Molfeat - 分子特征化统一平台

技能概述

Molfeat 是一个综合性的Python分子特征化库，整合100+预训练嵌入和手工特征器，支持将化学结构（SMILES字符串或RDKit分子对象）转换为机器学习可用的数值表示，适用于QSAR建模、虚拟筛选、相似性搜索和深度学习应用。

适用场景

1. 药物研发中的机器学习建模

当你需要构建QSAR/QSPR模型预测化合物活性、毒性或理化性质时，molfeat可以将SMILES字符串转换为模型可用的特征向量。支持传统机器学习（随机森林、SVM、XGBoost）所需的分子指纹、描述符，以及深度学习所需的预训练嵌入（ChemBERTa、ChemGPT）和图神经网络特征。

2. 大规模化合物库虚拟筛选

当你需要对数十万甚至数百万化合物进行活性预测或优先级排序时，molfeat提供并行处理能力（n_jobs=-1自动利用所有CPU核心）、批量处理和特征缓存，可高效计算ECFP、MACCS等指纹特征，结合scikit-learn分类器实现快速虚拟筛选流程。

3. 化学空间分析与相似性搜索

当你需要进行化合物聚类、可视化、降维或寻找结构相似分子时，molfeat提供多种相似性度量方法（ECFP、MACCS、MAP4用于2D相似性，USR/USRCAT用于3D形状相似性），支持余弦相似度计算和高效批量特征提取，帮助理解化学空间分布和进行骨架跃迁研究。

核心功能

1. 100+ 统一特征化接口

提供从传统分子指纹（ECFP、FCFP、MACCS、MAP4等）、描述符（RDKit 2D、Mordred 1800+描述符、CATS药效团描述符）到现代深度学习嵌入（ChemBERTa、ChemGPT、MolT5等Transformer模型，GIN、Graphormer等GNN模型）的统一调用接口，所有特征化器共享一致的API设计，降低学习成本。

2. Scikit-learn兼容的批量处理

MoleculeTransformer类提供与scikit-learn管道兼容的转换器接口，支持自动并行处理（n_jobs=-1）、错误忽略（ignore_errors=True）、配置持久化（保存/加载YAML配置文件）和内存缓存，可直接集成到机器学习管道中实现从SMILES到预测的端到端流程。

3. 预训练模型与高效推理

内置ChemBERTa-77M-MLM、ChemGPT-1.2B等预训练Transformer模型和GIN、Graphormer等图神经网络，提供内存缓存和批次推理优化，首次运行后模型保持在内存中显著加速后续推理，支持通过ModelStore探索所有可用模型并获取使用示例。

常见问题

molfeat 支持哪些Python版本？

molfeat 0.11.0 支持 Python 3.9–3.10，不支持 Python 3.11+。建议使用Python 3.9或3.10环境，通过uv pip install "molfeat==0.11.0"安装。如需使用GNN或Transformer模型，需安装对应的额外依赖：molfeat[dgl]、molfeat[transformer]或molfeat[all]。

如何处理无效的SMILES字符串？

在处理可能包含无效SMILES的数据集时，设置ignore_errors=True参数可使特征化器跳过无效分子并继续处理，返回None作为失败分子的特征。建议配合verbose=True记录错误详情，便于后续数据清洗。对于大规模数据集，还可以实现自定义预处理方法进行分子标准化和盐分去除。

如何为我的任务选择合适的特征化方法？

对于传统机器学习（随机森林、SVM），推荐从ECFP指纹开始（通用性强）；若需要可解释性，可选择RDKit 2D描述符或MACCS指纹；对于大规模筛选，MAP4指纹效率较高。对于深度学习任务，ChemBERTa适合迁移学习，GIN模型适合图结构数据。可通过ModelStore().available_models浏览所有可用选项，或使用FeatConcat组合多种特征以提升模型性能。