5.1 相似性测度：Tanimoto 与它的同行

5.1 相似性测度：Tanimoto 与它的同行

本节摘要：相似性测度把两个指纹的交叠折算成零到一之间的分数，Tanimoto 系数是其中事实标准。本节先手算一笔比特账建立直觉，再认识 Dice、Cosine 等同行，最后用"给失去供货的先导物找替身"的完整案例演示 top-k 检索与得分判读，并把"相似性原理"的边界讲清楚。

排架间的第一堂实操课。4.2 节你学会了把分子压成比特串，本节回答下一个问题：两个比特串怎么比？这一步看似只差一个公式，实则是整个相似检索科学性的所在——比得没道理，检索就只是装饰。

先算一笔比特账

Tanimoto 系数的定义一句话说完：共同置位数除以两者置位数之和减去共同部分。设分子甲的指纹有 a 位为正，分子乙有 b 位为正，共同置位 c 位，则：

Tanimoto = c / (a + b - c)
​

代入真实一点的数字练一遍：某指纹长度两千位，甲置位 40 位，乙置位 55 位，逐位比对发现 32 位同时为正。共同部分 32，并集部分 40 加 55 减 32 等于 63，Tanimoto 等于 32 除以 63，约零点五一。注意这个分数的分母是并集不是全长度——分子级的细节在两千位的背景里会被稀释，用并集做分母等于是"在两者触及的范围内"衡量重合。

这个设计带来 Tanimoto 的招牌脾气：对小分子宽容、对大分子苛刻。小分子置位少，多一位共同特征，分数显著上涨；大分子指纹本来就密，同样的结构差异在分数上几乎不动。比较分子量悬殊的两个分子时，Tanimoto 会系统性偏低——不是 bug，是它对"比例"敏感的天性，判读时须记得。

它的两位同行也各有分工。Dice 系数把分母换成"两者置位数算术平均"（等价于 2c 除以 a 加 b），数值总比 Tanimoto 高半头，对共同部分更慷慨，生物学文献里更常见。Cosine 系数把分母换成几何平均（根号下 a 乘 b），介于两者之间，向量空间视角的产物。三者的排序大体一致，工程上通常"选一个、用到底、别中途换"——换系数导致的分数漂移，常被误判成检索质量变化。

案例：给失去供货的先导物找替身

背景。项目的一个先导化合物供应商突然断供，重新合成周期要半年。药化主管的备选方案是"在采购库里找长得像的分子直接买"——结构近似则活性近似（相似性原理），买回来直接进复筛。库存文件里有五万个可采购分子，人工翻看不可能。

操作。查询分子与全库全部生成摩根指纹（半径二、两千位），算批量相似度，取前五：

from rdkit import Chem
from rdkit.Chem import AllChem
from rdkit import DataStructs

query = Chem.MolFromSmiles("CC(C)Cc1ccc(cc1)C(C)C(=O)O")  # 布洛芬式先导物
qfp = AllChem.GetMorganGenerator().GetFingerprint(query)

library_smiles = purchasable_list            # 五万个可采购分子
lib_mols = [Chem.MolFromSmiles(s) for s in library_smiles]
lib_fps = [AllChem.GetMorganGenerator().GetFingerprint(m) for m in lib_mols]

scores = DataStructs.BulkTanimotoSimilarity(qfp, lib_fps)
ranked = sorted(zip(scores, library_smiles), reverse=True)[:5]
for s, smi in ranked:
    print(f"{s:.3f}  {smi}")
​

结果。典型输出形如：零点八六的一个近亲（只在烷基链长上差一个碳）、零点七三的两个（苯环上多一个甲基取代）、零点五几的两个（羧酸换成了四氮唑等生物电子等排体）。分数梯度与结构差异完全同向：链长微调 > 单取代基增减 > 关键官能团替换。

解读。三点判读经验。其一，阈值看背景分布：五万分子的库相似度多在零点一以下，零点七以上通常只有个位数命中——绝对数值无意义，与背景拉开差距才有意义；业内常用的粗口径是零点八五以上算"极像"，零点五到零点七算"骨架近邻"。其二，相似不等于同活性：相似性原理是概率陈述，四氮唑替换羧酸这类"电子等排"操作会动到酸性基团，pKa 与结合模式都可能翻车——替身买回来必须复筛，检索只是把命中率从大海捞针提到近海捞针。其三，指纹选择决定"像"的定义：摩根指纹偏拓扑相似，药效团指纹偏作用方式相似；找替身时若关心结合模式，值得两套指纹各跑一遍取交集。

变式。三个常用升级。子结构约束混合检索："必须保留羧酸"用 SMARTS 先过滤，再在余集内做相似排序——硬约束与软相似各管一段。特征指纹加权：对药效关心的特征类型（氢键供体环境、芳香环）加权重，让"像"向药效倾斜。反向最近邻：不是找像查询的分子，而是问"这个分子最像库里谁"——数据清洗时识别录入错误分子的妙招。

得分要放进背景分布里读

单个 Tanimoto 分数几乎没有绝对含义，它的一切判读都要对照背景分布——这是相似检索最容易被忽略的统计常识。

把查询分子与全库逐一算分，画一张分布图，你会发现它强烈右偏：绝大多数分子挤在零点一以下（毕竟随便两个药物样分子拓扑重合有限），中部拖出长尾，右上角稀稀拉拉几个真正的高分。检索的全部艺术就在这张图的右上角。由此推出两个实用口径：阈值带——把分布的前千分之一位置当"极像带"（万级库里通常落在零点七附近），前百分之五当"近邻带"；倍数口径——候选得分减去背景中位数再除以四分位距，类似标准分的读法，跨库比较时比绝对分数稳健得多。

图 5-1：相似度背景分布与两条阈值带

这套背景化读法还有个副产物：分布形状本身是质检器。某个查询分子在库里拉出一片异常肥的高分尾巴，先别高兴——它多半是"超级常见骨架"（苯环、脂肪链这类万物皆像的分子），检索结果会被它的平庸相似度淹没；换掉查询或改用药效团指纹，名单质量立刻不同。分布是检索的诊断书，先看图再拿名单，是老手的顺序。

本节要点回顾

• 一笔比特账：Tanimoto 等于共同置位除以并集置位，分母是并集不是全长。
• 小分子宽容大分子苛刻：Tanimoto 对比例敏感，跨尺度比较须谨慎。
• 系数选一个用到底：Tanimoto、Dice、Cosine 排序大体一致，中途换系数会伪造质量波动。
• 阈值看背景分布：绝对分数无意义，与库背景拉开差距才是命中。
• 相似是概率不是保证：相似性原理撑起检索的合法性，复筛兜底它的不确定性。
• 下一站：相似是点对点的事，多样是全局的事——5.2 节把整个书架排出来。