4.2 分子指纹：把结构压成比特串

4.2 分子指纹：把结构压成比特串

本节摘要：分子指纹是把结构压成定长比特串的编码，让"两个分子像不像"退化为两次比特串的比较。本节讲两条技术路线——键式指纹（MACCS）与圆环指纹（摩根/ECFP），拆解摩根指纹的逐层哈希与折叠碰撞机制，并用"追查一个比特位"的调试案例把指纹从黑箱变成玻璃箱。

上一节的描述符语义清晰却不擅长比较：要问"布洛芬和谁长得像"，上百列描述符算不出令化学家信服的答案。指纹就是为此而生：2.2 节预告的"廉价粗筛"，燃料全在这里炼成。第5章的相似性、聚类、多样性，全部站在指纹肩上。

指纹不是哈希猛冲，是两代设计哲学

键式指纹先于指纹时代的大部分技术：预先定义一组结构问题（"含酯基吗？""有仲胺吗？"），每个问题对应一个比特位，逐位作答。MACCS 键指纹是代表，一百六十六个预定义键，小而快，位与化学语义一一对应——所以它至今活跃在告警与初筛场景。局限也来自设计：问题集固定，表达力封顶，两个键式指纹相同的分子可能结构差别很大。

圆环指纹换了一条哲学：不预设问题，而是把每个原子周围逐层扩大的环境逐一哈希。摩根指纹（文献里常叫 ECFP，半径参数不同版本名号不同）从每个原子的初始不变量（元素、价态、电荷）出发，每一轮把自己的哈希与邻居的哈希聚合，得到"以此原子为中心、半径 r 以内的环境"的哈希值；这些哈希值经过取模折叠落进定长比特串。半径一常见于考虑直接邻居，半径二连邻居的邻居也入账——参数控制的是指纹的"视力范围"。

图 4-2：摩根指纹的逐层哈希与折叠

折叠是理解指纹的关键一步：环境哈希对总位数取模决定落位，位数少于环境数时不同环境会撞进同一格——碰撞。碰撞让指纹有损，但相似比较的要义恰在统计意义而非精确还原，少量碰撞不伤大局；实战中两千位与四千位是常用折中。

案例：追查一个比特位上站着谁

背景。指纹最大的槽位是黑箱感：模型说"第一千三百七十二位很重要"，没人知道那一位是什么。但这其实查得到——摩根指纹是确定性算法，每个置位都能追溯到产生它的原子环境。可解释性排查、指纹碰撞检查，都靠这一手。

操作。思路：先用整体指纹拿到非零位；再对每个原子单独生成"以它为中心"的指纹，看哪些原子把目标位点亮：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles("O=C(O)c1ccccc1OC(=O)C")   # 阿司匹林
fp = AllChem.GetMorganFingerprint(mol, 2)           # 计数型指纹
bits = {b for b, v in fp.GetNonzeroElements().items()}

target = 1372                                        # 假设模型点名这一位
owners = []
for atom in mol.GetAtoms():
    env = AllChem.GetMorganFingerprint(mol, 2,
                                       fromAtoms=[atom.GetIdx()])
    if target in {b for b, v in env.GetNonzeroElements().items()}:
        owners.append(atom.GetIdx())
print("点亮该位的中心原子：", owners)
print("对应原子符号：", [mol.GetAtomWithIdx(i).GetSymbol() for i in owners])
​

结果。输出通常指认一两个原子：以酯羰碳为中心、半径二以内的环境（碳氧双键、醚氧与芳环邻居在列）正是把 1372 号位点亮的那段结构——指纹位与具体化学环境的对应关系，一步到位。

解读。这个案例给出三层启示。其一，指纹可解释但不直观：查得到是哪段环境，但哈希值本身没有化学含义，含义来自回溯。其二，同一位可被不同分子里的不同环境点亮，这正是碰撞的直观形态——审查跨分子模型时，重要指纹位要抽几个分子回查。其三，计数型指纹（一环境多位可重复计数）比比特型保留更多证据，解释任务优先用它。

变式。顺着这条线索还能做两件事：把两个分子的非零位集合相减，得到"差异指纹"，直观呈现取代基变化落在哪些环境上——药物化学同事最爱的 scaffold hopping 讨论材料；把重要指纹位反查环境后人工归类，给深度模型的预测配上"指纹级"的化学解释——第8章可解释性的雏形技术。

指纹选型速查：什么时候用哪把钥匙

指纹家族比"MACCS 对摩根"的对决要热闹，把常用货色与适用场面排一排。

MACCS 键适合当"对话语言"：位位有语义，向不懂计算的解释者汇报"两个分子差在哪类特征"时最直观；也适合做粗过滤与快速去重。**摩根指纹（ECFP 系）**是默认主力：相似检索、聚类、机器学习的特征，十有八九由它承担；半径一保留"官能团视角"，半径二起保留"官能团加邻位视角"，药物分子常用半径二配两千位。**拓扑扭转指纹（Topological torsion 与 Atom pair 系）**从"原子对及间隔路径"的角度编码，与摩根视角互补，文献里常见两族指纹联用的方案——相似检索的交集命中往往质量更高（8.3 节的"表示分歧是信息"在此同样成立）。药效团指纹把原子抽象成供体、受体、芳香、疏水等类型再编码，牺牲拓扑细节换取"作用方式相似"，适合骨架跃迁场景——你要找的不是长得像，而是"对蛋白说话方式像"的分子。反指纹（禁用特征编码）与响应指纹属于进阶定制：前者显式编码负样本差异，后者在指纹空间里给"活性克隆"方向加权，见于成熟项目的精细调优。

参数侧只有三个高频旋钮。位数：两千是万级库的顺手值，亿级流水线常用一万位以上压碰撞；半径：一与二为主，三以上信息冗余开始淹没区分度；计数型对比特型：解释与建模优先计数型（信息无损），纯检索用比特型（比较快、存储省）。选型的元原则重申一遍第5章的立场：选一个、用到底、写进项目文档——指纹换了，相似度的语义就换了，跨阶段不可比。

本节要点回顾

• 两代哲学：键式指纹预设问题、位位有语义；圆环指纹逐层哈希环境、表达力无边但需回溯解释。
• 半径即视力：半径二覆盖邻居的邻居，是相似检索的常用配置。
• 折叠与碰撞：取模落位必然有损，加长位数缓解而不根除，统计比较不受小碍。
• 比特位可追查：以单原子为中心重算指纹，就能指认点亮某位的化学环境——黑箱可开。
• 下一站：指纹解决了"怎么比"，4.3 节解决"比什么"——上百列特征用之前，先瘦身。