分子相似性度量：Tanimoto系数、Dice系数、余弦相似度

做药物相似性计算，说白了就是测两个分子“长得像不像”。我入行那会儿，导师丢给我一个指纹文件和一套公式，说：“你把这100万个分子对跑完。” 我盯着屏幕，心里想的是——哪种度量最靠谱？

今天咱们就把三个最常用的度量一次说透：Tanimoto系数、Dice系数和余弦相似度。它们都能算相似性，但脾气完全不同。

1. Tanimoto系数

这是圈里用得最多的系数，也叫Jaccard系数。它的核心逻辑很简单：只看两个分子共同拥有的特征，不看都不拥有的。

公式长这样（假设指纹是位向量）：

T = |A ∩ B| / (|A ∪ B|)
   = 共同非零位数量 / 总非零位数量

举个数值例子：A有3个位为1，B有4个位为1，其中2个是共有的。那么T = 2 / (3+4-2) = 2/5 = 0.4。

我个人习惯拿它做初筛。为什么？因为它对“稀疏”很敏感。两个分子如果不活跃的特征都很多，但活跃特征交集小，Tanimoto会给你一个诚实的低分。我在项目中遇到过，用Tanimoto筛完的top-100候选，实验命中率比余弦高出一大截。

2. Dice系数

Dice和Tanimoto长得像，但分母不一样：

D = 2 * |A ∩ B| / (|A| + |B|)
   = 2 × 共同非零位 / (A非零位数量 + B非零位数量)

它给了共同特征双倍权重。我刚开始做虚拟筛选时不理解，为什么Dice分数总是比Tanimoto高一点？你想想看，分母里没有减去交集，所以当交集占主导时，Dice会“膨胀”。

Dice在化学信息学里常用于分子对接后处理和相似性融合。我个人的经验是：当指纹很稠密（比如MACCS指纹166位，平均一半是1），Dice和Tanimoto排名差异不大；但要是用ECFP4这种稀疏指纹（2048位，活跃特征只有几十个），差异就明显了。

3. 余弦相似度

余弦相似度来自向量空间模型：

cos(A, B) = (A · B) / (||A|| × ||B||)
           = 点积 / (模长乘积)

对于二进制指纹，分子完全相同：cos = 1；完全不同：cos = 0。但注意，它不考虑特征的总数差异——比如A有10个活性位，B有100个活性位，只要它们的夹角小，余弦就会给高分。

我记得有个项目，用余弦排序后，一个只有2个关键位、另一个有30个关键位的两个分子，居然被排到了前10。后来发现是余弦对“尺度”不敏感。那怎么办？我通常的做法是：余弦只用在已经做过归一化的特征向量上，比如用σ-π值或物化性质向量，而不是原始指纹位。

4. 三种系数对比

从代码实现看，它们都可以用指纹位操作快速计算。下面是一个Python示例：

def tanimoto(fp_a, fp_b):
    a = set(fp_a.bitlist())
    b = set(fp_b.bitlist())
    common = len(a & b)
    total = len(a | b)
    return common / total if total != 0 else 0.0

def dice(fp_a, fp_b):
    a = set(fp_a.bitlist())
    b = set(fp_b.bitlist())
    common = len(a & b)
    return 2 * common / (len(a) + len(b)) if (len(a)+len(b)) != 0 else 0.0

def cosine(fp_a, fp_b):
    dot = sum(1 for i in range(len(fp_a)) if fp_a[i] and fp_b[i])
    norm_a = sum(fp_a)
    norm_b = sum(fp_b)
    return dot / (sqrt(norm_a * norm_b) + 1e-10)

最后，放一张我常画的对比图，把三种度量的关系理清楚：

嗯，上面这张图把它们的流程串起来了。你可能会问：实际项目里怎么选？我的建议是：

• 标准虚拟筛选：用Tanimoto，业界基准，审稿人认。
• 相似性融合：Dice+权重调和，我试过效果不错。
• 跨描述子比较（比如把ECFP和物化性质拼成一个向量）：用余弦，因为它不怕特征量纲不同。

三种度量就像三把刀——切不同的菜用不同的刀。你要是也踩过坑，或者有自己偏好的场景，欢迎在课后来找我聊聊。