第5章 排架与检索：相似性与多样性

第 5 章 · 排架与检索：相似性与多样性

章节摘要：卡片房备好了指纹，本章开始排架：相似性检索按"与这本书像不像"找书，聚类把书架分成主题区，多样性挑选保证馆藏不重复建设。本章讲透 Tanimoto 系数及其同行的脾气，演示 Butina 聚类与 Murcko 骨架分析的可运行流程，并用"预算有限怎么挑五百个分子"的案例把相似与多样这对张力摆上台面。这一章是从"描述分子"迈向"比较分子"的转折点。

学习目标

读完本章，你应当能够：

1. 手算两个指纹的 Tanimoto 系数，并说出它与 Dice、Cosine 系数的适用差异；
2. 用 RDKit 对任意库做 top-k 相似检索，并解释得分阈值的经验区间；
3. 陈述"相似性原理"的内容与失效边界，避免把相似当万能；
4. 用 Butina 算法把分子库聚成主题区，并讨论阈值参数对结果的影响；
5. 用 Murcko 骨架分解统计一个库的骨架分布，识别"一个骨架打天下"的偏馆藏；
6. 用 MaxMin 或聚类中心法从大库里挑选兼顾多样与代表性的子集。

核心概念速览

相似性与多样性是同一枚硬币的两面：一个回答"和它像的还有谁"，一个回答"哪些地方我们的馆藏还是空白"。

两者的技术底座同为指纹。相似性面向检索：以查询分子为中心，按相似得分排序取近邻，服务"找替身、找跟进分子、扩展活性克隆"这类任务。多样性面向建设：不设中心，评估并改善库对化学空间的覆盖，服务"买什么、合成什么、怎么去重"这类决策。行业经验反复验证过相似性原理——结构像的分子活性大概率相近，这是相似检索的合法性来源；但原理有边界，骨架稍越界活性就可能翻脸，这正是第6章要建模而不是只靠检索的原因。

子章节导航

5.1 相似性测度：Tanimoto 与它的同行——从一笔手算的比特账入手，讲清 Tanimoto 的定义与脾气，认识 Dice、Cosine 等同行的适用差异；"找替身分子"案例完整演示 top-k 检索与结果判读。

5.2 聚类、骨架分析与库多样性——Butina 聚类的机制与阈值敏感；Murcko 骨架分解怎么给库"验骨架"；MaxMin 多样性挑选的贪心逻辑；"五千分子挑五百"案例串起全部工具。

子章节之间的逻辑关系

两节共享指纹底座，方向相反：5.1 以查询为中心做"点对点"比较，5.2 无中心做"全局"的组织与覆盖。实际项目里两节总是先后出现——先聚类看全景（5.2 的视角），再在每个相关簇内做相似检索（5.1 的视角）；反过来先检索后聚类，则常见于"命中集去重与归类"。多样性挑选更是两者的合体：MaxMin 的每一步都是一次"远离已选集"的检索。

         5.1 相似性（点对点）          5.2 多样性（全局）
   ┌──────────────────────┐     ┌──────────────────────┐
   │ 查询分子 → 近邻排序    │     │ 无中心的覆盖与去冗余   │
   │ Tanimoto 手算与代码    │     │ Butina 聚类 · Murcko  │
   └──────────┬───────────┘     │ MaxMin 挑选           │
              │    互为供给      └──────────┬───────────┘
              └───────────┬─────────────────┘
                          ▼
              第6章：从"像不像"升级到"预测多强"
​

前置知识与后续延伸

本章需要 4.2 的指纹概念与一点点初中几何直觉（"距离近的点像"），不要求统计学。所有代码在普通笔记本上秒级完成，欢迎随手改参数观察结果漂移——本章是全册最适合动手试错的章节。

往后的路标：相似检索的命中集是 7.1 节基于配体的虚拟筛选的直接输入；聚类与化学空间图是 6.2 节适用域判断的工具；MaxMin 挑选思想会在第8章生成模型的后处理（去重与多样化）里原样复用。