📚 课程目录第3章化学相似性度量

3. 化学相似性度量：Tanimoto系数、欧氏距离、余弦相似度

好了，咱们开始聊点硬核的。化学相似性度量，说白了就是量化评估两个分子有多“像”。你想想看，在ADMET预测里，我们常假设“结构相似的分子，性质也相似”。但这个“像”怎么算？这就是今天要讲的三种核心度量方法。

我个人习惯把这三种方法分成两类：一类是基于分子指纹的，另一类是基于连续特征向量的。Tanimoto系数属于前者，欧氏距离和余弦相似度属于后者。理解了这点，你在实际项目中选哪个，心里就有谱了。

3.1 Tanimoto系数：分子指纹的黄金标准

如果你做过药物筛选，对Tanimoto系数一定不陌生。它是专门为二值指纹设计的。什么叫二值指纹？就是用一个0/1向量来表示分子中是否存在某种子结构。

举个例子，一个分子如果有苯环，某一位就是1；有羰基，另一位就是1。这样每个分子都被编码成一个固定长度的二进制串。比如我们常见的 Morgan 指纹（ECFP），生成的就是这种形式。

Tanimoto系数的定义非常简单：

T(A, B) = |A ∩ B| / |A ∪ B|

其中：
  A、B 分别表示分子 A 和 B 的指纹集合
  |A ∩ B| = 两个指纹中同时为1的位数（交集）
  |A ∪ B| = 两个指纹中至少有一个为1的位数（并集）

这个值在0到1之间。0代表完全不相似，1代表完全相同。

下面是我在实际项目中用的计算代码，Python实现：

import numpy as np
from rdkit import Chem
from rdkit.Chem import AllChem

def tanimoto_similarity(mol1, mol2):
    """
    计算两个分子的 Tanimoto 相似度
    """
    # 生成 Morgan 指纹，半径=2，2048位
    fp1 = AllChem.GetMorganFingerprintAsBitVect(mol1, 2, nBits=2048)
    fp2 = AllChem.GetMorganFingerprintAsBitVect(mol2, 2, nBits=2048)
    
    # 转换为 numpy 数组
    arr1 = np.array(fp1)
    arr2 = np.array(fp2)
    
    # 计算交集和并集
    intersection = np.sum(arr1 & arr2)
    union = np.sum(arr1 | arr2)
    
    # 避免除零错误
    if union == 0:
        return 0.0
    
    return intersection / union

# 使用示例
smiles1 = "Cc1ccccc1"  # 甲苯
smiles2 = "c1ccccc1"   # 苯

mol1 = Chem.MolFromSmiles(smiles1)
mol2 = Chem.MolFromSmiles(smiles2)

sim = tanimoto_similarity(mol1, mol2)
print(f"甲苯与苯的 Tanimoto 相似度: {sim:.4f}")
# 预期输出：0.7500 左右

应用场景：

化合物库虚拟筛选：从百万级库中找到与先导化合物最相似的结构
聚类分析：对分子库进行去冗余，确保训练集多样性
药效团匹配：评估候选分子与已知活性分子的结构相似程度

我曾经踩过的坑：别忘了Tanimoto系数对指纹的公共位点很敏感。如果两个分子都有大量相同的“背景”子结构（比如长烷基链），即使活性位点完全不同，相似度也可能很高。我问你，这合理吗？明显不合理。所以我建议你结合特征重要性分析，只看对活性贡献大的子结构片段。

个人习惯：我在做ADMET预测时，通常设一个阈值，比如0.6。训练集里所有与测试分子Tanimoto低于0.6的，我都视为“结构足够远”。但阈值怎么定？根据你具体的项目和分子库分布来试。没有万能的参数。

3.2 欧氏距离：简单直接，但有陷阱

欧氏距离可能是你最早接触的距离度量了。两点之间的直线距离嘛。但在化学信息学里，它用于比较的是连续特征向量，比如分子量、LogP、氢键供体数、极性表面积……这些东西组成的向量。

公式也简单：

d(A, B) = sqrt( Σ(Ai - Bi)² )

其中：
  Ai、Bi 分别是分子 A 和 B 的第 i 个特征值
  Σ 表示对 i 从 1 到 n 求和

数值越小，表示相似度越高。

你可能会问：这东西有什么不好吗？有。且听我细说。

import numpy as np
from scipy.spatial.distance import euclidean

def euclidean_similarity(mol1_descriptors, mol2_descriptors):
    """
    计算两个分子的欧氏距离，并转换为相似度
    注意：这里先计算距离，再映射到 [0, 1] 区间
    """
    dist = euclidean(mol1_descriptors, mol2_descriptors)
    
    # 将距离转换为相似度（距离越大越不相似）
    # 使用 sigmoid 函数进行映射
    sim = 1 / (1 + dist)
    
    return sim

# 假设分子特征：[MW, LogP, HBD, HBA, TPSA, RotBonds]
mol1_feat = np.array([180.0, 2.5, 1, 2, 37.0, 3])
mol2_feat = np.array([200.0, 3.0, 2, 3, 45.0, 4])

sim = euclidean_similarity(mol1_feat, mol2_feat)
print(f"基于 ADMET 描述符的相似度: {sim:.4f}")

重要避坑：欧氏距离对量纲极度敏感。分子量几百、LogP不到10、TPSA可能上百……这些数值的尺度完全不在一个级别。如果直接算，分子量会把其他特征淹没掉。我刚开始用欧氏距离时就踩过这个坑——看到结果全是分子量在主导，完全忽略了关键的结构信息。

标准化是必须的：

from sklearn.preprocessing import StandardScaler

# 假设你的训练集分子特征存储在 X_train 中
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)

# 测试分子也要用同样的 scaler
x_test_scaled = scaler.transform([x_test])

# 然后计算欧氏距离
dist = euclidean(X_train_scaled[0], x_test_scaled[0])

我建议你在做任何基于距离的ADMET预测之前，都先做好特征标准化。这能省掉你90%的调试时间。

3.3 余弦相似度：专注“方向”而非“长度”

余弦相似度衡量的是两个向量之间夹角的余弦值。如果说欧氏距离关心的是“直线距离”，那余弦相似度关心的就是“方向是否一致”。

公式更漂亮：

cos(A, B) = (A · B) / (||A|| × ||B||)

其中：
  A · B = Σ(Ai × Bi)      向量点积
  ||A|| = sqrt(ΣAi²)      向量模长

取值范围是[-1, 1]。1代表方向完全相同（相似度最高），-1代表完全相反。

这个度量在什么场景下特别好用？我告诉你——当你用词袋模型或潜在语义索引来表示分子时。比如你用一个很长的向量来表示分子中所有子结构出现的频次，这时候向量长度可能差异很大，但方向才是关键。

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

def cosine_mol_similarity(fp1, fp2):
    """
    计算两个分子指纹的余弦相似度
    这里 fp 可以是计数的（非二值），比如 ECFP 的计数版本
    """
    # 保持向量形状
    vec1 = np.array(fp1).reshape(1, -1)
    vec2 = np.array(fp2).reshape(1, -1)
    
    sim = cosine_similarity(vec1, vec2)[0][0]
    return sim

# 示例：使用计数型 Morgan 指纹
from rdkit.Chem import AllChem

mol1 = Chem.MolFromSmiles("CCCO")  # 丙醇
mol2 = Chem.MolFromSmiles("CCCOCC")  # 乙醚

# 计数指纹：记录每个子结构出现的次数，不只是0/1
fp1 = AllChem.GetHashedMorganFingerprint(mol1, 2, nBits=2048, useCounts=True)
fp2 = AllChem.GetHashedMorganFingerprint(mol2, 2, nBits=2048, useCounts=True)

sim = cosine_mol_similarity(fp1, fp2)
print(f"余弦相似度（计数指纹）: {sim:.4f}")

我个人的选择经验：

度量方法	适合场景	不适用场景
Tanimoto 系数	二值分子指纹、化合物库筛选	连续特征、稀疏的非二值向量
欧氏距离	物理化学描述符、经过标准化的连续特征	未标准化的特征、高维稀疏数据
余弦相似度	计数指纹、频次特征、忽略量级差异的场景	需要绝对数量信息的场景

3.4 实战选择：我怎么选？

好，理论讲完了，该聊聊实战了。你面对一批分子，到底用哪种度量？

我总结了一个简单的决策流程：

看你的分子表示方式：是二值指纹？计数指纹？还是连续描述符向量？这直接决定了你用什么。
看数据稀疏程度：二值指纹用Tanimoto。如果指纹里1的个数很少（很稀疏），Tanimoto比余弦更鲁棒。
看是否需要对量纲敏感：如果特征都在同一尺度，欧氏距离直觉最好。否则先用余弦或做好标准化再用欧氏。
看最终任务：做ADMET定性分类（好/差），三种差别不大。做定量预测（精确数值），我建议你试一下，甚至把三种做成特征拼接进去。

说实话，没有绝对的“最佳”度量。我自己的做法是：项目初期，用Tanimoto快速跑一遍筛选。如果效果不理想，再换成余弦或欧氏，对比一下哪个的AUC更高。

记一个项目经验：上次做口服吸收性预测，我用Tanimoto做了聚类去冗余，用欧氏距离计算物理化学特征的相似度，最后把两类相似度作为特征输入到随机森林模型。结果比只用单一度量高了5%的准确率。你看，有时候不一定要二选一。

3.5 本节要点总结

嗯，到这里关于三种化学相似性度量的核心内容就全了。我把它整理成几点，方便你回忆：

Tanimoto系数：二值指纹的标配，化合物库筛选的基石。注意它受公共位点影响大。
欧氏距离：直观好用，但必须做特征标准化。不然量纲大的特征会主导结果。
余弦相似度：专注方向，适合计数指纹和稀疏向量。忽略向量长度，别有洞天。
选择依据：看分子表示方式 → 看数据稀疏程度 → 看是否需要对量纲敏感 → 看最终任务。