特征工程基础：分子描述符、指纹、图特征

各位同学好。到了特征工程这块，我估计很多人都觉得「不就是把分子变成数字么」。嗯，话是没错，但怎么变得有信息量、变得让模型能听懂，这里面的门道可不少。

我在做ADMET预测项目早期，踩过一个坑：直接把几百个分子描述符一股脑扔进随机森林里，结果模型准确率惨不忍睹。后来复盘才发现——那些描述符里有一半是高度相关的冗余信息。所以说白了，特征工程不只是「找特征」，更是「挑特征」。

分子描述符：从0维到4维

什么叫分子描述符？就是把分子结构用数字量化的结果。我个人习惯把它们按维度分个类：

我记得有次做CYP450代谢预测，数据集的分子都比较大，2D描述符在LogD和TPSA上差距明显，但换到3D描述符后，模型性能反而下降了——因为3D描述符对构象采样太敏感。所以，不要盲目迷信高维描述符。

分子指纹：稀疏编码的威力

你想想看，描述符是连续实数，那能不能用0/1的位图来表示分子特征呢？这就是分子指纹的出发点。

常见的指纹类型：

• MACCS密钥指纹：166个预定义的分子子结构键。说白了就是一问一答：「这个分子里有苯环吗？有羰基吗？」每个答案对应一个二进制位。
• Morgan（ECFP）指纹：基于原子环境的圆形指纹。半径越大，包含的微环境信息越多。ECFP4是我用得最多的，适合预测水溶性、透过性这类物理化学性质。
• RDKit拓扑指纹：基于分子图的路径指纹。从分子图中枚举所有路径生成指纹位。
• AtomPair指纹：编码原子对之间的距离和类型。在活性预测中表现出色。

实操中，我一般这样选：

from rdkit import Chem
from rdkit.Chem import MACCSkeys, AllChem

mol = Chem.MolFromSmiles('c1ccccc1C(=O)O')

# MACCS密钥指纹
maccs = MACCSkeys.GenMACCSKeys(mol)

# ECFP4（摩根指纹，半径2）
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)

# RDKit拓扑指纹
from rdkit.Chem.rdmolops import RDKFingerprint
topo = RDKFingerprint(mol, minPath=1, maxPath=7)

图特征：让分子结构可视

到了图特征这块，思路其实更自然——把原子看作节点，把化学键看作边。一个分子就是一个图。

为什么要用图特征？因为我发现有些ADMET性质，比如肝脏代谢预测，跟某些局部结构紧密相关。指纹虽然能表示局部，但图神经网络能从图结构中学到更复杂的模式。

典型图特征包括：

• 节点特征：原子类型、杂化态、形式电荷、氢原子数、部分电荷（Gasteiger/Mulliken）
• 边特征：键型（单/双/三键/芳香键）、共轭性、是否成环
• 全局特征：分子级描述符、指纹信息、图直径、拉普拉斯特征

具体怎么构建？上代码：

import torch
from torch_geometric.data import Data

def mol_to_graph(mol):
    atoms = mol.GetAtoms()
    node_features = []
    for atom in atoms:
        # 原子特征：原子类型one-hot + 杂化态 + 部分电荷
        feat = [
            atom.GetAtomicNum(),
            atom.GetHybridization(),
            atom.GetFormalCharge(),
            atom.GetTotalNumHs()
        ]
        node_features.append(feat)

    edges = []
    edge_features = []
    for bond in mol.GetBonds():
        i = bond.GetBeginAtomIdx()
        j = bond.GetEndAtomIdx()
        edges.append([i, j])
        edges.append([j, i])
        # 边特征：键型 + 是否芳香
        btype = str(bond.GetBondType())
        is_aromatic = 1 if bond.GetIsAromatic() else 0
        edge_features.append([btype, is_aromatic])
        edge_features.append([btype, is_aromatic])

    x = torch.tensor(node_features, dtype=torch.float)
    edge_index = torch.tensor(edges, dtype=torch.long).t().contiguous()
    edge_attr = torch.tensor(edge_features, dtype=torch.float)

    return Data(x=x, edge_index=edge_index, edge_attr=edge_attr)

特征选择的实战策略

光有特征还不够，你得知道留哪些、删哪些。我的套路是三步走：

1. 方差筛选：去掉方差接近0的描述符。比如说，一个数据集中90%的分子都有同一个亚结构，那这个特征对区分不同ADMET性质基本没贡献。
2. 相关性分析：分子量、原子数、TPSA之间往往高度相关。我会计算Spearman相关系数，保留那些与目标变量相关性最高且特征间相关性低的组合。
3. 模型初筛：用LightGBM或随机森林的feature importance做一次排序，只保留Top-N特征。

光说不够，直接看代码怎么跑：

# 使用方差阈值过滤
from sklearn.feature_selection import VarianceThreshold
selector = VarianceThreshold(threshold=0.01)
X_selected = selector.fit_transform(X_descriptors)

# 相关性分析
import pandas as pd
corr_matrix = pd.DataFrame(X_selected).corr().abs()
upper_tri = corr_matrix.where(
    np.triu(np.ones(corr_matrix.shape), k=1).astype(bool)
)
high_corr = [column for column in upper_tri.columns
             if any(upper_tri[column] > 0.85)]