研究課題と適用範囲

記述子は定義された分子表現から計算する特性で、フィンガープリントは通常、選んだ構造パターンをベクトル化したものです。物性予測では特徴量の種類、入力表現、評価分割を先に決めます。MolFeatは特徴量計算器のハブ、Mordredは記述子計算器、RDKitは個別の記述子APIを提供します。名前だけで出力を同等と扱わないでください。

前提条件

不変の行ID、出典、SMILES、目的変数と単位を持つ表を用意します。塩、立体異性体、互変異性体を別観測とするかを事前に決め、Pythonと依存版を固定します。3D記述子には構造生成・最適化の記録が必要です。本稿は2D入力に絞ります。

作業手順

  1. Chem.MolFromSmilesで各行を解析し、Noneを返す行は隔離します。元のSMILESと正規化した異性体SMILESを両方保存します。正規化は塩・互変異性体の方針に代わりません。
  2. 少数の特徴量を明示的に選びます。RDKitではrdkit.Chem.Descriptorsを確認します。Mordredの公式例はCalculator(descriptors, ignore_3D=True)とcalc.pandas(mols)、MolFeatのサイトはRDKitDescriptors2D()を示します。別々の選択肢として比較し、無条件に連結しないでください。本稿ではコードを実行していません。
  3. 行ID、特徴名、版、前処理方針、失敗行を行列と共に保存します。欠損補完・スケーリング・特徴選択は学習データでのみ学習し、検証・テストに適用します。
import csv
from rdkit import Chem
from rdkit.Chem import Descriptors

rows = [("m1", "CCO"), ("m2", "CC(=O)O")]
with open("rdkit_features.csv", "w", newline="", encoding="utf-8") as file:
    writer = csv.writer(file)
    writer.writerow(["id", "smiles", "MolWt", "MolLogP"])
    for row_id, smiles in rows:
        mol = Chem.MolFromSmiles(smiles)
        if mol is None:
            raise ValueError(f"Invalid SMILES for {row_id}")
        writer.writerow([row_id, smiles, Descriptors.MolWt(mol), Descriptors.MolLogP(mol)])

結果の解釈と確認

各特徴行が有効な入力ID一つに対応することを確認し、除外構造と非有限値を報告します。同一版で再計算した特徴名と値域を比較します。予測価値は事前に決めた分割と単純な基準モデルで判断し、記述子の数だけで評価しません。

限界とよくある誤り

Mordredには入力次第で欠損やエラーが生じます。黙ってゼロに置換しないでください。2Dと3Dでは意味が異なり、塩・立体情報・重複分子は分割間の漏えいにつながります。利用時はソフトウェア、重み、データの権利をそれぞれ確認します。

関連する ChemAI Atlas ページ

リソース: Molfeat, Mordred, RDKit. 関連ガイド: RDKitで構築するAIケモインフォマティクスワークフロー. 既存Recipe: 化学データ整理スタック.

主な一次資料

  • https://molfeat.datamol.io/ (official source; accessed 2026-10-13)
  • https://github.com/mordred-descriptor/mordred (official source; accessed 2026-10-13)
  • https://www.rdkit.org/docs/GettingStartedInPython.html (official source; accessed 2026-10-13)