🤖 machine learning

Scikit-fingerprints: Python library for scikit-learn compatible molecular fingerprints and chemoinformatics

O artigo apresenta o scikit-fingerprints, uma biblioteca Python abrangente construída sobre o RDKit que faz a ponte entre a quimioinformática e o ecossistema scikit-learn ao fornecer impressões digitais moleculares, medidas de similaridade e ferramentas de fluxo de trabalho totalmente compatíveis para otimizar o desenvolvimento, a reprodução e a implementação de modelos de aprendizado de máquina molecular.

Autores originais: Jakub Adamczyk, Adam Staniszewski

Publicado 2026-08-04

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jakub Adamczyk, Adam Staniszewski

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde cientistas estão tentando projetar novos medicamentos, mas em vez de misturar produtos químicos em um béquer, eles estão misturando dados em computadores. Este campo é chamado de quimioinformática, e seu trabalho principal é ensinar os computadores a "enxergar" moléculas. Para fazer isso, os computadores precisam transformar formas 3D complexas de átomos em listas simples de números, algo como transformar um bolo delicioso e de várias camadas em um cartão de receita com apenas os números para farinha, açúcar e ovos. Essas listas de números são chamadas de "impressões digitais" (fingerprints) porque agem como um ID único para cada molécula.

Por muito tempo, as ferramentas que os cientistas usavam para criar essas impressões digitais eram como máquinas antigas e desajeitadas que só falavam sua própria linguagem secreta. Elas eram ótimas em seu trabalho específico, mas não conseguiam conversar com as ferramentas modernas e superinteligentes que os cientistas de dados usam para construir inteligência artificial. Era como tentar ligar um rádio vintage em um sistema de casa inteligente moderno; os fios não combinavam, e todo o processo era bagunçado, lento e propenso a quebras. Este artigo apresenta uma nova ferramenta chamada scikit-fingerprints, que atua como um tradutor universal e um mestre construtor, conectando o mundo das moléculas químicas com o mundo do aprendizado de máquina moderno.

O Tradutor Universal para Moléculas

Os autores, Jakub Adamczyk e Adam Staniszewski, construíram uma nova biblioteca Python chamada scikit-fingerprints. Pense nela como um canivete suíço gigante para dados moleculares que se encaixa perfeitamente no ecossistema "scikit-learn". O scikit-learn é a caixa de ferramentas mais popular para ensinar computadores a aprender com dados, mas até agora, ele não sabia lidar muito bem com moléculas. As antigas ferramentas químicas eram como ilhas isoladas; você tinha que escrever códigos especiais e bagunçados para mover dados entre elas e os algoritmos de aprendizado. O scikit-fingerprints preenche essa lacuna, permitindo que os cientistas construam fluxos de trabalho inteiros de descoberta de fármacos usando os mesmos blocos limpos e familiares que usam para tudo o mais.

A biblioteca é construída sobre o RDKit, um poderoso kit de ferramentas de código aberto que tem sido o padrão para lidar com estruturas químicas há anos. No entanto, embora o RDKit seja poderoso, ele não foi projetado para interagir bem com pipelines modernos de aprendizado de máquina. O scikit-fingerprints realiza o trabalho pesado do RDKit e o envolve em um pacote organizado e padronizado. Ele garante que cada etapa do processo — desde a leitura de um nome químico (string SMILES) até o treinamento de um modelo — siga as mesmas regras. Isso significa que você pode substituir uma parte do seu processo por outra sem ter que reescrever todo o seu código.

Uma Caixa de Ferramentas Cheia de Truques

O artigo explica que esta biblioteca faz muito mais do que apenas transformar moléculas em números. Ela oferece um conjunto completo de ferramentas que cobrem toda a jornada de um projeto de descoberta de fármacos:

A Fábrica de Impressões Digitais: A biblioteca inclui mais de 30 maneiras diferentes de criar impressões digitais moleculares. Algumas procuram por formas específicas (subestruturas), enquanto outras contam quantas vezes certos padrões aparecem. É como ter um menu de diferentes câmeras, cada uma tirando uma foto única da molécula para destacar diferentes detalhes.
O Segurança (Filtros): Antes mesmo de começar os testes, você pode querer expulsar os maus atores. A biblioteca possui mais de 30 "filtros" que agem como seguranças em uma boate. Eles verificam se uma molécula é "semelhante a um fármaco" ou se contém partes reativas perigosas que estragariam o experimento. Se uma molécula falha nas regras, ela é expulsa automaticamente.
A Régua (Distâncias e Similaridades): Cientistas frequentemente precisam saber o quão semelhantes são duas moléculas. A biblioteca fornece mais de uma dúzia de maneiras de medir essa distância, agindo como uma régua superprecisa que pode comparar moléculas com base em suas impressões digitais ou até mesmo em suas formas 3D.
A Rede de Segurança (Domínio de Aplicabilidade): Este é um recurso crucial. Ajuda os cientistas a saberem quando um modelo está apenas adivinhando e quando ele tem certeza de fato. Ele verifica se uma nova molécula se parece o suficiente com aquelas em que o modelo foi treinado. Se a nova molécula for estranha demais, a ferramenta a sinaliza como "não confiável", evitando que os cientistas confiem em previsões ruins.
O Divisor: Para testar se um modelo funciona, você precisa dividir seus dados em um conjunto de "treinamento" e um conjunto de "teste". A biblioteca oferece maneiras inteligentes de fazer isso, garantindo que as moléculas de teste sejam verdadeiramente diferentes das de treinamento, o que proporciona uma pontuação mais honesta de como o modelo funcionará no mundo real.

Acelerando o Processo

Um dos maiores problemas neste campo é que calcular essas impressões digitais pode ser incrivelmente lento, especialmente quando você tem milhões de moléculas. O artigo destaca que o scikit-fingerprints foi construído para velocidade. Ele utiliza processamento paralelo, o que significa que pode usar todos os núcleos do processador de um computador ao mesmo tempo, em vez de fazer uma coisa de cada vez.

Os autores testaram sua ferramenta e a consideraram significativamente mais rápida do que as formas antigas de fazer as coisas. Por exemplo, quando tentaram calcular um tipo específico de impressão digital (a impressão digital PubChem) para um grande conjunto de dados, o método deles foi muito mais rápido do que as ferramentas padrão baseadas na web, que frequentemente travam ou falham quando solicitadas a fazer muita coisa ao mesmo tempo. Em testes com quase 7 milhões de moléculas, a biblioteca conseguiu processá-las de forma eficiente, usando um formato "esparso" que economiza uma quantidade massiva de memória do computador — reduzindo o uso de memória em um fator de 39 a 45 vezes em comparação com métodos mais antigos.

Eles também resolveram um problema complicado com o ajuste de hiperparâmetros (as configurações que controlam como o modelo de aprendizado de máquina aprende). Normalmente, se você quiser encontrar as melhores configurações, o computador tem que recalcular as impressões digitais toda vez que tenta uma nova configuração, o que é um desperdício de tempo. O scikit-fingerprints é inteligente o suficiente para calcular a impressão digital uma vez e reutilizá-la para todas as diferentes configurações, economizando horas de tempo computacional.

Por Que Isso Importa

O artigo não afirma ter descoberto um novo medicamento ou resolvido o mistério da vida. Em vez disso, oferece uma solução prática e de código aberto para um problema muito chato, mas crítico: fazer as ferramentas da química conversarem com as ferramentas da inteligência artificial. Ao tornar esses fluxos de trabalho mais fáceis, rápidos e menos propensos a erros, a biblioteca permite que os cientistas prototipem suas ideias rapidamente e reproduzam seus resultados de forma confiável.

Os autores enfatizam que este é um projeto aberto, o que significa que qualquer pessoa pode usá-lo gratuitamente e até ajudar a melhorá-lo. Eles já estão trabalhando na adição de ainda mais recursos, como o uso de redes neurais avançadas para criar novos tipos de impressões digitais moleculares. Para um adolescente curioso ou um cientista experiente, esta biblioteca representa uma mudança de scripts desorganizados e personalizados para um fluxo de trabalho profissional e estruturado, onde construir um modelo de aprendizado de máquina para moléculas é tão fácil quanto montar blocos de LEGO. Ela transforma o mundo complexo e caótico dos dados químicos em algo organizado, eficiente e pronto para o futuro da descoberta de fármacos.

Resumo Técnico: scikit-fingerprints

Definição do Problema

Os fluxos de trabalho de quimioinformática normalmente exigem a conversão de grafos moleculares em vetores numéricos de comprimento fixo (impressões digitais ou fingerprints) para permitir o processamento por aprendizado de máquina (ML). Embora os fingerprints moleculares sejam fundamentais para tarefas como predição de propriedades, triagem virtual e visualização do espaço químico, as ferramentas de código aberto existentes (RDKit, CDK, Open Babel) não são nativamente compatíveis com o ecossistema de ML em Python baseado em scikit-learn.

Essas ferramentas legadas expõem APIs orientadas a objetos vinculadas aos seus tipos de moléculas específicos, carecem de suporte para a interface scikit-learn e oferecem capacidades limitadas de paralelização. Consequentemente, a construção de pipelines robustos de Relação Estrutura-Atividade Quantitativa (QSAR) ou Relação Estrutura-Propriedade Quantitativa (QSPR) muitas vezes exige a junção de scripts ad-hoc. Essa abordagem é repetitiva, propensa a erros, difícil de reproduzir e dificulta a transição de scripts experimentais para implantações de MLOps de nível de produção.

Metodologia

Os autores apresentam o scikit-fingerprints, uma biblioteca Python construída sobre o RDKit que preenche a lacuna entre a quimioinformática e o ecossistema scikit-learn. A biblioteca adere estritamente às convenções de API do scikit-learn, garantindo que os componentes de processamento molecular possam ser tratados como blocos de construção compostíveis dentro de pipelines padrão de ML.

As principais escolhas metodológicas de design incluem:

Interfaces Unificadas: Todos os componentes (fingerprints, filtros, divisores, estimadores) herdam de classes base do scikit-learn. Os fingerprints e pré-processadores atuam como transformadores sem estado (expondo .transform()), enquanto os estimadores de domínio de aplicabilidade (AD) seguem a interface padrão de estimador (.fit(), .predict()).
Paralelização e Eficiência: Os cálculos são paralelizados usando joblib entre núcleos de CPU, com suporte para computação distribuída via um backend Dask. A biblioteca utiliza processamento em mini-lotes (mini-batching) e representações de matriz esparsa (SciPy CSR) para lidar com a alta esparsidade dos fingerprints moleculares, reduzindo significativamente o uso de memória.
Extensibilidade: A biblioteca foi projetada para ser extensível, permitindo que os usuários implementem filtros ou fingerprints personalizados ao herdar de classes base e sobrescrever métodos específicos.
Busca de Hiperparâmetros Otimizada: Para abordar o gargalo computacional de recomputar fingerprints durante a busca em grade (grid search), a biblioteca implementa um loop de busca aninhado (FingerprintEstimatorGridSearch). Isso permite que os fingerprints sejam computados uma única vez por configuração e reutilizados em todo o ajuste de hiperparâmetros do modelo subsequente, em vez de serem recomputados para cada dobra (fold) do estimador.

Principais Contribuições

A biblioteca fornece um conjunto abrangente de funcionalidades que cobrem todo o fluxo de trabalho de ML molecular:

Impressões Digitais Moleculares (Molecular Fingerprints): Mais de 30 implementações de fingerprints (ex: ECFP, MACCS, E3FP, Mordred, MAP4) abrangendo famílias estruturais, por hashing, baseadas em descritores e baseadas em conformação. Estes são expostos como transformadores scikit-learn que suportam saídas densas e esparsas.
Filtros Moleculares: Mais de 30 filtros para remoção de compostos indesejáveis, incluindo regras físico-químicas (Lipinski, Ghose, Veber, REOS) e alertas estruturais (PAINS, Brenk, Glaxo).
Medidas de Distância e Similaridade: Implementação de mais de uma dúzia de medidas (ex: Tanimoto, Dice, MCS, Fraggle) como funções compatíveis com algoritmos scikit-learn como UMAP e HDBSCAN. Isso inclui o cálculo em massa otimizado de matrizes de similaridade $N \times N$ usando operações esparsas.
Seleção de Modelos e Divisão (Splitting): Estratégias de divisão de treino-teste conscientes de andaime (scaffold-aware) e de diversidade (Bemis-Murcko, Butina, MaxMin, divisão por tempo da PubChem) que correspondem às assinaturas do scikit-learn.
Estimativa de Domínio de Aplicabilidade (AD): 11 estimadores de AD (ex: kNN, alavancagem, convex hull, TOPKAT) para quantificar a confiabilidade da predição, implementados como estimadores dependentes do conjunto de dados.
Pré-processamento e Conjuntos de Dados: Utilitários para padronização de moléculas (MolStandardizer), geração de conformeros 3D (ETKDGv3) e carregamento de conjuntos de dados de referência curados (MoleculeNet, TDC, LRGB, MoleculeACE) diretamente do HuggingFace Hub.
Métricas de Triagem Virtual: Métricas dedicadas como Fator de Enriquecimento, RIE e BEDROC para avaliar o desempenho de classificação.

Resultados e Benchmarks

Os autores avaliaram a biblioteca usando o conjunto de dados HIV do MoleculeNet (34.000 compostos) em uma CPU de 14 núcleos. As principais descobertas de desempenho incluem:

Ajuste de Hiperparâmetros: O loop de busca aninhado reduz significativamente o tempo de ajuste. Para uma busca em grade de grande escala, a biblioteca exigiu apenas 6 computações de fingerprint comparado a 810 para uma abordagem padrão de GridSearchCV do scikit-learn. Em um conjunto de dados de 10.000 moléculas, isso resultou em uma economia de tempo de quase 9,5 minutos.
Cálculo de Fingerprint da PubChem: Uma implementação local e paralela do fingerprint PubChem (CACTVS) usando padrões SMARTS mostrou-se consideravelmente mais rápida do que a abordagem padrão de API REST, que sofre com limitação de taxa (rate limiting) e overhead de HTTP.
Cálculo de Similaridade em Massa: A implementação baseada em matriz esparsa da biblioteca para similaridade Tanimoto em massa ( $N \times N$ ) demonstrou velocidade e escalabilidade superiores em comparação com a abordagem um-para-muitos do RDKit, particularmente para conjuntos de dados maiores.
Escalabilidade de Grande Escala: A biblioteca computou com sucesso fingerprints ECFP4 de 2048 bits para conjuntos de dados contendo até 7,1 milhões de moléculas (subconjunto Mcule In Stock) em hardware comum. Representações esparsas reduziram o uso de memória em um fator de 39–45 vezes em comparação com representações densas (por exemplo, reduzindo de 13,6 GB para 312 MB para o conjunto de dados Mcule).

Significância e Alegações

O artigo afirma que o scikit-fingerprints reduz a barreira para o aprendizado de máquina molecular reprodutível e pronto para produção ao unificar ferramentas de quimioinformática sob uma interface única e familiar do scikit-learn. Ao permitir que fluxos de trabalho inteiros — desde strings SMILES brutos até modelos serializados e implantáveis — sejam montados a partir de blocos de construção compostíveis, a biblioteca facilita:

Prototipagem mais rápida através de interfaces unificadas e paralelização eficiente.
Maior reprodutibilidade via pipelines padronizados e conjuntos de dados de referência integrados.
Implantação mais simples ao aproveitar as ferramentas maduras do ecossistema de ML em Python circundante.

Os autores enfatizam que a biblioteca não é meramente um wrapper para o RDKit, mas introduz métodos novos (como estimadores de AD e filtros específicos) e otimizações (busca aninhada, similaridade em massa esparsa) que abordam limitações específicas nos fluxos de trabalho atuais de quimioinformática. O projeto é totalmente de código aberto (licença MIT) e está em desenvolvimento ativo, com planos futuros para integrar embeddings baseados em redes neurais e algoritmos adicionais de agrupamento (clustering) e seleção de diversidade.