3. 描述符计算与特征选择

描述符计算这一步，说白了就是把分子结构翻译成计算机能读懂的数值。特征选择呢，就是筛掉那些噪音大、相关性低的维度，让模型更稳健。这两步做不好，后面的模型练得再花哨也是白搭。

3.1 描述符计算的坑与经验

我刚入行那会儿，一股脑把上千个描述符全算出来，直接扔进模型训练。结果呢？过拟合得一塌糊涂，泛化能力几乎为零。后来才明白，描述符不是越多越好，关键要跟你的活性终点相关。

常见的描述符类型我给你列个表，方便你对照选型：

类型	典型例子	适用场景	注意事项
2D描述符	分子量、LogP、氢键供体/受体数	ADME/Tox预测，分类任务	计算快，但对立体特异活性不敏感
3D描述符	分子表面积、形状指数、静电势	对接打分、构效关系精细建模	依赖构象搜索，速度慢，重现性差
指纹图谱	ECFP、MACCS、Morgan指纹	相似性搜索、虚拟筛选	维度高，需配合特征选择降维
量子化学描述符	HOMO/LUMO能量、偶极矩	反应活性、电荷转移机制	计算成本极高，仅小分子库可行

我习惯用RDKit做2D描述符，计算又快又稳定。碰到3D描述符需求时，我会先用OpenBabel做结构优化再算。给你个代码片段，这是我最常用的批量计算2D描述符的思路：

from rdkit import Chem
from rdkit.Chem import Descriptors, Descriptors3D
import pandas as pd

def calc_2d_descriptors(smiles_list):
    """
    输入SMILES列表，输出DataFrame，包含所有2D描述符
    """
    results = []
    for smi in smiles_list:
        mol = Chem.MolFromSmiles(smi)
        if mol is None:
            results.append(None)
            continue
        desc = {}
        desc['MolWt'] = Descriptors.MolWt(mol)
        desc['LogP'] = Descriptors.MolLogP(mol)
        desc['NumHDonors'] = Descriptors.NumHDonors(mol)
        desc['NumHAcceptors'] = Descriptors.NumHAcceptors(mol)
        desc['TPSA'] = Descriptors.TPSA(mol)
        # 更多描述符可以按需添加
        results.append(desc)
    df = pd.DataFrame(results)
    return df

说到标准化，我一般会做这几步：

• 去除盐和溶剂（用RDKit的StripMol）
• 中性化电荷（处理成最常见的pH=7.4的形态）
• 标准化官能团（比如硝基、磺酸基的统一写法）

这些预处理代码我会单独封装成一个函数，每次计算描述符前强制调用。你想想看，如果连输入分子都没洗干净，后面算出来的描述符能靠谱吗？

3.2 特征选择：别让噪音淹没收益

描述符算完，特征矩阵动辄几百列。但真正的信号可能只藏在几十个特征里。我见过太多人无脑把所有特征丢进模型，然后抱怨模型过拟合。特征选择就是干这个的——精准定位那些真正影响活性的变量。

常见的特征选择方法分三类，我帮你梳理了对比表：

方法类别	代表算法	优点	缺点
过滤式	方差阈值、相关系数、互信息、卡方检验	计算快，不依赖模型，适合大尺度筛选	单变量独立筛选，忽略特征间交互
包裹式	递归特征消除(RFE)、前向/后向选择	考虑特征组合，结果更优	计算慢，容易过拟合，需要交叉验证
嵌入式	Lasso、决策树特征重要性、XGBoost	特征选择与模型训练同时完成	超参敏感，可解释性可能下降

我个人习惯这样组合使用：先用过滤式快速砍掉那些方差极低的描述符（比如所有分子都有一样的值），再跟一个嵌入式方法（比如Lasso或随机森林）做精细挑选。如果项目周期紧，我会直接上XGBoost的特征重要性来做选择，速度快效果也不错。

给你看一段我常用的Lasso特征选择脚本：

from sklearn.linear_model import LassoCV
from sklearn.preprocessing import StandardScaler
import numpy as np

def select_features_by_lasso(X, y, cv=5):
    """
    用LassoCV自动选择特征
    返回：保留特征的索引列表
    """
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)
    # 指定正则化强度范围，用交叉验证选最佳alpha
    lasso = LassoCV(cv=cv, random_state=42, n_alphas=100)
    lasso.fit(X_scaled, y)
    # 系数非零的特征视为保留
    selected = np.where(lasso.coef_ != 0)[0]
    return selected.tolist()

还有一个容易翻车的地方：特征选择必须跟交叉验证结合。我曾经直接在整个数据集上用Lasso筛选特征，然后重新用这些特征训练模型，导致模型在外部测试集上表现惨淡。正确的做法是把特征选择放在交叉验证循环内部，每一折都重新筛选，才能避免信息泄露。

3.3 避坑指南：描述符与特征选择的常见雷区

我踩过不少坑，给你列几个最常见的，你以后做项目时留个心眼：

• 描述符重复列：有些描述符定义接近（比如分子量和对数分子量），导致多重共线性。用热力图先检查一下相关性，>0.9的直接删掉一个。
• 缺失值处理：3D描述符常因为构象生成失败而出现NaN。不要直接删整行，可以用中位数填充，或者都用同一个最低能构象重新算。
• 指纹维度过高导致维数灾难：尤其是ECFP指纹，4096位太稀疏。可以先做特征筛选或使用PCA降维到100-500维。
• 批次效应：不同批次实验的分子结构差异较大时，描述符分布可能偏移。我习惯先对描述符做Z-score标准化，并校验每个描述符的均值、方差是否在合理范围内。

最后，我把整个章节的核心流程梳理成了一张图，方便你记忆：

这张图把从原始分子到特征矩阵的全过程串联了起来。中间两个提示块——质控要点和选择原则——是我在实际项目中总结出来的最低要求。你每次跑流程前，对照检查一遍，能避免80%的常见错误。