📚 课程目录第3章特征工程

3. 特征工程：分子描述符、指纹、图特征

老实说，特征工程才是ADMET预测模型里最见功力的环节。模型架构可以抄，超参数可以调，但特征选不好，数据质量差，后面再怎么折腾也是白搭。我在这个领域摸爬滚打了好几年，踩过的坑比吃过的盐还多，今天就把这些经验掰开了揉碎了讲给你听。

3.1 分子描述符：传统但不过时

分子描述符是什么？说白了，就是把分子的化学信息转化成数字。比如分子量、LogP、氢键供体/受体个数、可旋转键数等等。这些数字听着简单，但它们直接反映了分子的基本物理化学性质。

核心要点： 描述符的质量决定了模型性能的天花板。数据再干净，模型再复杂，如果描述符选得不对，结果也不会好。

我记得刚入行时做过一个Caco-2渗透性预测项目。当时选了一堆描述符，什么拓扑极性表面积、摩尔折射率，一股脑全扔进模型。结果模型在训练集上表现还不错，一到验证集就崩。后来发现是描述符之间存在严重的共线性，比如分子量和体积高度相关，导致模型过拟合。

常见的描述符可以分为几类：

描述符类型	例子	特点
物理化学性质	LogP, 分子量, TPSA	直观, 易解释, 但信息量有限
拓扑描述符	Zagreb指数, Wiener指数	反映分子骨架结构, 计算快
量子化学描述符	HOMO/LUMO能级, 偶极矩	电子层面信息丰富, 但计算昂贵
3D描述符	分子体积, 溶剂可及表面积	考虑构象, 对结合模式敏感

我个人习惯用RDKit来计算描述符。它开源、高效，而且社区活跃。下面是一段常用代码：

from rdkit import Chem
from rdkit.Chem import Descriptors

mol = Chem.MolFromSmiles('CCO')
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = Descriptors.NumHDonors(mol)
hba = Descriptors.NumHAcceptors(mol)
tpsa = Descriptors.TPSA(mol)

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

小建议： 描述符的标准化（归一化）很重要。我习惯用StandardScaler或MinMaxScaler，特别是对SVM、神经网络这类对特征尺度敏感的模型。

3.2 分子指纹：降维打击式的表达

分子指纹可以看成是分子结构的「数字化编码」。它把分子映射成一个固定长度的二进制向量，每个bit代表一个子结构是否存在。为什么说它是降维打击？因为指纹可以自动捕捉大量的局部特征，而且计算效率极高。

有次我在做hERG毒性预测，用了简单的MACCS指纹。你猜怎么着？模型AUC直接提升了0.08。原因很简单——指纹能捕捉到那些微小但关键的毒性基团，比如叔胺、芳环上的特定取代模式。而这些信息，用传统的1024个描述符根本抓不住。

常见的指纹类型包括：

MACCS keys: 166个预定义子结构，简单粗暴但很有效
Morgan/Circular指纹: 基于ECFP，半径可调，能捕捉更大范围的局部环境
Atom pair指纹: 编码原子间距离关系，对分子大小不敏感
Topological torsion指纹: 编码路径上的原子类型序列

我个人建议多试试Morgan指纹，特别是ECFP4。它在很多ADMET任务上表现都很稳定。下面是如何生成指纹的代码：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')

# MACCS keys
maccs = AllChem.GetMACCSKeysFingerprint(mol)

# ECFP4 (Morgan radius=2)
ecfp4 = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)

print(f"MACCS: {maccs.ToBitString()[:50]}...")
print(f"ECFP4: {ecfp4.ToBitString()[:50]}...")

避坑提醒： 指纹的bits数是关键超参数。bits太少（如512）容易碰撞，bits太多（如4096）容易过拟合且存储开销大。我一般从2048开始调，根据模型效果和数据集规模调整。

3.3 图特征：分子的自然语言

其实分子本身就是一个图结构——原子是节点，化学键是边。用图特征来建模，某种程度上是「让模型学会看懂分子的本来面貌」。我觉得这是近年来ADMET预测领域最激动人心的进展之一。

为什么要用图特征？举个例子：传统描述符和指纹都无法区分R-和S-对映体，但图神经网络可以，因为图可以编码原子的立体构型。有次我做一个CYP酶抑制预测，用GCN直接在图结构上做消息传递，效果比用ECFP4加XGBoost还好。

常见的图特征方法：

节点特征： 原子类型、杂化状态、形式电荷、是否为芳香原子等
边特征： 键类型、是否在环中、是否共轭等
图池化： 全局加和/均值/注意力，把节点特征聚合成整图表示
GNN变体： GCN、GAT、GIN、MPNN等，每种有各自的聚合策略

import torch
from torch_geometric.data import Data
from rdkit import Chem

mol = Chem.MolFromSmiles('CCO')

# 构造节点特征
atom_features = []
for atom in mol.GetAtoms():
    feat = [
        atom.GetAtomicNum(),
        atom.GetDegree(),
        atom.GetFormalCharge(),
        1 if atom.GetIsAromatic() else 0,
    ]
    atom_features.append(feat)
x = torch.tensor(atom_features, dtype=torch.float)

# 构造边索引
edge_index = []
for bond in mol.GetBonds():
    i = bond.GetBeginAtomIdx()
    j = bond.GetEndAtomIdx()
    edge_index.append([i, j])
    edge_index.append([j, i])
edge_index = torch.tensor(edge_index, dtype=torch.long).t().contiguous()

data = Data(x=x, edge_index=edge_index)
print(data)

我的经验： 图特征虽然强大，但对数据量要求也高。如果你的训练集不到1000个分子，建议先从描述符+指纹的组合开始。我曾经在一个只有500个样本的P-gp抑制项目里硬上GNN，结果验证集AUC还不如随机森林。数据量才是硬道理。

3.4 三种特征方法如何选？

讲完了三种方法，怎么选？为什么要这么麻烦？其实没有绝对的「最优特征」，只有「最适合当前任务的特征」。

下面这张图是我自己总结的特征选择路径，做完几十个项目后慢慢形成的判断框架：

你可能会问：这三种特征能组合使用吗？当然可以。我自己的经验是，把描述符和指纹拼接起来（concatenate），然后一起喂给树模型，在很多ADMET任务上都是「性价比最高」的方案。图特征目前更适合那些数据量大、任务本身对分子拓扑敏感的场景。

总结一下我的惯用策略：

新任务先用描述符+MACCS打底，快速了解数据情况

然后加上ECFP4，看效果有没有明显提升

如果数据超过5000，尝试GIN或MPNN

所有选择都要用五折交叉验证来拍板

说到底，特征工程没有银弹。我见过不少团队一上来就上GNN，结果还不如用LightGBM跑描述符。你想想看，同样的时间，花在理解数据、清洗数据、做特征分析上，回报率其实更高。嗯，这里要注意，别被「新技术」的炫目感带偏了，打牢基础比什么都重要。