🤖 machine learning

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

本文介绍了 scikit-fingerprints，这是一个基于 RDKit 构建的全面 Python 库，它通过提供完全兼容的分子指纹、相似性度量以及工作流工具，架起了化学信息学与 scikit-learn 生态系统之间的桥梁，旨在简化分子机器学习模型的开发、复现与部署。

原作者： Jakub Adamczyk, Adam Staniszewski

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jakub Adamczyk, Adam Staniszewski

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个科学家们正试图设计新药的世界，但他们不是在烧杯中混合化学物质，而是在电脑上混合数据。这个领域被称为化学信息学（chemoinformatics），它的主要任务是教会计算机如何“看见”分子。为了实现这一点，计算机需要将复杂的原子三维形状转化为简单的数字列表，就像是将一个美味的多层蛋糕变成一张只包含面粉、糖和鸡蛋数量的食谱卡片。这些数字列表被称为“指纹”（fingerprints），因为它们是每个分子的独特身份标识。

长期以来，科学家用来制作这些指纹的工具就像是只能说某种秘密语言的老旧、笨重的机器。它们在特定的工作上表现出色，但无法与数据科学家用来构建人工智能的现代、超级智能工具进行交流。这就像是试图将一台复古收音机插入现代智能家居系统；电线并不匹配，整个过程既混乱、缓慢，又容易出错。这篇论文介绍了一个名为 scikit-fingerprints 的新工具，它充当了一个通用翻译器和一个大师级构建者，连接了化学分子世界与现代机器学习的世界。

分子的通用翻译器

作者 Jakub Adamczyk 和 Adam Staniszewski 构建了一个名为 scikit-fingerprints 的新 Python 库。你可以把它想象成一把巨大的瑞士军刀，专门用于处理分子数据，并且能完美适配于 “scikit-learn” 生态系统。scikit-learn 是最流行的用于教计算机从数据中学习的工具箱，但直到现在，它还不太擅长处理分子。旧有的化学工具就像是孤岛；你必须编写特殊的、混乱的代码来在它们之间移动数据。Scikit-fingerprints 弥合了这一差距，允许科学家使用与其他一切事物一样简洁、熟悉的模块来构建整个药物发现工作流。

该库建立在 RDKit 之上，RDKit 是一个强大的开源工具包，多年来一直是处理化学结构的行业标准。然而，尽管 RDKit 功能强大，但它并非为与现代机器学习流水线良好协作而设计。Scikit-fingerprints 将 RDKit 的繁重工作封装进了一个整洁且标准化的包中。它确保了从读取化学名称（SMILES 字符串）到训练模型的每一个步骤都遵循相同的规则。这意味着你可以更换流程中的任何一部分，而无需重写整个代码。

一个充满技巧的工具箱

论文解释说，这个库所做的不仅仅是将分子转化为数字。它提供了一套完整的工具，涵盖了药物发现项目的整个旅程：

指纹工厂 (The Fingerprint Factory)： 该库包含了 30 多种不同的创建分子指纹的方法。有些寻找特定的形状（子结构），而另一些则计算特定模式出现的次数。这就像是拥有一个不同的相机菜单，每台相机都能拍摄出独特的照片，以突出分子的不同细节。
保镖 (Filters/过滤器)： 在你开始测试之前，你可能想踢掉那些“坏分子”。该库拥有 30 多个“过滤器”，它们就像俱乐部的保镖。它们会检查一个分子是否具有“类药性”，或者是否含有会毁掉实验的危险、反应性部分。如果一个分子不符合规则，它会被自动踢出。
尺子 (Distances and Similarities/距离与相似度)： 科学家经常需要知道两个分子有多相似。该库提供了十几种测量这种距离的方法，就像一把超精确的尺子，可以根据指纹甚至三维形状来比较分子。
安全网 (Applicability Domain/适用范围)： 这是一个至关重要的功能。它帮助科学家了解模型是在瞎猜，还是真的有把握。它会检查一个新的分子是否与模型训练时使用的分子足够相似。如果新分子太奇怪，工具会将其标记为“不可靠”，从而防止科学家信任错误的预测。
分割器 (The Splitter)： 为了测试模型是否有效，你需要将你的数据分为“训练集”和“测试集”。该库提供了智能的分割方法，确保测试分子与训练分子确实不同，从而给出一个关于模型在现实世界中表现如何的更诚实的评分。

加速进程

这个领域最大的问题之一是，计算这些指纹可能会极其缓慢，尤其是当你拥有数百万个分子时。论文强调，scikit-fingerprints 是为速度而生的。它使用并行处理技术，这意味着它可以同时利用计算机处理器的所有核心，而不是一次只做一件事。

作者测试了他们的工具，发现它比旧的方法要快得多。例如，当他们尝试为一个大型数据集计算特定类型的指纹（PubChem 指纹）时，他们的方法比标准的基于 Web 的工具快得多，后者在处理过多任务时经常会卡死或崩溃。在针对近 700 万个分子的测试中，该库高效地处理了它们，并使用了一种“稀疏”（sparse）格式，这节省了大量的计算机内存——与旧方法相比，内存使用量减少了 39 到 45 倍。

他们还解决了一个棘手的超参数调优（控制机器学习模型学习方式的设置）问题。通常情况下，如果你想找到最佳设置，计算机每次尝试新设置时都必须重新计算指纹，这是一种浪费时间的行为。Scikit-fingerprints 非常聪明，它只需计算一次指纹，即可将其重复用于所有不同的设置，从而节省了数小时的计算时间。

这为什么重要

这篇论文并不声称发现了某种新药或解决了生命的奥秘。相反，它为解决一个虽然枯燥但至关重要的实际问题提供了一个开源解决方案：让化学工具与人工智能工具进行对话。通过使这些工作流变得更简单、更快且更不容易出错，该库允许科学家快速原型化他们的想法，并可靠地复现他们的结果。

作者强调这是一个开放项目，这意味着任何人都可以免费使用它，甚至可以参与改进它。他们已经在致力于添加更多功能，例如使用先进的神经网络来创建新型分子指纹。对于好奇的青少年或资深的科学家来说，这个库代表着一种转变：从混乱的、定制化的脚本转向一种流线型的、专业的流程，使得为分子构建机器学习模型变得像拼搭乐高积木一样简单。它将复杂、混乱的化学数据世界转变为一个有组织、高效且准备好迎接未来药物发现挑战的世界。

技术摘要：scikit-fingerprints

问题陈述

化学信息学工作流通常需要将分子图转换为固定长度的数值向量（指纹），以实现机器学习（ML）处理。虽然分子指纹是进行性质预测、虚拟筛选和化学空间可视化的基础，但现有的开源工具包（RDKit, CDK, Open Babel）在原生兼容基于 scikit-learn 惯例的 Python 机器学习生态系统方面存在不足。

这些遗留工具包暴露的是与其特定分子类型绑定的面向对象 API，缺乏对 scikit-learn 接口的支持，且并行化能力有限。因此，构建稳健的定量结构-活性关系（QSAR）或定量结构-性质关系（QSPR）流水线通常需要拼凑临时脚本。这种方法具有重复性高、易出错、难以复现等缺点，并阻碍了从实验脚本向生产级 MLOps 部署的过渡。

方法论

作者提出了 scikit-fingerprints，这是一个构建在 RDKit 之上的 Python 库，旨在弥合化学信息学与 scikit-learn 生态系统之间的鸿沟。该库严格遵循 scikit-learn API 惯例，确保分子处理组件可以作为标准 ML 流水线中的可组合构建模块。

关键的方法论设计选择包括：

统一接口： 所有组件（指纹、过滤器、拆分器、估计器）均继承自 scikit-learn 基类。指纹和预处理器作为无状态转换器（暴露 .transform()），而适用性领域（AD）估计器则遵循标准的估计器接口（.fit(), .predict()）。
并行化与效率： 计算通过 joblib 在多个 CPU 核心上进行并行化处理，并支持通过 Dask 后端进行分布式计算。该库利用小批量处理（mini-batching）和稀疏矩阵表示（SciPy CSR）来处理分子指纹的高稀疏性，从而显著降低内存占用。
可扩展性： 该库旨在具备可扩展性，允许用户通过继承基类并重写特定方法来实现自定义的过滤器或指纹。
优化的超参数搜索： 为了解决在网格搜索期间重新计算指纹带来的计算瓶颈，该库实现了一个嵌套搜索循环（FingerprintEstimatorGridSearch）。这使得指纹在每个配置中仅需计算一次，并在下游模型超参数调优中重复使用，而不是在每个估计器折叠中都重新计算。

核心贡献

该库提供了一套全面的功能，覆盖了整个分子机器学习工作流：

分子指纹： 包含超过 30 种指纹实现（例如 ECFP, MACCS, E3FP, Mordred, MAP4），涵盖了结构子、哈希、基于描述符以及基于构象的家族。这些指纹以支持稠密和稀疏输出的 scikit-learn 转换器形式呈现。
分子过滤器： 拥有超过 30 种用于移除不良化合物的过滤器，包括理化规则（Lipinski, Ghose, Veber, REOS）和结构子警示（PAINS, Brenk, Glaxo）。
距离与相似度度量： 实现了十余种度量标准（例如 Tanimoto, Dice, MCS, Fraggle），作为与 scikit-learn 算法（如 UMAP 和 HDBSCAN）兼容的函数。这包括使用稀疏操作进行 $N \times N$ 相似度矩阵的大规模批量计算。
模型选择与拆分： 提供与 scikit-learn 签名匹配的骨架感知（Scaffold-aware）和多样性感知（Diversity-aware）的训练-测试集拆分策略（Bemis-Murcko, Butina, MaxMin, PubChem 时间拆分）。
适用性领域（AD）估计： 提供 11 种 AD 估计器（例如 kNN, leverage, convex hull, TOPKAT），用于量化预测可靠性，并实现为数据集依赖型估计器。
预处理与数据集： 提供标准化分子（MolStandardizer）、生成 3D 构象（ETKDGv3）的实用程序，以及直接从 HuggingFace Hub 加载经过整理的基准数据集（MoleculeNet, TDC, LRGB, MoleculeACE）。
虚拟筛选指标： 提供专门的指标，如富集因子（Enrichment Factor）、RIE 和 BEDROC，用于评估排序性能。

结果与基准测试

作者使用来自 MoleculeNet 的 HIV 数据集（34,000 个化合物）在 14 核 CPU 上对该库进行了评估。关键性能发现包括：

超参数调优： 嵌套搜索循环显著缩短了调优时间。对于大型网格搜索，该库仅需 6 次指纹计算，而标准的 scikit-learn GridSearchCV 方法则需要 810 次。在 10,000 个分子的数据集上，这节省了近 9.5 分钟的时间。
PubChem 指纹计算： 使用 SMARTS 模式实现的本地并行化 PubChem (CACTVS) 指纹计算速度明显快于标准的 REST API 方法，后者受限于速率限制和 HTTP 开销。
大规模批量相似度计算： 该库基于稀疏矩阵实现的批量 Tanimoto 相似度（ $N \times N$ ）在处理较大数据集时，表现出比 RDKit 的一对多方法更优越的速度和可扩展性。
大规模可扩展性： 该库成功地在普通硬件上为包含高达 710 万个分子（Mcule In Stock 子集）的数据集计算了 2048 位 ECFP4 指纹。稀疏表示相比稠密表示将内存使用量降低了 39–45 倍（例如，将 Mcule 数据集的 13.6 GB 降至 312 MB）。

重要性与主张

论文声称，scikit-fingerprints 通过将化学信息学工具统一在单一且熟悉的 scikit-learn 接口下，降低了实现可重复、生产就绪的分子机器学习的门槛。通过使从原始 SMILES 字符串到序列化、可部署模型的整个工作流都能由可组合的构建模块组装而成，该库促进了：

通过统一接口和高效并行化实现更快的原型设计。
通过标准化流水线和内置基准数据集实现更容易的复现。
通过利用成熟的 Python ML 生态系统工具实现更简单的部署。

作者强调，该库不仅仅是 RDKit 的一个封装，它还引入了新颖的方法（例如特定的 AD 估计器和过滤器）以及优化手段（嵌套搜索、稀疏批量相似度），解决了当前化学信息学工作流中的特定局限性。该项目完全开源（MIT 许可证）并处于积极开发中，未来的计划包括集成基于神经网络的嵌入以及更多的聚类/多样性选取算法。