2.5 摩根指纹与 Tanimoto 系数：相似性的度量

2.5.1 从词典到无词典：指纹的谱系与动机

“指纹（fingerprint）”泛指把变长的分子图映射为固定形式向量的编码——最常见的是定长位向量(bit vector)，计数向量与不定长的稀疏表示也属此列：出现某个子结构，就在相应位置 1 或计数。位向量把“两个分子有多像”变成“两个集合的交并之比”，按位逻辑运算代价极低，百万级分子库的相似性检索因而可行（Willett et al., 1998）。第一代实现是词典指纹(dictionary-based fingerprint)：预先编纂一张子结构清单，每个键对应一位。用得最久的是 MACCS 键——公开版本含 166 个子结构，键语义预定义、逐条可查（RDKit 的实现里绝大多数键就是一条 SMARTS，个别键如 125、166 需在程序里特殊处理）。词典指纹的长处是彻底透明：哪一位亮，去清单上就能查到分子含什么。短板同样是结构性的：词典之外的结构不产生任何位，覆盖被清单封顶；大环、肽、金属有机等化学型常常落在清单之外；词典靠人工维护，扩充缓慢而昂贵。

第二代走向自动枚举。路径指纹不再依赖人工清单，沿分子图枚举所有不超过给定长度的路径（原子—键序列），每条路径哈希成一位。覆盖不再受词典限制，但仍由枚举策略决定：经典路径枚举是线性的，分支与环系只能间接表达（RDKit 的拓扑指纹默认也纳入带分支的子图，branchedPaths 参数可关——枚举策略的边界要看具体实现）。第三代圆形指纹(circular fingerprint)换了参照系：不再枚举“什么样的子结构算数”，而是对每个原子问“你的邻域是什么”。谱系要回溯到 Morgan（1965）在化学文摘社的工作。原始 Morgan 算法的目标不是相似性，而是规范编号(canonical numbering)：给同一分子的任何画法生成同一套原子编号。做法是迭代精化——按“自身属性 + 邻居的当前等级”反复重排原子类别，直到划分稳定。Rogers 与 Hahn（2010）据此提出扩展连接性指纹(extended-connectivity fingerprint, ECFP)：把同一套邻域迭代改造成指纹生成器，不迭代到收敛，而是每轮截断一次，把中间结果记录为整数标识符(identifier)。词典指纹“覆盖什么”的难题，从此变成一个干净的参数：看多远。

从词典指纹到圆形指纹，子结构覆盖由预先定义的清单转为分子邻域的逐层枚举。ECFP 可用于检索与建模；若要解释具体比特的来源，还应保存原子环境信息，并检查哈希和折叠碰撞。

2.5.2 ECFP 的四步算法：初始化、迭代、收集、折叠

ECFP 的生成可以拆成四步：初始化、迭代、收集、折叠（Rogers & Hahn, 2010）。先立定义，再逐步展开。

第一步：初始标识符。给每个原子写一张属性卡：元素、重原子连度、显式价、形式电荷、连接氢数、环隶属……（2.1 节的节点属性正派上用场）。把这张元组 τ(v) 哈希成一个 32 位整数：

哈希在这里不是加密，而是把结构化的不变量压成可比较、可存储、可作字典键的整数。元组的取项决定指纹“看得见”什么：RDKit 默认的连接性不变量就包含形式电荷；若换用不含电荷的不变量，质子化差异也未必完全隐形——氢数等属性往往随质子化一同改变。含同位素项时，氘代才可分辨。取项是设计决策，不是实现细节。

第二步：迭代更新。第 k 轮，每个原子把上一轮邻居的标识符连同键级收进来，与自身上一轮的标识符一起再哈希一次：

两个机理要点。其一，邻域滚动扩张：第 1 轮标识符编码“我 + 直接邻居”，第 2 轮编码“我 + 邻居 + 邻居的邻居”（图 2.5-1）。迭代次数即半径，这正是“扩展连接性”的含义。其二，多重集的引入并非修辞：邻居以什么次序进入哈希，结果必须相同，否则同一分子换一种原子编号就得到不同指纹。这与 1.2 节的置换不变性、2.4 节图不变量的要求一脉相承——Morgan 式迭代本身就是逐轮精化的图不变量，图论中的 WL 顶点精化算法是它的同族。

第三步：收集。先把每个原子在每一轮的候选标识符都收进来：半径 0 到 R，每原子 R+1 个。原始 ECFP 在此还有一道结构冗余消除：两个环境若覆盖完全相同的键集合，即便标识符不同，也按规则只保留其一（RDKit 默认同样去冗余，includeRedundantEnvironments 选项可保留全部）。环境完全相同的原子给出相同标识符，合并相同 ID 后即特征集合；若改而保留每个标识符的出现次数，得到计数版本（ECFC），信息更多，位向量则一律只记“出现与否”。半径 2 下，典型药物分子有几十个互不相同的圆形子结构——指纹的大小随分子复杂度自然伸缩，这正是无词典设计的好处。

第四步：折叠。整数集合不定长，按位运算也不方便，于是把每个标识符映射到定长位向量的某一位并置 1：

折叠的收益是定长与高效：两个 2048 位向量的交、并、异或都是常数条机器指令。代价——碰撞——是本节后半的主角，先在图 2.5-2 里看清它的几何。

下面用一对只差一个原子的分子印证上述流程：半径 2（两轮迭代）加 2048 位折叠，注释对应各步骤。Tanimoto 系数(Tanimoto coefficient)的正式定义在 2.5.6 节，这里先看数值形态。

from rdkit import Chem
from rdkit.Chem import rdFingerprintGenerator, DataStructs

gen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048)  # 半径2=两轮迭代；2048=折叠位数
m1 = Chem.MolFromSmiles("c1ccccc1CCO")   # 2-苯乙醇
m2 = Chem.MolFromSmiles("c1ccccc1CCN")   # 2-苯乙胺：末端 O 换成 N
fp1, fp2 = gen.GetFingerprint(m1), gen.GetFingerprint(m2)
print(fp1.GetNumOnBits(), fp2.GetNumOnBits())      # a 与 b：折叠后的置位数
print(len(gen.GetSparseCountFingerprint(m1).GetNonzeroElements()),
      len(gen.GetSparseCountFingerprint(m2).GetNonzeroElements()))
# 未折叠特征数（本例 16 = 16：这对分子内部没有发生折叠合并；换分子就未必）
print(DataStructs.TanimotoSimilarity(fp1, fp2))    # c/(a+b−c) ≈ 0.52：一原子之差即明显小于 1

两个分子只在末端差 O 与 N，多数圆形子结构仍然相同，置位大量重叠；但含末端原子的环境不同，交就不是全集，相似度明显小于 1（本例两分子折叠前后置位数同为 16——折叠有没有吞并特征因分子而异，须对照未折叠表示才知道）。一个原子的改写只扰动“以它为中心的那些环境”——半径 2 时至多波及它两步以内的中心。指纹对局部改动的响应是局部的，这一性质在后面的章节反复出现。

2.5.3 参数的语义：半径与位数

命名习惯里，ECFP 的下标是直径而非半径：ECFP4 指直径 4 条键，即半径 2、两轮迭代；ECFP6 对应半径 3。RDKit 摩根指纹的 radius 参数就是半径，radius=2 与 ECFP4 相当。半径是“分辨率”旋钮：半径 0–1 看见官能团与一阶环境，对电性、氢键供受体敏感；半径 2–3 看见骨架片段，对整体拓扑敏感。半径越大，稀有环境越多、区分度越高，但对局部变化也更敏感。变体 FCFP 把原子属性换成药效团(pharmacophore)类别（氢键供体、芳香环……），“看什么”随之改变。

半径的影响可以用取代苯看清楚——先看实测，别信示意图的直觉。邻、间、对二甲苯在半径 0 下的特征集合完全相同（三种原子环境而已）；到半径 1，未折叠标识符集合已经分成三样：7、8、6 个特征，两两集合交并比约在 0.63–0.75——默认原子不变量不止元素一种：取代基附着碳与带氢碳的度数、氢数在初始标签就不同，一轮邻域聚合把部分连接模式区分开。哪些异构体在哪个半径能分开，取决于初始不变量、特征聚合方式与是否保留计数，不能只凭邻域画法下结论。总的趋势仍然成立：官能团层次的分辨要小半径，骨架与位置的分辨要大半径——半径不是越大越好，而是要与“想看见的化学差异”匹配。

位数 L 是另一个旋钮，它的后果可以用生日问题(birthday problem)精确刻画。m 个互不相同的标识符独立均匀落入 L 位，至少两位相撞的概率为：

一个中型分子库的不同子结构数以万计，折叠位向量必然布满碰撞——但全库层面的碰撞不等于每个分子对都受伤：一对分子的相似度误差，只取决于实际出现在这两个分子里的特征如何相撞。位数的取舍要看碰撞规模、相似度误差、排序稳定性与下游任务（2.5.4 节），不能只看“是否发生过碰撞”。位数从 2048 提到 4096、8192，过半门槛只抬高 √2 倍、2 倍——按位数对抗生日悖论，推迟而非消除。

2.5.4 碰撞的机理与后果

碰撞来自折叠操作：折叠把“哪个子结构”压缩成“落在哪一位”，不同的子结构可以共用落点。后果不是随机噪声，而是系统性偏差，两个方向同时起作用。其一，交叉碰撞制造假共享：分子 A 的子结构 x 与分子 B 的子结构 y 同落一位，位向量只看到“两位都亮”，把它记入交 c——真实的子结构交集中并没有这一项。其二，分子内碰撞压缩置位数：同一分子两个不同子结构共位后只贡献一个 1，a、b 变小——注意在位数固定时，置位数减少意味着位密度 a/L 下降；“指纹越短、典型位密度越高”是另一个方向的比较（同一批分子折进更少的位）。两个方向的净效应，在典型数据分布上呈现为相似度高估：Swamidass 与 Baldi（2007）把它表述为折叠的系统误差并给出修正公式。但“典型高估”不是逐对成立的定理——若两个共享特征折叠后合并成一位、其余不撞，相似度反而降低（{x, y, u} 对 {x, y, v} 原为 2/4 = 0.5，x 与 y 同位后变 1/3）。偏差的方向与大小要看实测：RDKit 开发者的抽样比较显示，半径 2、1024 位相对未折叠表示，Tanimoto 的平均偏差约 0.014，相似度排序的 Spearman 相关约 0.99——碰撞存在，排序基本稳定；换成极短指纹，误差显著增大。

不折叠去掉的是“折叠”这一步新增的碰撞；标识符自身的哈希碰撞依然可能（32 位整数面对天文数字的环境空间，概率低得多，但不是零）。更要紧的是：即便完全无碰撞，指纹相同也不等于分子相同。环己烷与环庚烷在半径 2 下未折叠特征集合完全一致（只是各特征的计数不同），位指纹 Tanimoto = 1.0，而它们显然是两种分子——有限半径只记录“哪些环境出现”，超出半径的排布本就丢了。不折叠的真实收益是无折叠偏差、可携带出现次数、可作精细重排与来源解释。代价是不定长——不能按位运算，百万级检索要改走倒排索引或 MinHash 等近似路线，存储与比较成本都高；但对训练集特征建立列索引后，稀疏表示同样能列对齐地进模型。两种形态的取舍可以并排看清：

工程折衷因此常见：位向量做粗筛与机器学习输入，标识符集合做精细重排与可解释性分析。

2.5.5 可解释性红利：把位读回子结构

位向量还有一个隐性代价：黑箱化。第 1187 位亮了，它是什么？ECFP 的回答是来源回溯，不是哈希求逆。生成指纹时可以顺手记录每个标识符来自哪些（中心原子、半径）——RDKit 的 bitInfo / AdditionalOutput 保存的就是这份来源清单；结合原分子，才能把某个标识符画成“中心原子 + 逐层邻居”的环境图。拿到一个孤立整数直接还原唯一结构是做不到的：哈希只保证相同环境必得相同整数，不保证整数与环境一一对应（ECFP 原文对标识符碰撞有专门讨论），同一个来源清单也只对这次生成、这个分子有效。

这仍是 ECFP 与一大类纯数值表示的本质区别。描述符向量（2.4 节）的一个数字有单位与定义，但不指回任何可画出的片段；学习模型的权重就更间接了。词典指纹的每一位锚定清单里的一条；摩根位向量的一位对应一个或多个圆形环境——模型说“位 1187 重要”，化学家可以列出它的全部来源环境、画出它们、审查它们。可解释性的实质是来源可查，不是字典式的唯一指认。诊断环节同样受益：某几位在活性分子中富集，读出的就是一个候选药效团假设，可交给 2.3 节的 SMARTS 检索验证。要防的仍是折叠与哈希碰撞：一位可能对应多个环境，严肃的解释应回到不折叠的标识符并核对来源。

下面这段代码演示来源回溯的完整流程：同一个分子、同一次生成——先看不折叠的计数表示，再查某一位的全部来源并画图。

from rdkit.Chem import Draw, rdMolDescriptors

sparse = gen.GetSparseCountFingerprint(m1).GetNonzeroElements()  # 不折叠：标识符 → 出现次数
print(len(sparse))                    # 去重后的圆形子结构数
info = {}
fp = rdMolDescriptors.GetMorganFingerprintAsBitVect(m1, 2, nBits=2048, bitInfo=info)
b = fp.GetOnBits()[3]
print(info[b])                        # 这一位的全部来源：(原子, 半径) 对，可能不止一个
Draw.DrawMorganBit(m1, b, bitInfo=info)   # 结合原分子画出该位对应的环境

稀疏计数的键就是整数标识符；bitInfo 列出该位的全部（原子、半径）来源，画出的环境即该位在此分子中的语义——“这一位是什么”从此有图可查，但它是本分子的来源清单，不是全局唯一的词典条目。

2.5.6 Tanimoto 系数与它的亲族

有了指纹，相似性度量登场。化学信息学的默认选择是 Tanimoto 系数——两个置位集合的交并比：

性质四条。值域闭于 [0,1]。全零指纹无定义——空集之间谈交并比没有意义（软件约定的版本差异见上）。二元向量下 T 就是集合论的 Jaccard 指数(Jaccard index)：名字不同、公式同一，Tanimoto 之名来自 1957 年一份技术报告（综述见 Willett et al., 1998）。最后，两位均为 0 的位置不进入任何计数——共同缺席不奖赏相似。这一条对稀疏的存在性特征至关重要：简单匹配系数把共同 0 计入“匹配”，数千个共同缺席会把毫不相似的分子评得接近；Tanimoto 只看共同拥有什么。

近亲 Dice 系数(Dice coefficient)把分母里的并集换成平均：

两系数的换算关系说明：选 Tanimoto 还是 Dice，不改变任何一对分子的先后次序，只改变数值刻度。为什么默认 Tanimoto？Bajusz 等（2015）在多套数据上比较 8 种相似性系数，以排序与各系数平均排序的一致性（排序差异求和，SRD）为标准，Tanimoto、Dice、cosine 与 Soergel 同属表现最好的一组——但这是统计评价上的接近，不是数学等价。数学上严格与 Tanimoto 同序的只有 Dice（式 2.5-6 的单调换算）；cosine 并不由 T 单调决定，它还依赖两指纹各自的置位数，排序可以与 Tanimoto 相反——例如查询 {1,2,3,4} 对候选 {1} 与 {1,2,5,6,7}：Tanimoto 给 0.25 < 2/7 ≈ 0.286（偏向后者），cosine 给 0.50 > 2/√20 ≈ 0.447（偏向前者）。在“多数任务下选哪个差别不大”的前提下，Tanimoto 胜在两点：交并比语义直白；1 − T 即 Soergel 距离，满足度量性质，可作几何使用，便于近邻索引与可视化。

家族里更一般的是 Tversky 指数(Tversky index)：

α 与 β 拆开了“你的独有”与“我的独有”。对称取值回到 Tanimoto 与 Dice；不对称取值则承认一件事：相似与否，取决于提问的方向。超结构检索不希望目标多出的骨架挨罚，碎片检索正相反。这一自由度是对称系数看不见的。但方向性权重有一条硬边界：它调整的是特征集合的重叠账目，不是子结构判断。分子图上 Q ⊆ T，不保证 Q 的 Morgan 特征集包含于 T 的特征集——乙烷是丙烷的子结构，半径 2 下乙烷却有一个标识符不出现在丙烷的特征集里（部分原子的氢数与邻接环境在扩链后变了，相关特征随之改变）。严格包含判断走 2.3 节的子结构匹配；面向子结构检索的预筛要用专门的 Pattern 指纹——它为保证不漏筛而设计，与普通 Morgan 指纹的用途不可混同。Tversky 高分是“有方向的特征相似性”证据，不是包含关系的证明。

2.5.7 相似性搜索的逻辑：相似性质原理

度量之上是化学的中心经验假设：相似性质原理(similar property principle)——结构相似的分子倾向具有相似的性质。它是虚拟筛选(virtual screening)、类似物设计与 read-across 预测的共同前提：用近邻的已知性质外推新分子的未知性质。假设并不总成立，活性悬崖(activity cliff)上一原子之差即可让性质剧变；但它给出了一个可操作的默认立场，其适用边界留待第 4 章结合任务讨论（综述见 Willett et al., 1998）。

最朴素的学习器由此诞生：k 近邻。新分子进来，算它与库内全部分子的 Tanimoto，取最相近的 k 个的标注作预测。没有参数训练，只有检索；预测质量押在两件事上——表示（指纹配置）与度量（系数选择）。这也使它成为绝佳的基线：任何更复杂的模型都要先回答，比近邻检索好在哪里。MoleculeNet 基准把 ECFP 配随机森林与图卷积模型同台比较（Wu et al., 2018），ECFP 系列至今仍是最强的传统基线之一，第 3 章正面再遇。

阈值问题没有原理性答案。某个 Tanimoto 界线之上算“命中”，取决于指纹配置、数据集的相似度分布与检索目的：找类似物要高阈值，找骨架跃迁(scaffold hopping)的新分子反而要看中低相似区的陌生骨架。文献里的经验带（约 0.6–0.85）只是特定配置下的产物，换配置即漂移。可操作的做法：画出目标库内两两相似度的分布，把阈值定在分布的相应分位上——让数据说话，不让文献代劳。

2.5.8 通向第 3 章：从哈希指纹到神经指纹

本节的两条线索都通向第 3 章。表示线索：ECFP 配随机森林是属性预测中常用的传统基线（见 3.3 节），可用于检验更复杂模型是否在相同评估条件下带来改进。机制线索：Duvenaud 等（2015）的神经指纹(neural fingerprint)把 ECFP 逐层改造成可微运算——哈希的“非此即彼”换成 softmax 的软选择，“哪一位收下这个环境”从固定规则变成可学习参数；迭代层数即感受野，对应半径。指纹从特征工程变成可端到端训练的层（3.5 节展开）。理解这些模型仍需回到本节的编码机制：神经指纹能学到什么，取决于它对 ECFP 的哪一步做了松弛。

下一节转向数据的另一端：分子在进入任何表示之前先要洗净——清洗与标准化（2.6 节）。