2、分子描述符与特征工程：分子描述符类型、特征提取与标准化

做ADMET预测，说来说去，第一步就是把分子结构变成机器能理解的东西。这个转化过程就是特征工程。我个人习惯把它比喻成"给分子拍CT"：你得从不同角度、不同层次提取信息，最后拼出一张完整的健康画像。

特征工程做得好不好，直接决定模型的上限。我以前踩过一个坑：花了两周调超参数，结果R²死活上不去。后来发现是特征没处理好——有些描述符量级差了上千倍，模型根本学不动。从那以后，我每次做项目都会先把特征工程这步扎扎实实过一遍。

2.1 分子描述符类型

分子描述符基本可以分成四大类。你想想看，它们就像分子信息的四个维度：

2.2 特征提取：从SMILES到向量

实际干活的时候，我们拿到的大多是SMILES字符串。怎么把SMILES变成数值向量？过程其实就三步：

1. 解析SMILES：用RDKit的Chem.MolFromSmiles转成分子对象。
2. 计算描述符：逐项调用函数或算子。
3. 拼接成特征矩阵：把所有描述符堆起来，每一行是一个分子，每一列是一个特征。

下面给个实际代码片段，我项目里经常这样写：

from rdkit import Chem
from rdkit.Chem import Descriptors, AllChem
import numpy as np

def extract_2d_descriptors(smiles_list):
    """从SMILES列表中提取常用2D描述符"""
    desc_list = []
    for smi in smiles_list:
        mol = Chem.MolFromSmiles(smi)
        if mol is None:
            desc_list.append([np.nan]*14)  # 处理无效SMILES
            continue
        desc = [
            Descriptors.MolWt(mol),           # 分子量
            Descriptors.MolLogP(mol),         # LogP
            Descriptors.NumHDonors(mol),      # 氢键供体
            Descriptors.NumHAcceptors(mol),   # 氢键受体
            Descriptors.TPSA(mol),            # 拓扑极性表面积
            Descriptors.RingCount(mol),       # 环数
            Descriptors.RotatableBonds(mol),  # 可旋转键
            Descriptors.FractionCSP3(mol),    # sp3碳比例
            Descriptors.HeavyAtomCount(mol),  # 重原子数
            Descriptors.NumHeteroatoms(mol),  # 杂原子数
            Descriptors.NumSaturatedRings(mol),
            Descriptors.NumAromaticRings(mol),
            Descriptors.NumAliphaticRings(mol),
            Descriptors.chi0v(mol),           # 键合序指数
        ]
        desc_list.append(desc)
    return np.array(desc_list)

指纹特征提取更简单。下面是我最常用的ECFP4（Morgan指纹，半径2，1024位）：

def get_ecfp4_fingerprint(smiles, n_bits=1024):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=n_bits)
    return np.array(fp)

# 批量提取
smiles = ["CCO", "c1ccccc1", "CC(=O)O"]
ecfp4_matrix = np.array([get_ecfp4_fingerprint(s, 1024) for s in smiles])
print(ecfp4_matrix.shape)  # (3, 1024)

2.3 特征标准化

特征提取完，很多人直接塞进模型。这是大忌。为什么？因为不同描述符的量级差别太大了——分子量是几百，LogP在-2到5之间，而量子化学描述符可能是-0.1到0.01。树模型对量级不敏感，但线性模型、SVM、神经网络全都会崩。

我常用的标准化方法有两种：

用scikit-learn实现很简单：

from sklearn.preprocessing import StandardScaler, MinMaxScaler

# 假设 X_train, X_test 已经是特征矩阵
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # 注意：只用transform，不fit

2.4 知识体系总览

下面这张图概括了本章的核心流程。从输入SMILES开始，经过解析、三路特征提取（2D/3D/指纹），再到标准化和合并，最终得到可用于建模的特征矩阵。

2.5 常见陷阱与经验总结

说说我在项目里碰到的几个坑：

• 缺失值处理：某些分子可能算不出TPSA或某些量子化学描述符。我之前直接把缺失值设为0，结果模型在缺失值多的样本上表现极差。后来改成用特征均值填充，或者干脆删掉计算失败的分子。具体用哪种？看缺失比例。如果低于5%可以填充，超过20%我就直接删掉这个特征。
• 特征冗余：200多个2D描述符里，很多是高度相关的（比如分子量和重原子数）。我一般会用相关系数矩阵先筛一遍，去掉|r|>0.95的冗余特征。再用随机森林的特征重要性选Top 50。
• 维度爆炸：ECFP4有1024位，加上2D描述符，特征维度很容易上千。对于小样本数据集（几百个分子），我建议先用PCA降到50-100维，或者用SelectKBest选择与目标变量最相关的特征。
• 标准化顺序：记住了——先在训练集上fit，再transform训练集和测试集。千万别对全量数据做fit_transform。我刚开始做机器学习时犯过这个错，交叉验证分数虚高，一上测试就崩。