📚 课程目录第3章分子描述符与指纹

三、分子描述符与指纹：给分子拍“数字证件照”

同学们好，咱们今天聊点实在的。SMILES 字符串虽然能表示分子结构，但计算机没法直接拿字符串做相似性比较、训练模型，对吧？你想想看，CCO 和 C1CC1 在字符串层面差得很远，但一个是乙醇，一个是环丙烷，性质完全不同。这里面需要一层转化——把分子变成计算机能“理解”的数字向量。

这就是分子描述符与指纹要做的事。说白了，就是给每个分子拍一张“数字证件照”，把它的物理化学性质、结构特征、拓扑信息全部编码成一串固定的数值或比特位。

我刚开始做药物筛选那会儿，就觉得这步可简单了，无非算几个物理化学性质呗。结果有一次做虚拟筛选，由于指纹选错，模型AUC直接掉到0.55，跟抛硬币差不多。从那以后，我再也不敢随便选指纹了。

3.1 分子描述符：分子的“体检报告”

分子描述符是个比较宽的概念。任何通过分子结构计算出来的数值，都可以叫描述符。比如分子量、LogP、氢键供体/受体数量、拓扑极性表面积（TPSA）等。一个分子能算成百上千个描述符，但常用的也就是那几个经典的。

我个人习惯把描述符分成三类，用表格看一眼就清楚了：

类型	代表描述符	典型应用
物理化学	分子量、LogP、TPSA、HBA、HBD	类药性评估（Lipinski五规则）
拓扑/几何	Balaban指数、Wiener指数、χ（Chi）指数	结构相似性、分子稳定性预测
量子化学	HOMO能量、LUMO能量、电负性	反应活性、带隙预测

代码实现上，RDKit 提供了非常成熟的接口。我习惯直接用 Descriptors 模块，一行代码就能拿到200多个描述符：

from rdkit import Chem
from rdkit.Chem import Descriptors

mol = Chem.MolFromSmiles('CCO')
# 计算单个描述符
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
hbond_donor = Descriptors.NumHDonors(mol)
print(f"分子量: {mw:.2f}, LogP: {logp:.2f}, HBD: {hbond_donor}")

嗯，这里要注意：描述符的数值范围差异很大。分子量可能几百，LogP 可能是负数或正数，直接扔进模型会出问题。记得做标准化或归一化。

小技巧： 如果你只是想快速算一堆分子的描述符，可以用 Descriptors.CalcAllDescriptors() 函数，它会返回一个字典，包含全部可用描述符。

3.2 分子指纹：结构模式的“比特化”

描述符是连续数值，指纹则是二进制向量。为什么要比特化？因为很多场景——比如相似性搜索、子结构匹配——只需要知道“结构片段是否存在”，而不需要知道“值是多少”。指纹本质上是一种哈希映射：把分子中的特定子结构映射到比特位上。

常见的三种指纹，我分别说说：

3.2.1 ECFP（扩展连通性指纹）

ECFP 是目前应用最广的指纹，尤其在深度学习领域。它的核心思想是对每个原子，基于其邻居信息迭代生成固定长度的“环境描述”，然后哈希成比特位。

ECFP 有几个版本：ECFP4 对应2层半径（考虑2个化学键范围内的邻居），ECFP6 对应3层半径。半径越大，感受野越大，但计算量也上去了。

为什么选择 ECFP？ 因为它能捕捉局部拓扑结构，对分子骨架变化非常敏感。我曾在配体相似性搜索项目中用过ECFP4，top-10命中率比MACCS高15%左右。

看一下 RDKit 的实现：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('c1ccccc1C(=O)O')
# ECFP4，固定1024位
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
print(type(ecfp))        # <class 'rdkit.DataStructs.cDataStructs.ExplicitBitVect'>
print(ecfp.ToBitString()[:64])   # 打印前64位看看

避坑指南： 我曾经在训练图神经网络时，直接把ECFP当作特征输入，结果模型死活不收敛。后来发现是ECFP的哈希碰撞比较严重，导致很多不同结构映射到同一比特位。建议在作为模型输入前，先用PCA或自编码器降维一下。

3.2.2 MACCS 指纹

MACCS 是相对“老牌”的指纹，只有166个预定义的SMARTS子结构模式。每个模式就像一个“是非题”：分子包含这个子结构就置1，否则置0。正因为是预定义的，它比较稳定，迁移性好，但表达能力有限。

我一般在做分子聚类时先用MACCS打个底，速度快，结果也稳定。要算MACCS，RDKit 同样提供接口：

from rdkit.Chem import MACCSkeys

mol = Chem.MolFromSmiles('CC(=O)Oc1ccccc1C(=O)O')  # 阿司匹林
maccs = MACCSkeys.GenMACCSKeys(mol)
print(f"MACCS长度: {maccs.GetNumBits()}")
print(maccs.ToBitString()[:80])

3.2.3 其他指纹

除了 ECFP 和 MACCS，还有一些特定场景下的指纹，比如：

RDKit 指纹：基于子结构路径的标准指纹，可以自定义参数。
AtomPair 指纹：编码原子对之间的拓扑距离关系。
Topological Torsion 指纹：编码四个原子之间的扭转角度模式。

我个人的选型原则是这样的：做通用相似性搜索，优先 ECFP4；做子结构过滤或快速聚类，用 MACCS；做反应预测或构象分析，试试 AtomPair 或 Topological Torsion。

3.3 实际应用：基于指纹的分子相似性搜索

讲完理论，我们把它用在真实场景里。假设你从高通量筛选拿到一个先导化合物，想找数据库里跟它结构相似的其他分子。基于指纹的 Tanimoto 相似度是最直接的方法：

from rdkit import Chem
from rdkit.DataStructs import TanimotoSimilarity

query = Chem.MolFromSmiles('c1ccccc1')
ref   = Chem.MolFromSmiles('c1ccccc1C(=O)O')

fp_q = AllChem.GetMorganFingerprintAsBitVect(query, radius=2, nBits=1024)
fp_r = AllChem.GetMorganFingerprintAsBitVect(ref, radius=2, nBits=1024)

sim = TanimotoSimilarity(fp_q, fp_r)
print(f"Tanimoto相似度: {sim:.3f}")

重点： Tanimoto 相似度范围是[0,1]，一般大于0.6就可以认为两个分子在结构上“比较接近”。我在做数据清洗时，经常用这个阈值去重。

下面这张图总结了从SMILES到描述符/指纹的完整转化路径：

从这张图里能看到，同样的SMILES输入，可以同时产生连续描述符和离散指纹。我个人建议：如果你要做相似性搜索或聚类，优先用指纹；如果你要做定量预测（比如活性值、毒性），用描述符更直觉。

3.4 选型对比与避坑

最后，把三种指纹的主要差异列成一张表，方便你快速决策：

指纹类型	位数	可解释性	计算速度	适用场景
ECFP4	自定义（常用1024/2048位）	中等，依赖哈希理解	中等	相似性搜索、QSAR模型输入
MACCS	166位固定	高，子结构模式清晰	快	快速聚类、子结构过滤
AtomPair	自定义	低，基于拓扑距离	慢	构象感知的相似性

曾经踩过的坑： 我在做分子生成模型的评估时，直接用MACCS计算Tanimoto相似度，结果大量生成分子相似度接近0.9，但一看结构完全不同。后来发现MACCS位太少，碰撞太严重。幸好换成ECFP后问题解决。

这里再补充一个实战技巧：指纹可以拼接使用。 比如同时计算ECFP和MACCS，然后拼接成 nBits+166 维的向量。我在一个配体-蛋白结合模式预测项目中就这么干过，效果比单用任何一种都好，你不妨也试试。