研究问题与适用范围
描述符是针对特定分子表示计算的属性;指纹通常将选定结构模式编码为向量。核心问题是为性质预测选择何种特征、输入表示和评价划分。MolFeat 汇集多类特征化器,Mordred 专注描述符计算,RDKit 提供描述符 API。不要仅因名称相近就视其输出等价。
前置条件
输入表应保留不可变行 ID、出处、SMILES、目标值及单位。计算前明确盐、立体异构体和互变异构体的处理政策,并固定 Python 与依赖版本。3D 描述符还需要可追溯的构象和几何生成方法;本文流程只采用 2D 输入。
操作流程
- 使用
Chem.MolFromSmiles解析每行;返回None的行隔离记录。保存原始和规范化的异构 SMILES,但规范化不能替代盐或互变异构体规则。 - 先选择小而明确的特征集合。RDKit 可从
rdkit.Chem.Descriptors选取;Mordred 官方示例使用Calculator(descriptors, ignore_3D=True)与calc.pandas(mols);MolFeat 官网演示RDKitDescriptors2D()。这些是可比较的不同分支,不应盲目拼接。本文未运行这些示例。 - 导出行 ID、特征名、软件版本、预处理政策和失败记录。填补缺失、缩放和特征筛选只在训练集拟合,再应用到验证/测试集。建模前固定留出集。
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)])
结果解释与验收
检查每个特征行恰好对应一个有效输入 ID,报告被拒绝的结构和非有限数值。用同一版本重跑并比较特征名及数值范围。应以预先定义的划分和简单基线评价预测价值;特征数量本身不是质量证据。
局限与常见错误
Mordred 可能对不适用的输入产生缺失或错误值,不应静默填零。2D 与 3D 特征解决的问题不同。盐、立体信息与重复分子会造成跨集合泄漏。部署时分别核对软件及任何模型权重许可;代码开源并不等于数据可任意使用。
相关 ChemAI Atlas 页面
资源: Molfeat, Mordred, RDKit. 相关指南: 如何使用 RDKit 构建 AI 化学信息学工作流. 现有 Recipe: 化学数据清洗组合.
主要来源
- 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)