4. 分子特征化方法（上）：ECFP、MACCS 指纹的生成与使用

做 ADMET 预测，说白了就是让模型“看懂”分子。但模型不认识 SMILES 字符串，也不懂原子坐标。你得把分子翻译成它吃得下的数字向量——这就是特征化。

我刚入行那会儿，还在用手算分子描述符，什么 LogP、分子量、氢键供受体……翻论文一个个列出来，再拿 Excel 拼特征矩阵。累吗？累。而且经常漏掉关键信息。后来接触 DeepChem，发现指纹这东西才是真正把“结构化学”和“机器学习”打通的桥。

这一讲，我们聚焦两种最常用的分子指纹：ECFP 和 MACCS。听名字挺唬人，其实理解起来很直观。

4.1 为什么需要分子指纹？

分子指纹是一种固定长度的二进制向量。每一位代表分子中是否存在某种子结构或拓扑特征。比如 ECFP 的某一位，可能对应一个半径内的原子环境。

好处很明显：

  • 固定长度：不管分子大小，输出都是 1024 位或 166 位向量，适合直接喂给神经网络或随机森林。
  • 模糊匹配：结构相似分子会得到相近的指纹向量，而非完全相同。这对 ADMET 预测特别重要——你总希望模型能泛化到未见过的类似分子。
  • 可解释性：虽然比不上手工描述符那么直观，但至少可以反向追踪哪些子结构激活了高位特征。

你可能会问：那直接把原子类型 one‑hot 编码不行吗？嗯，理论上可以，但那种方式不考虑化学键和环境，丢掉太多信息。指纹恰恰保留了局部拓扑关系。

4.2 两张核心指纹：一张“圆形”一张“字典”

我们先快速对比一下，免得你混淆。

特性ECFP (Extended‑Connectivity Fingerprint)MACCS (Molecular ACCess System)
算法本质圆形指纹（Morgan 算法）字典指纹（166 个预定义子结构）
输出长度可配置，常用 512/1024/2048 位固定 166 位
是否需预定义不需要——自动从局部环境哈希得到需要——MDL 公司预先定义了 166 种结构模式
适用场景聚类、相似性搜索、通用 QSAR快速筛选、已知子结构匹配、与 legacy 系统兼容
缺点位长不够容易碰撞；对立体异构不敏感覆盖有限，某些新颖结构可能没有匹配位
一句话总结：ECFP 像“盲人摸象”自动学习局部环境，MACCS 像“按图索骥”对照预设的模板。

4.3 ECFP 的生成与使用

ECFP 的核心就是 Morgan 算法：从每个原子出发，逐层扩大半径，记录每个原子周围的拓扑环境，再哈希成二进制位。半径一般设为 2（对应 ECFP4，因为半径 2 实际上包含了 4 层化学键）。

用 DeepChem 生成 ECFP 非常直接。我个人习惯先指定半径和位长，然后用 CircularFingerprint 这个 featurizer。

import deepchem as dc

smiles = ["CC(=O)OC1=CC=CC=C1C(=O)O",  # 阿司匹林
          "CN1C=NC2=C1C(=O)N(C(=O)N2C)C"]  # 咖啡因

featurizer = dc.feat.CircularFingerprint(radius=2, size=1024)
features = featurizer.featurize(smiles)

print(features.shape)  # (2, 1024)
print(features[0][:10])  # 看看前10位

你会得到两个长度为 1024 的数组，里面全是 0 和 1。每个分子的每一位代表一个独特的局部结构环境。

我在一个项目中做过将 ECFP 位长从 1024 降到 512。当时数据量不大，想着节省内存。结果模型效果暴跌，很多原本可以区分的分子被挤到相似的指纹里。后来我把位长调回 1024，指标立刻恢复。所以要记住一个原则：位长宁大勿小，除非你有明确理由。

小技巧：如果你的分子数量很大（几十万以上），可以适当减小位长到 512 以平衡速度与精度，但务必在验证集上确认效果。

4.4 MACCS 指纹的生成与使用

MACCS 是 MDL 公司在 1990 年代推出的 166 位公共密钥。每个位对应一个特定的子结构模式，比如“是否存在一个丙基”、“是否有芳环”等。它不像 ECFP 那么“自动”，但胜在稳定、快速、结果可重现。

DeepChem 直接包装了 RDKit 的 MACCSKeysFingerprint 函数。用起来更简单：

featurizer_maccs = dc.feat.MACCSKeysFingerprint()
features_maccs = featurizer_maccs.featurize(smiles)

print(features_maccs.shape)  # (2, 166)
print(features_maccs[0])     # 全部 166 位

你看，输出长度固定在 166，不用纠结参数。但我也踩过坑——有一次我用 MACCS 做 Tox21 毒性预测，发现模型一直欠拟合。查了半天，原来是某些含硫杂环的分子在 166 位中对应的位全是 0，因为它不属于预定义的任何子结构。换句话说，MACCS 对非常新颖的分子骨架可能会失效。

避坑指南：我曾经在筛选一个含有 B – N 配合物的数据集时，MACCS 指纹全部为 0，模型根本无法学习。解决方案是同时拼接 ECFP 作为补充特征。

4.5 选择哪种指纹？

我个人的经验是：

  • 如果你刚接触这个领域，从 ECFP 1024 位、半径 2 开始，它非常通用，几乎适用于所有 ADMET 任务。
  • 如果项目需要与历史数据对齐（比如很多公开数据集已经用了 MACCS），那就上 MACCS，但最好配上 ECFP 做双通道输入。
  • 当你想做可解释性分析，比如“究竟是哪个子结构导致毒性”，MACCS 的 166 位子结构定义可以直接查阅，比 ECFP 好理解。

下面这张图梳理了从 SMILES 到模型输入的整体流程：

分子特征化流程：SMILES → 指纹 → 模型 SMILES 字符串 ECFP 生成 Morgan 算法, r=2, 1024 位 MACCS 生成 166 位公共密钥 特征向量 1024 / 166 / 拼接 建议 分类任务：ECFP 优先 可解释需求：MACCS 优先

图里表达了最常用的两条路径：你可以只选一条，或者把两个指纹直接拼接起来（比如变成一个 1190 维向量）。我在实际项目中经常用拼接的方式，因为既能享受 ECFP 的拓扑覆盖，又能利用 MACCS 的可解释子结构。

4.6 实战步骤总结

  1. 加载数据：准备好 SMILES 列表和对应标签（比如 hERG 阻断标签）。
  2. 选择 featurizer：根据任务决定用 CircularFingerprint 还是 MACCSKeysFingerprint，或者两者都用。
  3. 生成特征：调用 .featurize()，得到 numpy 数组。
  4. 训练模型：把特征数组直接喂给 DeepChem 的 dc.models（比如 MultitaskClassifier）。

下面是一个完整的组合示例：

import deepchem as dc
import numpy as np

# 模拟数据：5个分子
smiles = ["CC(C)C1=CC=C(C=C1)C(C)C(=O)O",  # 布洛芬
          "COC1=CC=C2C(=C1)C=CC(=O)O2",    # 羰基? 随便举个
          "C1=CC=C2C(=C1)C(=O)NC2=O",      # 邻苯二甲酰亚胺
          "CCCC1=CC=CC=C1",                 # 丁基苯
          "C1=CC=NC=C1"]                    # 吡啶
labels = np.random.randint(0, 2, (5, 2))   # 二分类任务

# 两个 featurizer
ecfp = dc.feat.CircularFingerprint(radius=2, size=1024)
maccs = dc.feat.MACCSKeysFingerprint()

X_ecfp = ecfp.featurize(smiles)
X_maccs = maccs.featurize(smiles)
X = np.hstack([X_ecfp, X_maccs])  # 拼接：1190 维
print("特征矩阵形状:", X.shape)   # (5, 1190)

# 训练模型（快速演示）
model = dc.models.MultitaskClassifier(n_tasks=2, n_features=X.shape[1])
model.fit(X, labels, nb_epoch=10)
提示：如果数据量巨大（百万级），建议先用 ECFP 的 512 位版本快速预览，确认模型能收敛后再扩大到位长 2048 做最终训练。这一步能省下不少算力。

好了，以上就是 ECFP 和 MACCS 指纹从原理到代码的全部要点。下次遇到新的 ADMET 数据集，你应该能胸有成竹地选择合适的指纹方案了。

← 上一章 📖 返回目录 下一章 →