第2章 分子指纹简介：MACCS、ECFP、FCFP 等常见指纹

做药物相似性计算，第一个绕不开的东西就是分子指纹。说白了，就是把一个分子——通常是个 SMILES 字符串或者 Mol 对象——转成一组0和1组成的向量。这个向量能告诉你分子里有没有某些结构片段、原子环境、或者拓扑特征。

我入行那会儿，公司老系统还在用 MDL 格式的固定长度指纹，后来才慢慢换到 ECFP、FCFP 这些。这几年做图神经网络，又经常把分子指纹作为节点特征输入 GNN。所以不管你是做传统相似性搜索还是做深度学习，这几种指纹都得吃透。

2.1 什么是分子指纹？

分子指纹本质上是分子结构的编码。早期化学家手动画分子时，全靠直觉判断两个化合物像不像。后来有了指纹编码，机器就能做高速对比了。

常见的做法是：把分子里的所有子结构（比如某个官能团、某条路径）枚举出来，再通过哈希或者预定义字典，映射到固定长度的位串。位串上的每一位代表一个结构特征存不存在（1表示有，0表示没有）。

你想想看，两个分子的指纹位串越相似，它们的 Tanimoto 系数越接近1，我们就说它们越相似。这也是后面相似性计算的基础。

2.2 MACCS 指纹

MACCS 全称是 Molecular ACCess System，早年由 MDL 公司（现在属于 BIOVIA）开发。它使用一套固定的 166 个结构键（structural keys），每个键代表一个 predefined 的官能团或亚结构。

特点：

• 固定长度：最常见的版本是 166 位，也有 960 位版。一般说 MACCS 默认指 166 位。
• 预定义字典：每个位对应一个 SMARTS 模式，比如位1代表“含有卤素”，位42代表“含有芳环”等等。
• 可解释性强：你能直接查出某一位对应什么结构。
• 适用于骨架相似性：因为只检测预定义片段，对整体骨架变化敏感。

使用场景：早期虚拟筛选、公共数据库（如 PubChem）的快速过滤。我曾在一次项目中用 MACCS 做初筛，几百万个分子几分钟就跑完，配合 Tanimoto 系数直接淘汰掉一堆不相关的。

缺点：因为位点少，对微小结构变化（比如手性、同位素）不敏感。而且有些分子含有 MACCS 字典里没有的片段就会全零，这就尴尬了。

2.3 ECFP 指纹

ECFP 全称是 Extended-Connectivity Fingerprints，由 Rogers 和 Hahn 在 2010 年提出（RDKit 里有现成实现）。它不依赖预定义字典，而是根据分子中每个原子的局部环境来生成特征哈希到位串。

核心机制：

1. 对每个非氢原子，提取它的特征（如元素类型、原子序数、电荷、连接度等）作为初始片段。
2. 然后向外扩展半径（默认 2 圈），每扩展一圈就把邻居原子的特征哈希进去，生成新的片段标识。
3. 最后把这些片段标识通过哈希函数映射到固定长度的位串（默认 2048 位）。

常见变体：

• ECFP0：半径 0，只考虑原子本身特征。
• ECFP2：半径 1，考虑原子及其直接邻居。
• ECFP4：半径 2（业界最常用）。
• ECFP6：半径 3。

为什么常用 ECFP4？

我在做化合物库多样性分析时对比过：ECFP4 对局部结构（比如官能团类型、取代模式）非常敏感，同时不会因为远离中心的变化（比如长烷基链的微小摆动）导致指纹剧变。这是个很好的平衡。

代码示例（Python + RDKit）：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('c1ccccc1C(=O)O')
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
# fp 是一个 DataStructs ExplicitBitVect 对象
# 可以用 fp.ToBitString() 查看位串
bit_string = fp.ToBitString()
print(len(bit_string))  # 2048

2.4 FCFP 指纹

FCFP 跟 ECFP 的算法逻辑一模一样，唯一的区别是原子特征的定义方式不同。ECFP 使用“原子拓扑特征”（反映化学环境），而 FCFP 使用“药效团特征”。

药效团特征包括：

• 氢键供体
• 氢键受体
• 正电性/负电性
• 芳香性
• 疏水性
• 等等

这意味着 FCFP 更关注分子中与药物-靶标相互作用相关的功能团分布。如果做基于药效团的虚拟筛选，FCFP 效果往往好于 ECFP。

我有个经验：做激酶抑制剂亲和力预测时，FCFP4 加 GNN 的组合经常比纯 ECFP4 提升 3-4% 的 AUC。因为激酶抑制剂通常需要特定的氢键和芳香作用。

2.5 其他常见指纹

除了 MACCS、ECFP、FCFP，还有一些指纹也值得了解：

指纹类型	长度	描述	典型应用
RDKit 指纹	2048（默认）	基于子图枚举，默认路径长度 1-7	一般相似性搜索
AtomPair 指纹	可变	编码原子对的距离（拓扑距离）和特征	配体相似性分析
Torsion 指纹	可变	编码可旋转键的二面角模式	构象相似性
MAP 指纹	2048（默认）	类似 ECFP，但使用更精确的原子特征哈希	深度学习特征输入

我的建议： 如果做传统筛选，首选 ECFP4（2048 位）配合 Tanimoto。如果做药效团过滤，先试 FCFP4。如果需要可解释性（比如向化学家解释结果），用 MACCS 是很好的选择，虽然精度差一些但一眼能看懂。

2.6 指纹生成的常见陷阱

我在项目里见过好多新手栽跟头，列几个你千万注意：

• SMILES 不规范：同一分子的不同 SMILES 写法（如正写/标准凯库勒）可能导致指纹不同。一定要用 RDKit 的 Chem.MolFromSmiles 后再 Chem.MolToSmiles 得到规范 SMILES。
• 氢原子处理：ECFP 和 FCFP 默认排除氢原子。如果显式添加氢（Chem.AddHs），指纹会不同。保持一致即可。
• 哈希冲突：2048 位里多个片段映射到同一位的概率虽然低，但不是零。有些场景（比如专利圈地）需要确定性，可以考虑转成整数列表。
• 大规模速度：不要循环调用 GetMorganFingerprintAsBitVect 逐个处理。可以用 AllChem.GetHashedMorganFingerprint 批量操作，或者用多进程。