3. 分子描述符基础概念归纳总结
做 ADMET 预测这些年，我最大的体会是：描述符选不对，后面全白费。你想想看，模型再漂亮，喂进去的特征本身就有问题，那预测结果能靠谱吗？这一章我们就来系统梳理一下分子描述符的核心概念，把基础打扎实。
3.1 什么是分子描述符
说白了，分子描述符就是把化学结构翻译成计算机能理解的数字。我习惯这么定义它：描述符是分子在某个维度上的数学指纹。它可以是单个数值（比如分子量），也可以是一组向量（比如指纹位点）。
为什么需要这层翻译？因为 ADMET 性质本质上是由分子的微观特征决定的。脂溶性看 LogP，透膜性看 TPSA，代谢稳定性看可旋转键数……没有描述符，你就没法构建结构与性质之间的定量关系。
3.2 描述符的分类体系
描述符的分类方式很多，我个人最常用的是按维度和按类型两种切法。下面这张图是我自己整理的知识框架，涵盖了 ADMET 建模中最核心的描述符类别。
3.3 四大描述符类别深度拆解
3.3.1 2D 描述符——最稳定的「基本功」
2D 描述符只依赖分子拓扑结构，不涉及三维构象。这意味着它计算快、可重复性极高。我在项目中遇到过好几次，同样是计算 LogP，不同工具给出的结果能差 0.5 以上。但 2D 描述符的算法一旦固定，结果就是确定的。
ADMET 建模中最常用的 2D 描述符包括：
| 描述符 | 缩写 | ADMET 关联性 | 典型阈值（类药） |
|---|---|---|---|
| 分子量 | MW | 透膜性、溶解度 | < 500 Da |
| 脂水分配系数 | LogP | 吸收、代谢、毒性 | 0 ~ 3 |
| 氢键供体/受体 | HBD / HBA | 透膜性、外排 | HBD ≤ 5, HBA ≤ 10 |
| 拓扑极性表面积 | TPSA | 肠道吸收、血脑屏障 | < 140 Ų |
| 可旋转键数 | RotB | 口服生物利用度 | ≤ 10 |
3.3.2 3D 描述符——构象依赖的「双刃剑」
3D 描述符能捕捉分子在真实空间中的立体特征。举个例子，分子体积和分子表面积对预测组织分布非常有帮助。但问题在于——构象是柔性的。同一个分子，用不同的力场优化，或者用不同的最低能量构象，算出来的 3D 描述符可能差很多。
我个人的建议是：除非你的模型明确需要立体信息（比如 CYP450 对接打分），否则优先用 2D 描述符做基线模型。3D 描述符留到模型调优阶段再引入。
3.3.3 理化性质——直接对应实验值的「硬指标」
这部分描述符本身就是 ADMET 性质的一部分。LogS（水溶性）、pKa、熔沸点，这些参数可以直接通过实验测定，也可以预测。在校验场景下，我习惯拿实测值与计算值做对比，如果偏差超过 0.3 log 单位，我会优先检查输入结构而非模型本身。
3.3.4 指纹描述符——高维空间的「特征引擎」
指纹描述符把分子变成固定长度的二进制或计数向量。MACCS 166 位、Morgan 指纹（ECFP）是最常用的两种。它们的优势是编码了局部子结构信息，适合做多样性筛选和相似性搜索。
但要注意：指纹位点的含义是不直观的。你不能像解释 LogP 那样说「这个位点代表什么」。所以在我自己的项目中，指纹通常作为辅助特征，不会单独用它做关键决策。
3.4 计算工具与一致性校验
市面上主流的描述符计算工具有不少：
- RDKit：开源、社区活跃、覆盖最全，我 90% 的项目都用它
- OpenBabel：格式转换强，描述符计算相对基础
- Mordred：基于 RDKit 的扩展库，能算 1800+ 描述符
- PaDEL-Descriptor：Java 实现，支持 1800+ 描述符
- 商业软件（MOE、Discovery Studio）：精度高，但成本也高
我用 RDKit 举个例子，计算一组核心描述符的代码非常简洁：
from rdkit import Chem
from rdkit.Chem import Descriptors, Lipinski
mol = Chem.MolFromSmiles('CC(=O)OC1=CC=CC=C1C(=O)O')
mw = Descriptors.ExactMolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = Lipinski.NumHDonors(mol)
hba = Lipinski.NumHAcceptors(mol)
tpsa = Descriptors.TPSA(mol)
rotb = Lipinski.NumRotatableBonds(mol)
print(f'MW: {mw:.2f}')
print(f'LogP: {logp:.2f}')
print(f'HBD: {hbd}, HBA: {hba}')
print(f'TPSA: {tpsa:.2f} Ų')
print(f'RotB: {rotb}')输出结果：
MW: 180.16
LogP: 1.31
HBD: 1, HBA: 3
TPSA: 63.60 Ų
RotB: 33.5 一致性校验的「三道关」
在实际项目中，我总结了三道必须过的校验关卡：
- 工具内一致性：同一版本的工具，对同一个分子计算 3 次，结果是否完全一致？RDKit 是确定的，但有些工具会引入随机种子。
- 跨工具一致性：RDKit 算的 LogP 和 PaDEL 算的 LogP，偏差在可接受范围内吗？我通常设容忍阈值为 0.2 log 单位。
- 版本间一致性：从 RDKit 2020.03 升级到 2023.09，描述符数值有没有漂移？尤其是 TPSA 和指纹位点定义。
3.6 选描述符的「最少够用原则」
说了这么多，你可能想问：那我到底该用哪些描述符？
我个人的实践是：从 2D 核心集出发，按需扩展。具体来说：
- 第一层（必选）：MW、LogP、HBD、HBA、TPSA、RotB —— 覆盖 Lipinski 五规则，也是大多数 ADMET 模型的基础特征
- 第二层（按任务选）：LogS（溶解度任务必加）、pKa（离子化相关任务）、芳香环数（平面性相关）
- 第三层（模型调优用）：3D 描述符、指纹描述符、Mordred 扩展描述符
为什么要这样分层？我见过太多新手一股脑算出 1000 多个描述符，然后扔进模型做特征选择。最后模型精度没提高多少，可解释性却一塌糊涂。少即是多，在描述符选择上尤其成立。