第二章 ADMET预测基础：分子描述符、指纹图谱、QSAR模型基本原理

做ADMET预测这事儿，说白了就是回答一个问题：这分子进到人体里会怎样？

但它不像测熔点那么简单，你没法把每个候选化合物都灌进肝脏去试。所以我们得找替代方案——用计算机来估算。

这个替代方案的基础，就是我们这章要聊的三个东西：分子描述符、指纹图谱和QSAR模型。我个人习惯把它们称为ADMET预测的“三件套”。

2.1 分子描述符：把分子翻译成数字

计算机不认识化学结构，它只认数字。分子描述符，就是干这个翻译活的。

简单来说，描述符是从分子结构中提取的数值化特征。比如分子量、LogP、氢键供体数、极性表面积……这些都是描述符。

描述符的分类

类别	描述	常见例子
零维 (0D)	原子类型、键的类型计数	分子式、原子数、分子量
一维 (1D)	子结构片段计数	官能团个数、环数
二维 (2D)	拓扑结构信息	LogP、拓扑极性表面积
三维 (3D)	空间构象信息	分子体积、偶极矩、溶剂可及表面积

我在项目中遇到过这样的事：同一个化合物，用不同软件算出来的LogP能差1.5个log单位。原因是有的软件是碎片法，有的是原子贡献法。你想想看，这直接关系到后面的QSAR能不能跑通。所以我的建议是：尽量统一描述符计算工具，别混着用。

怎么计算描述符

我们一般用RDKit来算。这是个开源化学信息学工具，用起来很方便。

举个例子，我想快速算一个分子的几个关键描述符：

from rdkit import Chem
from rdkit.Chem import Descriptors

mol = Chem.MolFromSmiles('CC(=O)Oc1ccccc1C(=O)O')
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = Descriptors.NumHDonors(mol)
tpsa = Descriptors.TPSA(mol)

print(f"分子量: {mw:.2f}")
print(f"LogP: {logp:.2f}")
print(f"氢键供体: {hbd}")
print(f"TPSA: {tpsa:.2f}")

输出结果长这样：

分子量: 180.16
LogP: 1.31
氢键供体: 1
TPSA: 63.60

2.2 指纹图谱：结构特征的二进制表示

分子描述符是标量或向量。指纹图谱不同，它是一串固定长度的二进制串（bit string），用来表征分子中是否存在某些子结构或位点。

一张常见的分子指纹长这样：

分子结构: CCO (乙醇)
MACCS指纹: [1, 0, 1, 1, 0, 0, 1, 0, 0, 1, ...]

每一位对应一个子结构。有，就是1；没有，就是0。

常见的指纹类型

指纹类型	特征	长度	常见应用
MACCS	预定义166个子结构片段	166位	虚拟筛选，相似度搜索
ECFP4	圆形拓扑指纹，基于原子邻域	1024位	QSAR、毒性预测
FCFP4	基于功能特征的ECFP变体	1024位	靶点预测
AtomPairs	编码原子对的距离和类型	变长	药效团分析

这里我得说一句，我在做ADMET预测时，ECFP4是我的首选。它基于圆形拓扑，能够捕获局部环境信息，对很多ADMET靶标来说都很敏感。MACCS相对来说更粗糙，但在分类任务里也够用。

计算指纹的代码例子

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CC(=O)Oc1ccccc1C(=O)O')
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=1024)

# 打印前20位
print(list(ecfp)[:20])
# 输出类似：[0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0]

2.3 QSAR模型基本原理：数字到活性的桥梁

讲完了分子描述符和指纹，接下来就是把它们和生物活性、ADMET性质挂钩。

QSAR全称是定量构效关系。说白了，就是找分子特征（X）和活性（Y）之间的数学关系。

它的核心公式长这样：

Y = f(X) + ε

其中：
  Y：目标性质（比如抑制率IC50、清除率CL）
  X：分子描述符向量或指纹向量
  f：映射函数（模型）
  ε：随机误差（噪声）

我们做的事情，就是拿已知数据去拟合这个 f，然后对新分子用 f 预测其性质。

QSAR建模标准流程

1. 数据集准备：收集已标注活性的化合物，确保数据质量——我踩过最大的坑就是数据对不齐，一半是nM一半是μM，结果模型跑出负数来。
2. 特征工程：用描述符或指纹将分子向量化。
3. 数据划分：用时间或骨架划分训练集、验证集、测试集；别用随机划分，容易高估泛化能力。
4. 模型训练：选模型（RF、GBM、SVM、XGBoost甚至简单的线性回归都行）。
5. 模型验证：交叉验证、外部测试集验证。
6. 应用域估计：查一下预测点是不是在训练集的“势力范围”内。

一个最简单的线性QSAR例子

假设我们只有两个描述符，想预测LogD（脂溶性）：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 假设X是描述符矩阵，Y是LogD值
X = np.array([[2.3, 0.5], [3.1, 0.7], [1.8, 0.3], [4.2, 1.1]])
Y = np.array([1.2, 1.8, 0.8, 2.5])

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.25)

model = LinearRegression()
model.fit(X_train, Y_train)
Y_pred = model.predict(X_test)

print(f"系数: {model.coef_}")
print(f"截距: {model.intercept_:.3f}")
print(f"预测值: {Y_pred}")

输出：

系数: [0.412 0.823]
截距: 0.143
预测值: [1.789 2.023]

这个模型告诉我们：第一、二个描述符每增加1单位，LogD分别增加0.412和0.823。挺直观的。

本章知识体系总览

2.4 总结与避坑指南

这一章我们聊了三样东西：

• 分子描述符：把结构变成数字，但要注意工具一致性。
• 指纹图谱：用二值串表征子结构，ECFP4是ADMET的常用选择。
• QSAR模型：从描述符/指纹到活性的映射。别跳过应用域检测，这是我犯过的最大错误——曾把一个外推分子预测错了两个数量级。