4. 分子描述符与分子指纹：基本概念，用于辅助模型评估
大家好，今天我们来讲一个在分子生成模型评估中真正起决定性作用，但又经常被入门者忽略的环节——分子描述符和分子指纹。
你想想看，虽然SMILES是用字符串来表示分子，但深度学习模型本质上是一个数学函数，它只认识数字。所以，把分子结构转化成计算机能理解的特征向量，是训练和评估模型的第一步，也是最关键的一步。
我刚开始做分子生成的时候，只盯着Loss曲线看，觉得Loss降得挺漂亮，结果一测生成分子的化学性质，全都不合格。后来我养成了一个习惯：每次实验必须看三个东西——1）生成分子的QED分布，2）与训练集的平均Tanimoto相似度，3）SA Score的分布。这三个指标组合起来，基本能反映一个生成模型的好坏。
4.1 分子描述符：基于知识的特征工程
说白了，分子描述符就是给分子做体检，量身高、测体重、数一数身上有几个口袋。
描述符是标量值，通常具有明确的物理化学意义。常见的描述符包括：
- 分子量 (MolWt)：最基础的描述符，影响药物的吸收和分布。
- 脂水分配系数 (LogP)：评估分子的亲脂性，过高或过低都会影响成药性。
- 氢键供体/受体计数 (HBD/HBA)：影响分子与靶点的结合能力。
- 可旋转键数 (NumRotatableBonds)：评估分子的柔韧性。
- 拓扑极性表面积 (TPSA)：预测分子的肠道吸收和血脑屏障穿透能力。
| 描述符名称 | 类别 | 评估中的典型用途 |
|---|---|---|
| MolWt | 物理性质 | 过滤超过500道尔顿的分子 |
| MolLogP | 疏水性 | 评估类药性（Lipinski规则） |
| NumHDonors | 氢键能力 | 与ADME性质相关 |
| TPSA | 极性表面积 | 预测口服生物利用度 |
我个人习惯在训练之前，先用RdKit把所有分子的基础描述符算好，存成npy文件。这样在评估的时候直接加载，不用每次都重新计算，能省下不少时间。
4.2 分子指纹：子结构的局部表示
描述符虽然有用，但它丢掉了分子的局部结构信息。指纹就是为了解决这个问题而生的。指纹通常是一个固定长度的位向量（bit vector），每一位代表分子中是否存在某种特定的化学子结构。
常用的指纹主要有两类：
- MACCS 键：一个包含166个预定义子结构查询的字典。优点是速度快、可解释性强；缺点是覆盖的化学空间有限。
- ECFP (Extended-Connectivity Fingerprints)：基于Morgan算法生成，不依赖预定义字典。优点是能捕捉丰富的拓扑结构；缺点是可解释性差。
来看看具体的代码实现，这段代码我在项目中非常常用：
from rdkit import Chem
from rdkit.Chem import Descriptors, MACCSkeys
from rdkit.Chem.AllChem import GetMorganFingerprintAsBitVect
mol = Chem.MolFromSmiles('CC(=O)OC1=CC=CC=C1C(=O)O')
# 计算描述符
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
print(f"分子量: {mw:.2f}, LogP: {logp:.2f}")
# 计算 MACCS 指纹
maccs = MACCSkeys.GenMACCSKeys(mol)
print(f"MACCS 指纹长度: {maccs.GetNumBits()}")
# 计算 ECFP4 指纹 (半径2, 2048位)
ecfp4 = GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
print(f"ECFP4 指纹长度: {ecfp4.GetNumBits()}")
嗯，这里有个坑要注意：指纹的位宽（nBits）设置不是越大越好。我见过有人把nBits设成16384，结果算出来的Tanimoto系数普遍很低，因为位宽太大导致大多数位都是0，失去了比较意义。通常ECFP4用1024或2048位就足够了。
4.3 从相似性到分布：指纹在评估中的核心应用
这一节是重点。有了指纹，我们才能科学地评估生成模型的好坏。我不只看Loss，那些数字太抽象了。我更关心生成分子在化学空间里的分布是什么样的。
我利用下面这张图来概括从SMILES到评估指标的数据流。我个人特别喜欢这种抽象方式，它能清晰地展示数据是如何一步步被转化的。
具体来说，指纹在这几个核心指标上非常有用：
- Tanimoto 系数（新颖性）：衡量生成分子与训练集分子的相似度。平均相似度过高说明模型在记忆，过低则说明模型在乱生成。
- QED（定量类药物评估）：结合多个描述符的加权评分。虽然它不能完全替代专家判断，但作为初筛非常高效。
- SA Score（合成可及性）：评估分子是否容易合成。我之前遇到只看性质不管合成的项目，结果生成了一堆理论上完美的分子，但有机合成团队看了直摇头。
- MMD（最大均值差异）：在指纹空间里比较两个集合的分布差异，判断生成分布是否逼近训练分布。
4.4 实战建议与避坑
OK，我们总结一下。描述符和指纹是连接化学语言和深度学习模型的桥梁。下面是我的一些实战建议：
起步建议： 对于分子生成模型的评估，我个人建议先从 ECFP4（半径2, 2048位）开始，配合3个核心描述符（MW, LogP, TPSA）。这个组合简单、高效、信息量大。
避坑指南： 我曾经在一个项目中试图把所有能用RdKit算出来的描述符（大概200多个）直接拼成一个向量喂给模型做评估。结果维度灾难立刻显现，相似度矩阵变得非常稀疏，模型评估彻底失效。记住，不是特征越多越好，冗余特征反而会淹没有效信息。
最后想说的是，评估体系不是一成不变的。不同的项目侧重点不同。比如做抗菌肽生成的，可能更关注阳离子性和疏水性；做激酶抑制剂的，可能更关注特定子结构的匹配。描述符和指纹给了你一个标准化的工具，但用好这些工具，还是需要你对具体问题有深入的理解。