用途：面向 Python 的 RDKit 化学信息学技能，覆盖化合物库剖析与虚拟筛选完整流程：分子解析、标准化去重、描述符计算、类药性过滤、指纹相似性筛选、SMARTS 子结构检索、二维/三维可视化与结果导出。
主要能力：从 SMILES 或 SDF 加载并校验分子；用 rdMolStandardize 中和电荷、去盐、去重并生成规范 SMILES；计算 MW、LogP、TPSA、HBD/HBA、可旋转键、环数等描述符；按 Lipinski 五规则与 Veber 标准过滤；生成 Morgan 指纹（radius 2≈ECFP4，nBits 2048）并用 Tanimoto 相似度排序筛选；用 SMARTS 匹配羧酸、酰胺、酯、羟基等官能团；Butina 聚类做多样性选取；用反应 SMARTS 枚举组合库；生成 3D 构象并做 MMFF/UFF 优化；绘制网格图、子结构高亮图与原子编号图。
使用方式：建议 Python 3.8+，安装 pip install rdkit-pypi pandas matplotlib numpy，或 conda install -c conda-forge rdkit pandas matplotlib numpy。按步骤执行加载、标准化、描述符、过滤、指纹相似性、子结构、可视化与导出，结果可输出 descriptors.csv、drug_like_compounds.sdf、similarity_results.csv 及若干 PNG/SDF。
适用场景：化合物库类药性评估、基于参考化合物的相似性筛选、官能团分析、多样性选样、组合化学枚举与对接前构象准备。
限制：需要 RDKit 环境与有效分子结构数据；无效 SMILES 会解析失败；嵌入失败、MMFF 参数缺失、大文件内存占用与规范 SMILES 版本差异需按资料所列方法排查；更高的 datamol 封装或 openbabel 多格式转换不在本技能内。收费标准、平台与效果数据暂未提供。