用途
molfeat 是一个用于分子特征化的 Python 库，目标是把化学结构（SMILES 字符串或 RDKit 分子）转换为可供机器学习使用的数值表示。它统一整合了 100 多种预训练嵌入与手工特征器，适用于 QSAR 建模、虚拟筛选、相似性搜索和深度学习等任务。
主要能力
molfeat 将特征化组织为三个层级类：
- 计算器（molfeat.calc）：可调用对象，将单个分子转换为特征向量，接受 RDKit Chem.Mol 对象或 SMILES 字符串。适合单分子特征化、自定义处理循环和直接特征计算。
- 转换器（molfeat.trans）：兼容 scikit-learn 的转换器，包装计算器以进行批处理并支持并行化。适合分子数据集批量特征化、与 scikit-learn 管道集成以及自动利用 CPU 的并行处理。
- 预训练转换器（molfeat.trans.pretrained）：面向深度学习模型的专用转换器，支持批量推理与缓存。适合获取先进分子嵌入、从大型化学数据集迁移学习以及深度学习特征提取。
库还提供 ModelStore（molfeat.store.modelstore）用于探索全部可用特征器、搜索模型、查看用法并加载模型。支持保存与加载特征器配置（to_state_yaml_file / from_state_yaml_file）以保证可复现性，支持 ignore_errors 与 verbose 以优雅处理无效分子。
使用方式
安装需使用 Python 3.9 或 3.10 环境（截至 0.11.0 不支持 3.11+）：
uv pip install "molfeat==0.11.0"
安装全部可选依赖：
uv pip install "molfeat[all]==0.11.0"
可选依赖 extras（PyPI）：molfeat[dgl]（GNN 模型，GIN 变体，上游建议 dgl<=2.0）、molfeat[graphormer]（Graphormer 模型）、molfeat[transformer]（ChemBERTa、ChemGPT、MolT5）、molfeat[fcd]（FCD 描述符）、molfeat[pyg]（PyTorch Geometric 特征器）、molfeat[viz]（NGLView 可视化组件）。MAP4 未包含在 extras 中，需从 reymond-group/map4 单独安装。部分重型依赖（DGL、dgllife、graphormer-pretrained）通过 conda-forge 更易安装。
基本用法示例：
from molfeat.calc import FPCalculator from molfeat.trans import MoleculeTransformer
smiles = ["CCO", "CC(=O)O", "c1ccccc1", "CC(C)O"] calc = FPCalculator("ecfp", radius=3) transformer = MoleculeTransformer(calc, n_jobs=-1) features = transformer(smiles)
预训练嵌入示例：
from molfeat.trans.pretrained import PretrainedMolTransformer transformer = PretrainedMolTransformer("ChemBERTa-77M-MLM", n_jobs=-1) embeddings = transformer(smiles_list)
适用场景
- 分子机器学习：构建 QSAR/QSPR 模型、性质预测
- 虚拟筛选：对化合物库排序以评估生物活性
- 相似性搜索：查找结构相似的分子
- 化学空间分析：聚类、可视化、降维
- 深度学习：在分子数据上训练神经网络
- 特征化管道：将 SMILES 转换为机器学习就绪的表示
- 化学信息学：任何需要分子特征提取的任务
限制与注意事项
- 版本与依赖：示例针对 molfeat 0.11.0（PyPI 稳定版，2025 年 5 月），需 Python 3.9–3.10（requires-python 上限低于 3.11），依赖 datamol ≥0.8.0 与 PyTorch ≥1.13。自 0.8.7 起建议优先使用 datamol Mol 对象而非原始 rdkit.Chem.Mol；自 0.10.1 起指纹计算器内部使用 RDKit 的 rdFingerprintGenerator API；自 0.11.0 起预训练模型加载到内存且基础模型自动设为 PyTorch 评估模式。
- 性能：指纹类特征器比深度学习模型快；预训练模型首次运行较慢，后续运行受益于缓存。可使用 n_jobs=-1 并行、批处理、dtype=np.float32 及 ignore_errors=True 优化。
- 大数据集：超过 10 万分子建议分块或流式处理以管理内存。
- 缓存安全：自定义嵌入缓存建议使用 NumPy 数组而非 pickle（pickle 加载不可信文件时可能执行任意代码）。
- 预训练模型依赖：部分模型需额外安装对应 extras，并建议固定版本以保证可复现。
参考资源
官方文档：https://molfeat-docs.datamol.io/ GitHub 仓库：https://github.com/datamol-io/molfeat PyPI 包：https://pypi.org/project/molfeat/ 教程：https://portal.valencelabs.com/datamol/post/types-of-featurizers-b1e8HHrbFMkbun6
技能内还包含参考文档：references/api_reference.md（完整 API）、references/available_featurizers.md（100+ 特征器目录）、references/examples.md（实用代码示例）、references/choosing_a_featurizer.md（按任务选择特征器及常见工作流）。