4.1 描述符分类体系：从原子计数到拓扑指数

4.1 描述符分类体系：从原子计数到拓扑指数

本节摘要：分子描述符是把结构折算成数字的函数——从最朴素的原子计数到考虑三维形状的几何指数。本节按维度整理这个大家族，重点讲透理化五件套（分子量、脂水系数、极性表面积、氢键供受体数）的计算口径与类药五规则判读，并用一次批量体检案例演示描述符的看家用途：在几秒内告诉一批分子谁像药、谁有问题。

第4章开张，先立语义坐标。描述符是化学信息学的体检报告：每个数字都有明确含义，人能直接判读，模型能直接食用。第2章的分子图在此被逐项"验血"，第6章建模吃的特征，多半就从这里出。

先把"分子数字档案"摊开

描述符按计算时用了多少结构信息分维度，维度越高信息越丰富，成本与构象依赖也越高。零维只数原子与键：分子量、原子计数、环数，快到几乎免费，但区分度最弱——同分异构体全军共享一份零维档案。一维数片段：含几个羟基、几个芳香环，本质是结构键的清单化。二维只用连接关系不问坐标：拓扑极性表面积（按片段贡献加总极性原子表面积）、脂水分配系数（Crippen 逐原子贡献加和）、维纳指数（所有原子对距离之和，刻画"分子拉得多开"）、Kappa 形状指数（刻画分支程度）。三维吃坐标：分子体积、溶剂可及表面积、WHIM 类对称性指数——信息最细，代价是必须先有可靠构象（2.3 节的伏笔在此兑现）。另有所谓四维描述符，用构象系综整体做统计，柔性信息进一步入账，但只见于专门工具。

工程上的第一课是按问题选维度：预测口服吸收，二维理化描述符足够；预测与手性靶点的结合，三维躲不开。用贵描述符回答便宜问题，是用激光刀切黄油。

图 4-1：描述符家族的维度金字塔

理化五件套与类药五规则

药代动力学的前半程（吸收、分布）由少数理化量主导，业内惯用五件套概括：分子量（MW）、脂水分配系数（logP，分子在正辛醇与水之间的分配倾向）、拓扑极性表面积（TPSA，与跨膜渗透强相关）、氢键供体数（HBD）与受体数（HBA）。类药五规则（Lipinski RO5）给出口服药物的粗筛线：分子量小于五百、logP 小于五、氢键供体不超过五、受体不超过十——违反两条以上者，口服成药性存疑。要强调这是经验线不是物理定律：违反的上市药不少（天然产物重灾区），它的正确用法是"标记注意"，而非"直接枪毙"。

案例：给一批候选分子做批量体检

背景。项目从虚拟筛选拿到几十个候选分子，药化同事只问一个问题："这批里哪些值得先做实验？"完整回答要建模与对接，但描述符体检能在几分钟内给出第一轮排序依据。

操作。RDKit 的描述符模块逐分子计算五件套，一口气完成：

from rdkit import Chem
from rdkit.Chem import rdMolDescriptors as rd
from rdkit.Chem import Crippen, Lipinski

mols = [
    ("布洛芬",  "CC(C)Cc1ccc(cc1)C(C)C(=O)O"),
    ("阿霉素",  "COc1cccc2c1C(=O)c1c(O)c3c(c1O)C[C@](O)(C(=O)CO)C3Oc1ccccc12"),  # 天然产物代表
    ("蔗糖",    "OCC1OC(O)C(O)C(O)C1O"),
]

for name, smi in mols:
    m = Chem.MolFromSmiles(smi)
    mw  = rd.CalcExactMolWt(m)
    logp = Crippen.MolLogP(m)
    tpsa = rd.CalcTPSA(m)
    hbd = Lipinski.NumHDonors(m)
    hba = Lipinski.NumHAcceptors(m)
    flags = sum([mw > 500, logp > 5, hbd > 5, hba > 10])
    print(f"{name}  MW={mw:.0f}  logP={logp:.1f}  "
          f"TPSA={tpsa:.0f}  供体{hbd} 受体{hba}  违反{flags} 项")
​

结果。布洛芬五项全部合规，违反项为零；阿霉素分子量五百上下、受体数十余，违反两项——它是靠转运机制入胞的抗癌药，口服场景本就不适用；蔗糖供受体双双爆表、TPSA 超过三百，典型的高度亲水分子，跨膜无望——它是食物不是药，体检如实报告。

解读。这份输出演示了描述符的正确打开方式：数字直接对物理直觉负责。TPSA 大说明极性表面积大、跨膜难；logP 高说明亲脂、易进膜但溶解度堪忧；供受体数刻画与水的氢键结合能力。判读时永远结合给药途径——五规则只对口服负责，把它错用到吸入、外用或细胞内给药场景，是初学者最常见的误判。另一个隐藏收益是数据质检：某条记录分子量超过两千或为负，多半是结构写法出错，描述符顺带当了质检员。

变式。体检维度可以按项目裁剪：抗生素项目关心极性下限（太亲脂进不了革兰阴性菌外膜），中枢药物项目关心极性上限与 logP 区间（要过血脑屏障），各领域有自己的"五规则"变体。更进一步，把五件套扩展成上百列描述符矩阵再交给模型挑——那是 4.3 节的主场，而描述符的选择艺术也随之升级为特征工程。

描述符之外的体检项

五件套之外还有几项常被塞进体检单的结构性质，各有看家本领。芳香环比例（芳香原子占比）关联平面性与非特异性结合：比例过高，分子容易靠平面芳香体系"贴"上各种蛋白表面，虚高的 promiscuity 风险随之而来。可旋转键密度（可旋转键数除以重原子数）是 Veber 规则的连续版，衡量分子骨架的"柔度"。净形式电荷与可电离基团计数预告溶解度与跨膜行为，也是 7.3 节 ADMET 模型的常用输入。结构警报计数（3.2 节的反应性基团清单命中数）严格说是过滤器不是描述符，但放进体检表顺手且直观。这些补充项与五件套共同构成一张十几行的体检表——覆盖了理化空间的主体，计算成本却几乎为零，是任何库分析的标准起步动作。

本节要点回顾

• 维度金字塔：计数、片段、拓扑、几何，信息与成本同步上升，按问题选维度。
• 五件套口径：MW、logP、TPSA、HBD、HBA 是药代画像的最小集，全部可从二维图算出。
• 五规则是标记线：违反两项标记注意而非枪毙，判读必须结合给药途径。
• 描述符兼差质检：极端值暴露结构错误，体检与查错一箭双雕。
• 下一站：描述符有语义但不擅长快速比较；4.2 节的指纹牺牲语义，换来亚秒级的分子对比能力。