分子描述符概述：定义、分类与历史发展

什么是分子描述符？——先别急着背定义

各位做药物设计的同行，你们有没有遇到过这种情况：拿着一个活性不错的化合物，兴冲冲去做体内实验，结果因为代谢太快、毒性太高，项目直接凉了。我当年在CRO公司就吃过这种亏，一个系列十几个化合物，体外活性都很好，进到大鼠体内全被肝微粒体酶快速清除，白忙活三个月。

所以后来我养成了一个习惯：在设计化合物的早期，就先用分子描述符把ADMET性质（吸收、分布、代谢、排泄、毒性）快速扫一遍。说白了，分子描述符就是把分子的结构、物理化学性质、电子特征等信息，用一组数字或符号表示出来。你想想看，一个分子有几十个原子，几百个电子，怎么用计算机去预测它能不能透过血脑屏障？靠的就是这些描述符。

我个人更喜欢把分子描述符比作“分子的身份证”——每个分子都有自己独特的描述符组合，用来和其他分子区分开。有些描述符非常直观，比如分子量（MW）、脂水分配系数（LogP）；有些则很抽象，比如拓扑指数、静电势。不管哪种，目的就一个：用定量的方式刻画分子的内在性质。

分类体系——这些描述符到底分几类？

我在项目中经常要挑选合适的描述符做模型，最初也是摸着石头过河。后来发现，只要掌握几大类的特点，选起来就顺手多了。分子描述符按照计算方式和化学信息内涵，大致可以分成下面几类：

• 组成描述符（0D）：最简单的一类，只依赖于分子式和原子计数，比如原子数、键数、环数、分子量。计算速度最快，但信息量很低。
• 结构描述符（1D）：反映分子的官能团、片段或子结构信息。比如氢键供体/受体数目、可旋转键数目、芳香环数目。我就经常用这些做简单的类药性规则（如Lipinski五规则）。
• 几何/拓扑描述符（2D）：基于分子的二维结构图，包括原子连接性、分子形状、分支度。典型的如Wiener指数、Balaban指数。拓扑描述符在表征分子体积和形状方面很有用。
• 三维描述符（3D）：需要分子的三维构象，描述空间性质，如分子体积、表面积、偶极矩、静电势。计算量最大，但能反映分子与受体结合的立体化学特征。
• 量子化学描述符：通过量子力学计算得到，如HOMO/LUMO能量、电荷分布、极化率。这些描述符对理解反应活性、氧化代谢位点有直接帮助。
• 指纹描述符：用二进制位串（0/1）表示分子中存在或不存在的子结构。比如Morgan指纹（直径2的圆形指纹）在深度学习模型中越来越流行。

类别	示例	计算成本	信息维度	常见用于ADMET
组成/0D	分子量、原子数	极低	极低	类药性初筛
结构/1D	HBD、HBA、可旋转键	低	低	吸收、透膜
拓扑/2D	Wiener指数、Kier指数	中等	中等	分布、结合亲和力
三维/3D	分子体积、表面积、偶极矩	较高	高	结合能、蛋白相互作用
量子化学	HOMO/LUMO、电荷分布	高	很高	反应性、代谢位点
分子指纹	摩根指纹、ECFP	低-中	稀疏高维	相似性搜索、分类模型

历史发展脉络——从手算到深度学习

分子描述符不是新鲜事物。早在19世纪末，化学家们就开始用“规则”来总结性质规律。我记得看过一篇文献，1869年俄国化学家Marcellin Berthelot就试着用碳原子数预测烷烃的沸点——这其实就是早期的分子描述符思想。你想想看，那时候连计算机都没有，全靠手算。

真正系统化的发展，大致可以分为三个阶段：

1. 经验系数时代（1950s-1980s）：代表有Hansch的π值（疏水参数）、Taft的σ*值（取代基电子效应）。这些描述符来自大量的实验数据和理论推导。当时做QSAR，只能选几个关键描述符手工计算。我导师那时候还在黑板上手推公式，想想就不容易。
2. 拓扑指数时代（1980s-2000s）：随着计算机出现，拓扑指数开始流行。Wiener（1947）提出了第一个拓扑指数，后来有Balaban、Kier-Hall等。这一阶段的特点是描述符计算可以自动化，但选择还全靠专家经验。我记得早期的DRAGON软件只能算一千多个描述符，但在当时已经是革命性工具了。
3. 大数据与深度学习时代（2000s至今）：算力爆炸，描述符开始百花齐放。分子指纹、自动编码器提取的向量、图神经网络生成的节点特征……甚至出现了自动特征工程方法。现在的描述符库（如RDKit、Mordred、PaDEL-Descriptor）可以计算上万种描述符。但是，描述符并不是越多越好——我见过有人把5000维描述符直接扔进模型，结果训练集跑得很好，测试集一塌糊涂。说白了，这就像给菜放调料，少一味不行，放太多也会坏菜。

# 用RDKit计算几个常见的分子描述符（示例）
from rdkit import Chem
from rdkit.Chem import Descriptors

mol = Chem.MolFromSmiles('CC(C)Cc1ccc(cc1)C(C(=O)O)C')  # 布洛芬
mw = Descriptors.ExactMolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = Descriptors.NumHDonors(mol)
hba = Descriptors.NumHAcceptors(mol)
rotb = Descriptors.NumRotatableBonds(mol)
tpsa = Descriptors.TPSA(mol)

print(f'MW: {mw:.2f}, LogP: {logp:.2f}')
print(f'HBD: {hbd}, HBA: {hba}')
print(f'RotatableBonds: {rotb}, TPSA: {tpsa:.2f}')

分子描述符在ADMET中的角色

为什么我们在ADMET预测中离不开分子描述符？答案很简单：多数ADMET性质都是多个分子特征的综合体现。比如Caco-2细胞渗透性，不仅和LogP有关，还和分子量、可旋转键数、极性表面积（TPSA）有关。没有一个单一描述符能完整预测，所以需要组合多个描述符来建模。

我个人习惯把ADMET相关的分子描述符分成几组：

• 吸收相关：LogP、LogD、TPSA、HBD/HBA、可旋转键数、分子量、Papp（实验值）
• 分布相关：血浆蛋白结合率（PPB）与LogP、pKa、极性表面积、分子体积有关
• 代谢相关：CYP酶底物预测常用拓扑指数、分子极性、HOMO能量、位阻参数
• 排泄相关：分子量、LogP、电荷状态、胆汁排泄倾向
• 毒性相关：hERG抑制与分子量、LogP、碱性氮原子数、电荷密度有关；肝毒性常用反应性描述符（如亲电指数）

嗯，这里要注意：同一组描述符在不同数据集上表现可能差别很大。比如用某公司内部数据训练的PPB模型，LogP系数是0.7；但用ChEMBL数据训练时，权重可能变成了0.4。这就是为什么我建议在每个新项目开始时，都重新做一次描述符筛选和模型验证。