为什么我的数据中分子的摩根指纹不会随着位数的增加而趋于稳定？

Question

所以我是化学信息学和编程领域的新手，我的第一个项目涉及使用摩根指纹作为我的 ML 模型的描述符/特征，但我似乎无法找到合适大小的位向量。我的分析涉及找出给定长度占用的最大位数。

首先我创建一个函数，它接受 SMILES 和位向量长度的列表，并生成所有 SMILES 的指纹，并返回所有生成的指纹中占用的最大位数。

def max_on_bits(smiles_list, nbits):
    on_bits = []

    for smiles in smiles_list:
        mol = Chem.MolFromSmiles(smiles)
        fp = AllChem.GetMorganFingerprintAsBitVect(mol, 
                                                   3, 
                                                   nBits=nbits, 
                                                   useChirality=True, 
                                                   useFeatures=True)

        num_on_bits = sum(np.array(fp))
        on_bits.append(num_on_bits)
        
    return max(on_bits)

然后我递归地使用该函数来找到最大占用率

nbits_range = range(1024, 20483, 256)
occupancy = []
for nbits in nbits_range:
    occupancy.append(max_on_bits(smiles_list, nbits))

最后我绘制结果

import matplotlib.pyplot as plt

plt.plot(nbits_range, occupancy)
plt.xlabel("Bit Vector Size")
plt.ylabel("Maximum Number of bits occupied")
plt.grid()
plt.show()

生成的曲线不会稳定，而是创建一条振荡线。我的代码是否有问题，或者这是由于指纹的固有性质造成的？

Answer 1

在生成摩根指纹的过程中，首先为所有非冗余环境生成整数标识符，然后将这些整数折叠（通常使用模运算）以填充指纹。如果两个整数折叠到相同的索引，则会发生位冲突，并且位计数将低于唯一环境计数。发生这种情况的可能性相当高，这反映在你的情节中。如果您想要计算唯一标识符的数量，您可以完全跳过折叠，直接使用环境标识符。 32 位整数发生冲突的可能性要低得多。一般来说，摩根指纹非常稀疏，因此根据您的目的，指纹不必那么长。通常，1024、2048 或 4096 在任务中的表现非常相似，例如从一组中检索高度相似的化合物。

最有可能的是，您的曲线实际上会收敛，但前提是指纹长度要高得多。 PS，如果您使用

fp.GetNumOnBits()

而不是

sum(np.array(fp))

，您的代码会运行得更快，因为大量时间浪费在不必要地将 rdkit fp 转换为 np 数组上。请参阅下面的示例，使用雷帕霉素的 SMILES：