用途：Molfeat 是面向分子机器学习的特征化库，把化学结构（SMILES 字符串或 RDKit 分子）转换为数值表示，服务于 QSAR/QSPR 建模、虚拟筛选、相似性搜索、化学空间分析和深度学习等场景。
主要能力：提供 100 多种特征器，涵盖指纹（ECFP、MACCS、MAP4、FCFP、Gobbi 等）、分子描述符（RDKit 2D、Mordred）、药效团描述符（CATS）、形状描述符（USR）以及预训练模型（ChemBERTa、ChemGPT、MolT5、GIN、Graphormer）。结构分三层：计算器 molfeat.calc 处理单分子；转换器 molfeat.trans 做批量并行处理并兼容 scikit-learn；预训练转换器 molfeat.trans.pretrained 提供深度学习嵌入与缓存。支持 FeatConcat 组合多个特征器，ModelStore 可浏览和加载可用模型，配置可保存为 YAML 以保证可复现。
使用方式：安装命令为 uv pip install molfeat，全部可选依赖用 uv pip install "molfeat[all]"，特定特征器可装 molfeat[dgl]、molfeat[graphormer]、molfeat[transformer]、molfeat[fcd]、molfeat[map4]。典型用法是创建 FPCalculator 等计算器，再包进 MoleculeTransformer 并设 n_jobs=-1 并行处理 SMILES 列表；也可直接接入 scikit-learn Pipeline。
适用场景：传统机器学习可选 ECFP、MACCS、RDKit 描述符；深度学习可选 ChemBERTa 等预训练嵌入；相似性搜索可选 ECFP、MACCS、MAP4、USR；药效团方法可选 FCFP、CATS、Gobbi。
限制：部分预训练模型需额外依赖，首次运行较慢；大数据集需分块处理以控制内存；无效 SMILES 可用 ignore_errors=True 跳过。官方文档见 https://molfeat-docs.datamol.io/，代码仓库见 https://github.com/datamol-io/molfeat。