DataWhale AI夏令营 AI+物质化学笔记（2）

一、分子指纹

        分子指纹是一种分子的抽象表征，它将分子转化（编码）为一系列比特串，然后可以很容易地在分子之间进行比较。
        分子指纹通过将分子的结构特征进行提取和哈希（Hashing）处理，生成一系列的比特向量。这些比特向量代表了分子的独特特征，使得分子之间的比较变得简单和可量化。
        每个比特位通常对应于一种分子片段或特征。如果两个分子具有相似的指纹，那么它们在结构上很可能具有许多公共的片段，从而具有很高的相似性。

指纹生成流程：
（1）提取结构特征：首先，需要从分子中提取出关键的结构特征，这些特征可能包括特定的化学子结构（如羟基、苯环、氮原子等）、键的类型和连接方式等。
（2）哈希生成：然后，利用哈希算法将这些结构特征转化为一系列的比特向量。哈希过程确保了每个特征都能被唯一地表示为一个或多个比特位上的值（通常为0或1）。

常用算法与标准：
MACCS分子指纹：这是一种基于分子中是否含有特定亚结构来定义的二进制指纹，共包含166个不同的分子特征。每个特征都对应于一个特定的化学子结构，如果分子中存在该特征，则对应位上的值为1，否则为0。MACCS分子指纹被广泛应用于分子相似性比较、分子分类、分子聚类等领域。
ECFP（扩展圆形指纹算法）：这是另一种常用的分子指纹算法，它通过考虑分子的圆形子结构来生成指纹。ECFP指纹的长度通常较长，能够更详细地表示分子的结构特征。

相似性评估
评估两个分子指纹之间相似性的常用方法是计算它们之间的Tanimoto系数。Tanimoto系数由两个指纹中设置为1的公共位数除以两个指纹之间设置为1的总位数组成，其值介于0和1之间。Tanimoto系数越高，表示两个分子之间的相似性越高。

当然，我可以用Simplified Molecular Input Line Entry System（简称SMILES）的术语来解释分子指纹的概念，尽管SMILES本身并不直接生成分子指纹，但它为分子结构的线性表示提供了一个基础。以下是从SMILES角度对分子指纹概念的一种解释：

二、SMILES与分子指纹的关系

1. SMILES基础：
   • SMILES是一种用ASCII字符串明确描述分子结构的规范，它通过一系列特定的符号和规则来表示分子中的原子、键以及它们之间的连接关系。
   • SMILES字符串是唯一的，对于每个化学分子结构，都存在一个对应的SMILES字符串，这被称为规范SMILES串。
2. 分子指纹的生成：
   • 虽然SMILES本身不是分子指纹，但它可以被视为生成分子指纹的一个起点或基础。
   • 分子指纹的生成通常涉及将SMILES字符串（或更一般地说，分子结构）通过某种算法（如哈希函数、子结构枚举等）转化为一系列的比特向量。
   • 这些比特向量代表了分子的特定特征或属性，使得分子之间的比较变得简单和可量化。
3. SMILES在分子指纹生成中的应用：
   • 在许多情况下，分子指纹的生成算法会首先解析SMILES字符串，以了解分子的具体结构。
   • 然后，算法会根据分子的结构特征（如原子类型、键类型、环结构、子结构模式等）来生成相应的比特向量。
   • 这些特征的选择和权重分配取决于具体的分子指纹算法和其设计目标（如相似性比较、分类、聚类等）。

SMILES术语在分子指纹中的体现

虽然SMILES术语本身并不直接用于描述分子指纹，但它们在分子结构的表示中起着关键作用，进而影响了分子指纹的生成：

• 原子符号：SMILES中的原子符号（如C、O、N等）表示了分子中的原子类型，这些原子类型是分子指纹中重要的特征之一。
• 键表示：SMILES中的键表示（如单键无特殊符号、双键用“=”表示、三键用“#”表示）反映了分子中原子之间的连接方式和强度，这也是分子指纹中需要考虑的因素。
• 分支和环的表示：SMILES中的圆括号和数字标记用于表示分子中的分支和环结构，这些结构特征在分子指纹中通常具有较高的权重。
• 手性表示：SMILES中的手性表示（如“@”和“@@”）用于描述分子中的手性中心，手性也是分子指纹中需要考虑的一个重要特征。

综上所述，虽然SMILES本身不是分子指纹，但它为分子结构的线性表示提供了一个基础，进而影响了分子指纹的生成和比较。在SMILES的基础上，通过特定的算法和规则，可以将分子结构转化为一系列的比特向量（即分子指纹），以便进行更高效的比较和分析。

当然可以。为了举例说明分子指纹的概念，我们可以考虑一个简化的例子，并结合常用的MACCS分子指纹（Molecular ACCess System）来进行说明。

分子指纹示例

假设我们有两个简单的分子：苯（C6H6）和甲苯（C7H8，即苯环上连接一个甲基基团）。这两个分子在结构上非常相似，但甲苯比苯多了一个甲基基团。

MACCS分子指纹示例

MACCS分子指纹是一种基于分子中是否含有特定亚结构来定义的二进制指纹，共包含166个不同的分子特征。为了简化说明，我们不会展示完整的166位指纹，而是仅选取几个特征作为示例。

特征编号	特征描述	苯（C6H6）	甲苯（C7H8）
1	是否存在苯环	1（是）	1（是）
2	是否存在甲基基团	0（否）	1（是）
3	是否存在羟基（-OH）	0（否）	0（否）
...	...	...	...
n	其他特征	...	...

注意：这里的特征编号和描述是虚构的，仅用于说明目的。在真实的MACCS分子指纹中，特征编号和描述会基于具体的化学子结构和算法规则。

分子指纹的生成与应用

1. 生成：当我们使用MACCS分子指纹算法处理苯和甲苯时，算法会检查这两个分子是否包含预定义的166个特征中的每一个。对于每个特征，如果分子中存在该特征，则对应位上的值为1，否则为0。这样，苯和甲苯就会被转化为两个166位的二进制向量（在这个简化的例子中，我们仅展示了其中的几个特征位）。
2. 比较：生成了分子指纹后，我们可以使用相似性度量（如Tanimoto系数）来比较两个分子指纹之间的相似性。在这个例子中，由于苯和甲苯在结构上非常相似（只有一个甲基基团的差异），它们的分子指纹之间也会有很高的相似性得分。

应用领域

分子指纹在多个领域具有广泛的应用，包括但不限于：

• 药物设计：通过比较候选药物分子与目标药物分子的指纹相似性，可以加速新药的发现过程。
• 化学信息学：用于分子相似性比较、分子分类、分子聚类、分子筛选等领域。
• 材料科学：预测材料的性质和行为。
• 环境科学：监测和识别环境中的污染物。

综上所述，分子指纹是一种强大的工具，它能够将复杂的分子结构简化为可比较的比特向量，从而便于在分子之间进行比较和分析。通过比较分子指纹的相似性，我们可以快速识别出结构相似的分子，进而在药物设计、材料科学、环境科学等领域中做出更有针对性的决策。

三、随机森林算法

随机森林算法是一种集成学习方法，主要用于分类和回归任务。它通过构建多个决策树并将它们的预测结果进行集成，以提高模型的准确性和鲁棒性。以下是对随机森林算法的详细解析：

一、算法原理

随机森林由多个决策树组成，每棵树在训练时都从原始数据集中进行有放回的随机抽样（即Bootstrap抽样），并在每个节点分裂时随机选择部分特征进行最佳分裂。最终结果通过对所有树的预测结果进行投票（分类）或平均（回归）来确定。

二、主要特点

1. 高准确性：通过集成多棵树，减少了单棵树的过拟合风险，提高了模型的准确性。
2. 鲁棒性强：对异常值和噪声不敏感，能够处理高维数据。
3. 特征重要性评估：能够提供特征重要性评估，有助于理解模型和数据。
4. 训练时间较长：由于需要训练多棵树，训练时间相对较长。
5. 内存消耗大：存储多棵树需要较大的内存空间。
6. 黑箱模型：尽管可以评估特征重要性，但具体决策过程难以解释。

三、构建过程

1. 数据的随机性选取：从原始数据集中随机抽取多个样本子集，每个子集用于训练一棵决策树。
2. 待选特征的随机选取：在每个节点分裂时，随机选择部分特征进行最佳分裂。
3. 决策树构建：根据选定的样本子集和特征，构建多棵决策树。
4. 结果集成：对于分类任务，通过对所有树的预测结果进行投票决定最终分类结果；对于回归任务，通过对所有树的预测结果进行平均决定最终回归结果。

四、超参数调优

随机森林有多个超参数可以调节，如树的数量（n_estimators）、树的最大深度（max_depth）、内部节点再划分所需最小样本数（min_samples_split）等。这些超参数可以通过网格搜索（Grid Search）或随机搜索（Random Search）进行调优，以提高模型性能。

五、应用场景

随机森林算法广泛应用于各种领域，包括但不限于：

• 分类问题：如图像分类、文本分类、情感分析等。
• 回归问题：如房价预测、股票价格预测等。
• 特征选择：从众多特征中选择最重要的特征。
• 异常检测：如网络入侵检测、信用卡欺诈检测等。

六、实现类库

在Python中，有多个库可以实现随机森林算法，其中最常用的是scikit-learn。scikit-learn提供了丰富的接口和功能，可以方便地构建、训练和评估随机森林模型。

七、评估指标

对于分类问题，常用的评估指标包括准确率、精确率、召回率、F1分数、ROC曲线和AUC值等。对于回归问题，常用的评估指标包括均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R-squared）等。

综上所述，随机森林算法凭借其高精度、强鲁棒性和易于实现等优点，在机器学习领域得到了广泛应用。