3. 传统的分子特征编码方法：MACCS密钥、ECFP指纹、摩根指纹

聊到分子特征编码，很多刚接触这行的同学容易一头扎进图神经网络或者Transformer里。我的建议是，先别急。传统的分子指纹方法，到今天依然在生产环境中大量使用，尤其是做虚拟筛选或QSAR建模时，它们往往是baseline的标配。

这一章，我带大家把三种经典方法摸透：MACCS密钥、ECFP指纹、摩根指纹。它们背后的逻辑其实很朴素，你想想看，都是想把分子的结构信息“压缩”成一串固定长度的向量。只是压缩的方式不同罢了。

3.1 MACCS密钥：靠“模板”对号入座

MACCS（Molecular ACCess System）密钥，本质上是一组预定义的子结构模板集合。每个模板对应一个结构特征，比如“是否含有苯环”、“是否有羰基”、“是否带羧基”。计算时，把分子跟这166个模板逐一比对，匹配上了对应位就置1，否则置0。

这个方法的缺点很明显——它对未知结构的泛化能力弱。我记得早期做配体相似性搜索时，用MACCS筛出来的命中集，经常漏掉一些骨架新颖但活性不错的分子。说白了，模板覆盖不到的片段，它就是盲区。

不过优势也很突出：快速、可解释。每个bit对应什么化学含义，可以清清楚楚回溯。你怀疑某个官能团跟活性相关，直接看对应bit的贡献就好。

实现上，RDKit提供了现成接口。我个人习惯这么用：

from rdkit import Chem
from rdkit.Chem import MACCSkeys

mol = Chem.MolFromSmiles('CC(=O)OC1=CC=CC=C1C(=O)O')
maccs = MACCSkeys.GenMACCSKeys(mol)

# maccs是长度为167的位向量（第一位是dummy bit）
bit_vec = list(maccs.ToBinary())
active_bits = [i for i, v in enumerate(bit_vec) if v == 1]
print(f'命中bit数: {len(active_bits)}')
print(f'激活位索引: {active_bits[:10]}...')

输出里那些激活的索引，对应着RDKit内置的SMARTS模板。我曾经在一门课里让学生逐个解析这些模板，结果不少人发现，自己的分子明明有酚羟基，对应的模板位却没点亮。原因是对应SMARTS限定了特定的连接环境。嗯，这里要注意：MACCS的模板判定是严格的子图同构匹配，不是简单的子串匹配。

3.2 ECFP指纹：圆形扩展的“局部感受野”

ECFP（Extended-Connectivity Fingerprint）跟MACCS完全不同。它不从预定义模板出发，而是从每个原子出发，做迭代的圆形扩展。说白了吧，它是在模仿卷积神经网络里“局部感受野”的概念——每次扩展一层邻居，就把更大范围的拓扑信息揉到一起。

实现细节是酱紫的：

1. 给每个原子初始化一个整数标识符（基于原子性质，比如原子序数、度、电荷等）。
2. 迭代扩展：每轮，把当前原子及其半径r内的邻居信息，通过哈希函数融合成新标识符。
3. 所有扩展过程中产生的标识符，全部收集起来，再哈希折叠到固定长度的bit位上。

这里有一个关键参数——直径（diameter）或者半径（radius）。ECFP通常用直径来命名，比如ECFP4，对应的radius=2。什么意思呢？就是说每个原子会考虑其周围2层以内的邻居。你调整这个参数，就等于在控制分子描述的感受野大小。

我做过对比实验：ECFP4在大多数小分子数据集上表现均衡，加到ECFP6后，虽然包含了更多环境信息，但噪声也跟着涨了，有些情况下反而是过拟合。所以我建议，在不清楚最优配置时，先从ECFP4开始试。

RDKit的计算示例：

from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CC(=O)OC1=CC=CC=C1C(=O)O')
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)

# 或者获取原始整数标识符列表（不折叠）
ecfp_identifiers = list(AllChem.GetMorganFingerprint(mol, radius=2).GetNonzeroElements().keys())
print(f'唯一子结构标识符数量: {len(ecfp_identifiers)}')

看到那个nBits=2048了吧？这是折叠到2048维的位向量。如果不折叠，你会拿到一组稀疏的整数哈希值。这里我踩过一个坑：直接用不折叠的标识符做相似性计算，不同分子的标识符集可能大小差异巨大，导致Tanimoto系数失真。后来我统一先折叠到固定长度再比较，问题就解决了。

3.3 摩根指纹：跟ECFP是“表亲”

摩根指纹（Morgan Fingerprint）这个名字，听起来跟ECFP不是一回事，但实现上它们几乎是一模一样的算法——都基于摩根算法（Morgan algorithm）进行迭代圆扩展。差异主要出在细节上：

• 特征提取范围：ECFP更强调对原子连接环境的局部描述，摩根指纹默认会覆盖更多的原子特征（包括手性、环信息等）。
• 折叠方式：摩根指纹在RDKit里默认用GetMorganFingerprintAsBitVect，折叠策略跟ECFP略有不同，但核心思想一致。
• 输出形式：两者都能输出位向量或者稀疏哈希列表。

我个人习惯：两者实际上是等效的。你在论文里看到ECFP4，用RDKit的GetMorganFingerprintAsBitVect(mol, radius=2)就能完美复现。很多研究者直接用“摩根指纹”来统称这类基于圆形扩展的算法。

来看一个对比表格，理清三者的关键差异：

特性	MACCS	ECFP	摩根指纹
特征来源	预定义子结构模板	原子局部环境迭代扩展	原子局部环境迭代扩展
固定长度	是（166位）	可配置（默认2048）	可配置（默认2048）
可解释性	高（每个bit对应SMARTS）	低（哈希值无直接化学含义）	低（哈希值无直接化学含义）
计算速度	快	中等	中等
感知范围	精确子图匹配	半径2~3层	同ECFP
实战场景	快速过滤、规则检查	相似性搜索、QSAR	同ECFP

3.4 一张图看懂三种指纹的关系

为了让这些概念更直观，我画了一张比较图。你可以从上到下看到分子信息从“全局模板匹配”到“局部圆形扩展”再到“迭代哈希折叠”的变化线。

3.5 实战避坑指南

最后分享几个我踩过的坑，希望对你有帮助。