4. 基于分子指纹的药物相似性计算实践（RDKit）

分子指纹，说白了就是把一个复杂的分子结构，压缩成一段固定长度的二进制或计数向量。听起来有点像给分子做“条形码”对吧？我刚开始接触药物研发的时候，总觉得这玩意太粗糙，丢掉了太多三维信息。后来做了一批分子筛选实验，才发现指纹这东西虽然简单，但在大规模虚拟筛选中，效率和准确性的平衡做得非常好。

RDKit 这个库，几乎成了药物化学家做相似性计算的标配工具。它内置了十几种指纹生成算法，而且计算速度特别快。我记得有一次处理一个百万级分子的库，用摩根指纹做相似性搜索，RDKit 只花了不到两分钟就完成了全部比对排序。

4.1 分子指纹是什么

先聊聊指纹的核心逻辑。一个分子被转换成指纹，本质上是将它的结构特征映射到一组位（bits）上。常见的指纹类型包括：

  • 摩根指纹（Morgan/ECFP）：基于半径的子结构枚举，是目前最主流的指纹。
  • MACCS 指纹：166 个预定义的结构片段，更像一个“检查清单”。
  • 拓扑指纹/路径指纹：基于原子之间的路径，不考虑原子类型。
  • RDKit 自身指纹（FP）：默认的 Daylight 式指纹，适合通用场景。

每种指纹有各自的脾气。摩根指纹（ECFP4）对局部结构很敏感，很适合做活性相似性搜索。而 MACCS 指纹呢，它覆盖的片段更宏观，我习惯用它来做粗筛或去重。

4.2 指纹之间的相似性怎么算

有了指纹向量，接下来就是“量距离”了。最常用的就是 Tanimoto 系数，也叫 Jaccard 指数。公式其实很简单：交集大小除以并集大小。

Tanimoto 系数在二值指纹上的表现特别稳定。我个人习惯用 0.6 作为阈值——超过 0.6 的两个分子，基本可以认为是同一化学空间内的“近邻”。低于 0.3 的话，基本上就是两个世界了。

除了 Tanimoto，还有 Dice、Cosine、Tversky 等系数。我过去做过一个骨架跃迁的项目，Tversky 比 Tanimoto 表现更好，因为它可以不对称地强调查询分子或目标分子的特征。所以你看，没有万能药，得看场景选工具。

常用相似性系数对比
指标 公式特点 适用场景
Tanimoto 对称，对公共位敏感 通用分子相似性
Dice 对称，放大公共位权重 指纹稀疏时更灵敏
Tversky 不对称，可调 α/β 当你想强调查询或目标特征
Cosine 倾向于长向量 计数指纹或向量空间模型

4.3 实操：用 RDKit 计算分子相似性

下面这段代码是我在项目里反复用的模板。我会从加载分子开始，一步步生成指纹，然后计算 Tanimoto 相似度。

from rdkit import Chem
from rdkit.Chem import AllChem, MACCSkeys
from rdkit.DataStructs import TanimotoSimilarity, DiceSimilarity

# 加载两个分子
mol1 = Chem.MolFromSmiles('CC1=CC=C(C=C1)NC(=O)C2=CC=CS2')  # 替尼达普类似物
mol2 = Chem.MolFromSmiles('CC1=CC=C(C=C1)NC(=O)C3=CC=CC=C3') # 对乙酰氨基酚类似物

# 生成摩根指纹（ECFP4）
fp1 = AllChem.GetMorganFingerprintAsBitVect(mol1, 2, nBits=2048)
fp2 = AllChem.GetMorganFingerprintAsBitVect(mol2, 2, nBits=2048)

# 计算 Tanimoto 相似度
tanimoto = TanimotoSimilarity(fp1, fp2)
print(f"Morgan/ECFP4 Tanimoto: {tanimoto:.4f}")

# 计算 Dice 相似度
dice = DiceSimilarity(fp1, fp2)
print(f"Morgan/ECFP4 Dice: {dice:.4f}")

# 生成 MACCS 指纹
maccs1 = MACCSkeys.GenMACCSKeys(mol1)
maccs2 = MACCSkeys.GenMACCSKeys(mol2)
tanimoto_maccs = TanimotoSimilarity(maccs1, maccs2)
print(f"MACCS Tanimoto: {tanimoto_maccs:.4f}")

你看，不到二十行代码，就完成了两种指纹的计算和比对。运行结果会告诉你，这两个分子在化学空间里到底有多“像”。

提示：生成摩根指纹时，第二个参数是半径。半径 2 对应 ECFP4，半径 3 对应 ECFP6。半径越大，感受野就越大，但噪音也可能增加。我个人经验：在活性筛选场景下，ECFP4 通常是 sweet spot。

4.4 批量计算与相似性矩阵

单个分子比不过瘾。实际项目中，我们面对的是成千上万个化合物。RDKit 提供了一个批量计算相似性矩阵的函数 DataStructs.BulkTanimotoSimilarity。

from rdkit.DataStructs import BulkTanimotoSimilarity
from tqdm import tqdm

# 假设我们有一个候选分子列表
mols = [Chem.MolFromSmiles(smi) for smi in smiles_list]
fps = [AllChem.GetMorganFingerprintAsBitVect(m, 2, nBits=2048) for m in tqdm(mols)]

# 用第一个指纹查所有
query_fp = fps[0]
scores = BulkTanimotoSimilarity(query_fp, fps)
sorted_indices = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)

# 打印 Top-5 相似分子
for idx in sorted_indices[:5]:
    print(f"Index: {idx}, Score: {scores[idx]:.4f}")

这段代码我在构建命中化合物去重流程时用过无数次。批量比对会将查询指纹逐个与数据库中的指纹对比，返回一个分数列表。配合 sorted 排序，Top-N 的最近邻结果就出来了。

注意：批量计算时，内存占用会随着指纹库尺寸线性增长。如果分子数超过 50 万，建议使用分块或基于树的索引（比如 Annoy 或 FAISS）来加速，而不是一次性加载全量指纹到内存。

4.5 指纹相似性的应用场景

实操了代码，我们来看看它到底用在什么地方。我经历过三个主要场景：

  • 虚拟筛选去重：从 HTS 结果中，移除与已报道活性分子高度相似的化合物，避免重复劳动。
  • 骨架分析：结合最大公共子结构（MCS），用指纹相似度做聚类，找到不同活性的化学骨架。
  • SAR 模型特征工程：把 Tanimoto 相似度矩阵作为核矩阵，输入到支持向量机或高斯过程中，构建定量构效关系模型。

这些场景下，指纹相似性计算都不是孤立的。说白了一个好的计算管线，是先把指纹生成好，再配合恰当的相似性指标和聚类算法，最后才能落地到具体的药物研发任务中。

4.6 常见避坑指南

避坑一：指纹长度与稀疏性
我曾经在项目里直接用 1024 位的摩根指纹，结果发现很多分子生成的指纹全是 0 或少数几个 1。后来发现问题在于分子结构太简单，位点不够。建议根据分子的复杂度，适当增加 nBits 到 2048 或 4096。

避坑二：只算 Tanimoto 就够了？
不一定。有些数据集里，两个分子公共特征很少但在关键药效团上高度重叠。这时候 Tanimoto 会低估相似性。我会多算一个 Dice 或 Tversky 指标，对比一下再决策。

避坑三：立体异构带来的偏差
ECFP4 默认不考虑立体化学信息。如果你比的两个分子只是立体构型不同，指纹相似性可能会高达 0.95 以上。但在药物研发里，手性中心有时候是天壤之别。这时候需要结合图匹配或三维构象比对来补足。

4.7 本章知识体系

下面这张 SVG 图总结了基于分子指纹的相似性计算核心流程——从输入到输出，再到应用。

分子指纹相似性计算工作流 分子结构 (SMILES) 指纹生成 摩根指纹 MACCS / 拓扑 相似性计算 Tanimoto / Dice 排序 / Top-N 结果 虚拟筛选 SAR / 聚类 / 去重 关键点 指纹长度、半径选择 对最终结果影响很大

从图中可以直观看到，从 SMILES 输入到最终的应用输出，核心就是指纹+相似性计算这个枢纽。无论你用哪种指纹，最终都要通过相似性系数转化成可排序的分数，然后才能用于下游任务。

4.8 小结

这一节我们走了完整的分子指纹相似性计算流程。从指纹概念、常见类型到 RDKit 的代码实现，再到批量计算和应用场景。我特意把避坑经验放在最后，希望你在实际代码里不再踩这些坑。说白了，指纹技术用了二十年，仍然是大数据驱动的药物筛选领域里最可靠的“第一印象”工具。熟用 RDKit，你的药物筛选起点会稳很多。

← 上一章 📖 返回目录 下一章 →