分度不错。

3D描述符：计算代价最大的信息层

3D描述符依赖分子的三维构象，包括分子体积、溶剂可及表面积（SASA）、偶极矩、静电势极值等。优点是信息量极大，缺点也同样明显——计算慢，而且构象采样容易不稳定。

我自己一般只在做结合模式分析时才上3D描述符。筛选阶段用2D就够了，性价比最高，你觉得呢？

常用计算工具：RDKit和PaDEL

工具选得好，能省你一半时间。这些年我试过好几套方案，最常用的还是这两款。

RDKit（Python）：量产与效率之王

RDKit是我日常的主力。Python接口，开源免费，社区活跃。跑10000个分子算ECFP指纹，基本秒出。下面我贴一段最常用的代码——批量计算2D描述符：

from rdkit import Chem
from rdkit.Chem import Descriptors, AllChem
import pandas as pd

smiles_list = ["CCO", "CCN", "c1ccccc1", "O=C=O"]
mols = [Chem.MolFromSmiles(smi) for smi in smiles_list]

names = ["MolWt", "LogP", "HBA", "HBD", "TPSA", "RotBonds"]
data = []
for mol in mols:
    if mol is None:
        data.append([None] * len(names))
        continue
    data.append([
        Descriptors.MolWt(mol),
        Descriptors.MolLogP(mol),
        Descriptors.NumHAcceptors(mol),
        Descriptors.NumHDonors(mol),
        Descriptors.TPSA(mol),
        Descriptors.NumRotatableBonds(mol)
    ])

df = pd.DataFrame(data, columns=names)
print(df)

PaDEL-Descriptor（Java）：传统药化标配

PaDEL-Descriptor是新加坡国立大学开发的Java桌面工具。它能算1444个1D/2D描述符，还有OED、CPSA等3D描述符。虽然更新不频繁，但在传统药化圈里用的人很多。

命令行调用方式：

java -jar PaDEL-Descriptor.jar \
    -dir ./input_sdf \
    -file ./output_descriptors.csv \
    -2d \
    -descriptortypes ./all_2D.txt

参数说明：

• -dir：输入SDF文件夹路径
• -file：输出CSV路径
• -2d：只算2D描述符（算3D很慢）
• -descriptortypes：指定要算的描述符种类文件（可选，我一般用all_2D.txt）

核心知识图谱

下图是我自己理的一个0D→3D维度提升框架，方便你快速把握本章的知识脉络：

实际项目中怎么选？

说了这么多，你可能会问：到底用哪套描述符组合最好？我的经验是这样的：

• 早期快速筛选：0D + 关键1D（MW, LogP, HBA, HBD）就够了，成本最低
• QSAR建模：2D指纹（ECFP4, 1024位） + 核心1D（TPSA, RotBonds），效果稳定
• 结合模式预测：上3D描述符，但记得先做构象对齐，否则误差很大
• 可解释性要求高：优先用MACCS指纹和传统的理化描述符，模型结果容易解释