这是一套基于 RDKit 的化学信息学管道技能（薄脚手架），聚焦小分子化合物的性质计算、库过滤和相似性分析。它不重复教 RDKit 语法，而是提供指纹选择逻辑、过滤级联顺序以及版本相关易错点，帮助 agent 避免参数不匹配和已弃用 API。
适用场景：过滤化合物库（Lipinski/Veber/PAINS）；指纹相似性搜索或聚类；用 mmpdb 进行匹配分子对（MMP）分析。
核心概念：过滤级联顺序为 Lipinski → Veber → PAINS → 相似性，先做最便宜的、最后做最贵的。指纹自 RDKit 2024.03 起应统一使用 rdFingerprintGenerator 模块，AllChem.GetMorganFingerprintAsBitVect() 路径已弃用并将移除。SMILES 校验应先用 sanitize=False 解析，再在 try/except 中显式 SanitizeMol()，因为默认 MolFromSmiles 在部分失败时会静默返回 None。
指纹选择：通用相似性用 Morgan(ECFP4)，radius=2、fpSize=2048，Tanimoto 阈值 ≥0.7；高特异性匹配用 Morgan(ECFP6)，radius=3、fpSize=4096，阈值 ≥0.6；子结构筛选用 MACCS 166 keys，阈值 ≥0.8；药效团相似性用 FCFP，radius=2 配合 GetMorganFeatureAtomInvGen()，阈值 ≥0.6；大规模聚类用 Morgan、radius=2、fpSize=1024，以速度优先。
过滤阈值：Lipinski MW ≤500 Da、LogP ≤5、HBD ≤5、HBA ≤10，允许总共不超过 1 项违规，非二值通过/失败；Veber TPSA ≤140 Ų、RotBonds ≤10 为硬性截断；PAINS 使用 A+B+C 目录，仅用于 HTS 初筛，不用于先进化合物。
MMP 分析：从化合物对做 SAR 用 mmpdb fragment → index → transform，--min-pairs 3；性质预测用 mmpdb predict，需要带性质数据索引的数据库。核心识别用 rdFMCS.FindMCS()，参数 ringMatchesRingOnly=True、completeRingsOnly=True；大规模库（>10K）用 mmpdb CLI，--max-variable-size 10 限制碎片化。
关键参数：Morgan radius 默认 2，需要更高特异性改为 3；fpSize 默认 2048，速度改 1024、精度改 4096；includeChirality 默认 False，立体敏感应用设 True；mmpdb --min-pairs 默认 3，稀疏数据集可降低；--max-variable-size 默认 10，大环变换可增大；PAINS 目录须用 A+B+C 全部三套，绝不使用部分集合。
常见错误：使用已弃用的 AllChem 指纹函数；默认 MolFromSmiles 不处理错误；把 Lipinski 当作硬二值过滤；对临床候选物套用 PAINS；Morgan radius 用 1；比较参数不同的指纹；手性化合物忽略立体化学；对所有指纹类型固定 0.7 阈值；将原始 SMILES 直接送入 mmpdb；混淆 LogP 与 LogD。
限制：资料未提供安装命令、具体依赖版本、收费或平台信息，暂未提供。