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定长位向量(bit vector)的编码：出现某个子结构，就在相应位置 1。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，每条都以 SMARTS 可读（2.3 节）。词典指纹的长处是彻底透明：哪一位亮，分子就含哪个片段，解释零成本。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：路径是线性的，分支与环系只能间接表达。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。

表中最后一列的递进值得一句话总结：从词典到圆形，覆盖从「清单说了算」变成「分子自己说了算」，可解释性则始终保住——这正是 ECFP 能同时服务检索、建模与人审的原因。

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：默认不含电荷项时，质子化状态的差异对指纹不可见；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。把每个原子在每一轮的标识符都收进集合：半径 0 到 R，每原子 R+1 个。两个原子的环境完全相同时标识符相同，集合语义自动去重；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：折叠后已小于子结构个数
print(DataStructs.TanimotoSimilarity(fp1, fp2))    # c/(a+b−c)：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。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。二取代苯的邻、间、对三种异构体，在半径 1 下不可分：取代基附着碳的环境都是「芳香碳 + 两个环碳 + 一个取代基」，三种情形完全同标签。半径 2 起，间位与对位附着碳的邻域开始不同，指纹随之分开。官能团层次的分辨要小半径，骨架与位置异构的分辨要大半径——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。位数从 2048 提到 4096、8192，门槛只抬高 √2 倍、2 倍——按位数对抗生日悖论是指数打平方便，治标不治本。真正的出路在 2.5.4 节。

2.5.4 碰撞的机理与后果

碰撞的机理一句话：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，位密度随之升高。净效应的方向是一致的：指纹越短，位密度与偶然重叠越大，相似度整体被抬高。Swamidass 与 Baldi（2007）把这一点表述为折叠的系统误差并给出修正公式；RDKit 社区对真实库的实测同样显示：折叠位数越小，平均 Tanimoto 越高。个别分子对上也有反向扰动——两个共享子结构互相碰撞会合并计数、压低 c——但就整个库而言，高估是主导方向。

彻底的出路是不折叠：保留整数标识符的集合（或「标识符 → 计数」映射）。子结构不同则整数不同，相似度在集合上直接计算，无碰撞，还能分清「出现一次」与「出现多次」。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。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 的回答是可以反解。Rogers 与 Hahn（2010）在设计时就保留了标识符到子结构的映射：每个整数标识符由哈希前的属性元组与邻域结构唯一决定，反查即得「中心原子 + 逐层邻居」的完整环境。RDKit 的 bitInfo 记录每个位来自哪些（中心原子、半径）对，配合绘图工具可以直接把某一位画成结构图。

这是 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。指纹的每一位都锚定一个子结构：模型说「位 1187 重要」，化学家可以画出它、审查它、质疑它。可解释性不是事后附会，而是编码方案内生的性质。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：位向量上的一位可能对应多个子结构，严肃的解释应回到不折叠的标识符。

下面这段代码对应「反解」：先生成不折叠的稀疏计数指纹，再取出某一位对应的环境画出来。

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；对照 a，差额即折叠吞掉的信息
info = {}
rdMolDescriptors.GetMorganFingerprintAsBitVect(m2, 2, nBits=2048, bitInfo=info)
b = fp2.GetOnBits()[3]
Draw.DrawMorganBit(m2, b, bitInfo=info)   # 反解：画出这一位对应的圆形环境

稀疏计数的键就是整数标识符；位图工具画出的环境即该位的语义，「这一位是什么」从此有图可查。

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。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。这一条对稀疏数据至关重要：欧氏距离或相关系数面对数千个共同 0，会把毫不相似的分子也评得接近。

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 12 种相似性系数，结论是 Tanimoto、Dice、cosine 与 Soergel 距离同属最优，且在二元数据上排序等价；在「选哪个都一样」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。

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的最强传统基线（3.3 节再遇），它的地位恰是「手工迭代哈希能做到多好」的标尺。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）。到那时，本节的机理仍是地基：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）。