SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场molfeat

molfeat

数据与分析

查看项目

更新于 10-16 09:21

技能介绍

Molfeat 是一个面向分子机器学习的综合 Python 特征化库，将 100 多种预训练嵌入与手工特征化器统一到同一套接口中。它可以把化学结构（SMILES 字符串或 RDKit 分子）转换为数值表示，服务于 QSAR 建模、虚拟筛选、相似性搜索和深度学习等任务。库内提供快速并行处理、兼容 scikit-learn 的转换器以及内置缓存。

适用场景 当涉及以下工作时可使用本技能：分子机器学习（构建 QSAR/QSPR 模型、性质预测）、虚拟筛选（对化合物库按生物活性排序）、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）、特征化流水线（将 SMILES 转换为可供机器学习使用的表示）、化学信息学（任何需要分子特征提取的任务）。

安装 uv pip install molfeat 安装全部可选依赖：uv pip install "molfeat[all]" 针对特定特征化器的可选依赖：molfeat[dgl]（GNN 模型，GIN 变体）、molfeat[graphormer]（Graphormer 模型）、molfeat[transformer]（ChemBERTa、ChemGPT、MolT5）、molfeat[fcd]（FCD 描述符）、molfeat[map4]（MAP4 指纹）。

核心概念 Molfeat 将特征化组织为三个层级类：

  1. 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。适用于单分子特征化、自定义处理循环、直接特征计算。示例：from molfeat.calc import FPCalculator；calc = FPCalculator("ecfp", radius=3, fpSize=2048)；features = calc("CCO")。
  2. 转换器（molfeat.trans）：兼容 scikit-learn 的转换器，包装计算器以进行带并行化的批处理。适用于分子数据集批量特征化、与 scikit-learn 流水线集成、并行处理（自动利用 CPU）。示例：from molfeat.trans import MoleculeTransformer；from molfeat.calc import FPCalculator；transformer = MoleculeTransformer(FPCalculator("ecfp"), n_jobs=-1)；features = transformer(smiles_list)。
  3. 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。适用于最先进的分子嵌入、从大型化学数据集迁移学习、深度学习特征提取。示例：from molfeat.trans.pretrained import PretrainedMolTransformer；transformer = PretrainedMolTransformer("ChemBERTa-77M-MLM", n_jobs=-1)；embeddings = transformer(smiles_list)。

快速上手工作流 基础特征化：加载分子数据 smiles = ["CCO", "CC(=O)O", "c1ccccc1", "CC(C)O"]，创建计算器与转换器 calc = FPCalculator("ecfp", radius=3)、transformer = MoleculeTransformer(calc, n_jobs=-1)，然后 features = transformer(smiles)。 保存与加载配置：transformer.to_state_yaml_file("featurizer_config.yml") 保存配置以保证可复现；loaded = MoleculeTransformer.from_state_yaml_file("featurizer_config.yml") 重新加载完全相同的配置。 优雅处理错误：MoleculeTransformer(calc, n_jobs=-1, ignore_errors=True, verbose=True)，失败分子返回 None。

如何选择特征化器 传统机器学习（RF、SVM、XGBoost）：从指纹开始，ECFP（最流行、通用，FPCalculator("ecfp", radius=3, fpSize=2048)）、MACCS（快速，适合骨架跃迁）、MAP4（适合大规模筛选）。可解释模型可用 RDKit 2D 描述符（200+ 命名属性，RDKitDescriptors2D()）或 Mordred（1800+ 综合描述符，MordredDescriptors()）。组合多个特征化器可用 FeatConcat，例如将 MACCS（167 维）与 ECFP（2048 维）合并为 2215 维特征。 深度学习：基于 Transformer 的嵌入如 ChemBERTa（在 7700 万 PubChem 化合物上预训练）、ChemGPT（自回归语言模型）；图神经网络如 GIN 模型（gin-supervised-masking、gin-supervised-infomax）、Graphormer（用于量子化学，Graphormer-pcqm4mv2）。 相似性搜索：ECFP（通用、最广泛使用）、MACCS（快速、基于骨架）、MAP4（适合大型数据库）、USR/USRCAT（3D 形状相似性，USRDescriptors()）。 基于药效团的方法：FCFP（基于官能团）、CATS（药效团对分布，CATSCalculator(mode="2D")）、Gobbi（显式药效团特征，FPCalculator("gobbi2D")）。

常见工作流 构建 QSAR 模型：用 MoleculeTransformer(FPCalculator("ecfp"), n_jobs=-1) 特征化分子，用 RandomForestRegressor 训练并通过 cross_val_score 交叉验证，最后用 to_state_yaml_file 保存配置用于部署。 虚拟筛选流水线：在已知活性/非活性数据上训练 RandomForestClassifier，再对大型化合物库（如 100 万化合物）预测概率，排序并选出 top hits。 相似性搜索：用 FPCalculator("ecfp") 计算查询分子指纹，对数据库指纹用 cosine_similarity 计算相似度并取 top 相似分子。 scikit-learn 流水线集成：用 Pipeline 将 MoleculeTransformer 与分类器串联，直接在 SMILES 上 fit 和 predict。 比较多个特征化器：遍历 ECFP、MACCS、Descriptors、ChemBERTa 等，分别特征化并用模型评估得分。

发现可用特征化器 使用 ModelStore 探索全部可用特征化器：from molfeat.store.modelstore import ModelStore；store = ModelStore()；store.available_models 列出全部模型；store.search(name="ChemBERTa") 搜索特定模型；model_card.usage() 查看用法示例；store.load("ChemBERTa-77M-MLM") 加载模型。

高级功能 自定义预处理：继承 MoleculeTransformer 并重写 preprocess 方法，可进行标准化、去盐等处理。 大数据集批处理：按 chunk_size 分块特征化以管理内存，最后用 np.vstack 合并。 缓存昂贵嵌入：用 pickle 将预训练嵌入缓存到文件，避免重复计算。

性能建议 使用并行化（n_jobs=-1 利用全部 CPU 核心）；批量处理而非循环；选择合适特征化器（指纹比深度学习模型快）；缓存预训练模型；精度允许时使用 float32；大数据集用 ignore_errors=True 高效处理错误。

常用特征化器速查 ECFP：指纹，2048 维，快，通用；MACCS：指纹，167 维，非常快，骨架相似性；desc2D：描述符，200+ 维，快，可解释模型；mordred：描述符，1800+ 维，中等，综合特征；map4：指纹，1024 维，快，大规模筛选；ChemBERTa-77M-MLM：深度学习，768 维，慢（首次运行慢，后续受益于缓存），迁移学习；gin-supervised-masking：GNN，维度可变，慢（首次运行慢，后续受益于缓存），基于图的模型。

参考文档 本技能包含综合参考文档：references/api_reference.md（完整 API 文档，涵盖 molfeat.calc、molfeat.trans、molfeat.store 及常见模式与集成示例、性能优化建议）；references/available_featurizers.md（按类别组织的 100+ 特征化器目录，包括基于 Transformer 的语言模型、图神经网络、分子描述符、指纹、药效团描述符、形状描述符、基于骨架的描述符）；references/examples.md（常见场景的实用代码示例，包括安装与快速开始、计算器与转换器示例、预训练模型用法、scikit-learn 与 PyTorch 集成、虚拟筛选工作流、QSAR 建模、相似性搜索、故障排查与最佳实践）。

故障排查 无效分子：启用错误处理跳过无效 SMILES（ignore_errors=True, verbose=True）。大数据集内存问题：对超过 10 万分子的数据集分块处理或使用流式方法。预训练模型依赖：部分模型需要额外包，安装对应 extras（molfeat[transformer] 用于 ChemBERTa/ChemGPT，molfeat[dgl] 用于 GIN 模型）。可复现性：保存精确配置并记录版本（transformer.to_state_yaml_file("config.yml")，print(molfeat.version)）。

其他资源 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