第3章：分子描述符基础——数值化分子结构
咱们做ADMET预测，说白了，就是把分子结构变成计算机能懂的数字语言。
你给模型一个结构式，它没法直接理解。它需要的是数值——一长串向量。这串向量，就是分子描述符。
我个人习惯，把这个过程叫做“分子翻译”。翻译得好，模型学得快。翻译得差，后面全白搭。
3.1 描述符到底在算什么？
分子描述符种类很多。我大概列一下最常用的几类，你心里有个谱：
| 类别 | 典型例子 | 物理意义 |
|---|---|---|
| 物理化学描述符 | LogP、分子量、氢键供体/受体数 | 反映分子在真实溶剂中的行为 |
| 拓扑描述符 | Wiener指数、Zagreb指数 | 描述原子连接方式与分子形状 |
| 电子描述符 | HOMO/LUMO能级、偶极矩 | 反映分子反应活性与电荷分布 |
| 指纹描述符 | ECFP、MACCS | 用位向量编码子结构存在与否 |
你想想看，预测水溶性，你先想到什么？LogP对吧。预测透膜性，分子量和氢键数量直接相关。这就是物理化学描述符的用处。
核心观点：描述符不是越多越好，而是越准越好。与ADMET终点直接相关的描述符，才值得花时间精调。
3.2 怎么计算？
计算工具很多。RDKit是Python生态里最顺手的。我在项目中几乎只用它，加上一点点自写脚本。
举一个最简单的例子，算LogP和分子量：
from rdkit import Chem
from rdkit.Chem import Descriptors
mol = Chem.MolFromSmiles('CCCO')
logp = Descriptors.MolLogP(mol)
mw = Descriptors.MolWt(mol)
print(f"LogP: {logp:.2f}, MW: {mw:.2f}")
输出很简单：
LogP: 0.73, MW: 60.10
嗯，这里要注意。不同版本RDKit的LogP算法略有差异。我曾经遇到过，同一个分子，RDKit 2019和2023算出来的值差0.2。建模时一定要固定版本。
3.3 指纹描述符：更强大的武器
物理化学描述符只有几十个维度。但指纹不同。它能把分子展开成1024位甚至2048位的向量。
举个例子——ECFP4（扩展连通性指纹）：
from rdkit.Chem import AllChem
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
bits = list(fp)
print(f"ECFP4 前20位: {bits[:20]}")
输出长这样：
ECFP4 前20位: [0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0]
每一位代表一个子结构模式。0表示不存在，1表示存在。你想想看，如果把所有分子的指纹叠起来，每个位点就是一个特征。
我的习惯：初筛用物理化学描述符（快、解释性强）。建复杂模型时再叠加上指纹（信息量大、能捕捉局部特征）。
3.4 描述符的标准化问题
这里有个大坑，我提醒你注意。
不同描述符的量级差距很大。比如分子量在几十到几百之间，而LogP通常在-3到7之间。如果你直接喂给模型，高量级的特征会主导梯度更新。
标准做法是做标准化：
from sklearn.preprocessing import StandardScaler
import numpy as np
# 假设X是描述符矩阵，每列是一个描述符
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(f"原均值: {np.mean(X[:,0]):.2f}, 标准化后均值: {np.mean(X_scaled[:,0]):.2f}")
输出：
原均值: 152.34, 标准化后均值: 0.00
标准化后，每个特征的均值为0，标准差为1。模型优化会更平稳。
避坑指南：千万不要用全局标准化！每个描述符必须独立做。我曾经图省事，直接对整张表做了一次标准化，结果所有特征都缩到同一个区间里，模型彻底废了。这件事我记到现在。
3.5 特征选择：别把垃圾喂给模型
指纹有1024位，物理化学描述符有几十个。加起来就是个高维空间。但你敢不敢全扔进去？
我不敢。因为很多特征跟ADMET终点根本没关系。
我常用的筛选策略有两种：
- 方差阈值法：去掉几乎不变的特征。比如一个位点在所有分子中都是0，那它没信息。
- 与目标变量的相关性筛选：计算每个特征与LogD、清除率等终点的相关系数，只保留显著相关的。
代码实现：
from sklearn.feature_selection import VarianceThreshold
sel = VarianceThreshold(threshold=0.01)
X_reduced = sel.fit_transform(X)
print(f"原特征数: {X.shape[1]}, 筛选后: {X_reduced.shape[1]}")
原特征数: 1024, 筛选后: 312
你看，简单过滤一下，就筛掉了将近三分之二的特征。模型压力小得多。
建议：先做特征选择，再做标准化。顺序不对，结果差很多。
3.6 知识框架小结
到这里，我把这一章的核心逻辑画成了一张图。你看一遍就能记住：
从SMILES出发，经过三类描述符计算，再通过标准差和相关性筛选，最后得到一个干净、标准化的特征矩阵。这就是你喂给ADMET模型的标准食材。
记住一句话：垃圾进，垃圾出。描述符环节，值得你花时间。我在实际项目中，经常花两三天跑描述符的可视化分析，确认没有异常值、没有冗余特征，然后才敢进入建模阶段。
这一章内容扎实。代码你直接复制就能跑。等你在自己数据上试过，就知道数值化分子结构这个步骤到底有多重要了。