分子指纹：Morgan、MACCS、ECFP 原理与对比

可视化演示

演示Morgan、MACCS与ECFP分子指纹的生成原理、结构编码与相似度对比。

指纹概述：分子的“社区身份证”

派出所要给新社区建档，最需要的是一个能写在档案袋上的“编号”。编号不能太短而丢失信息，也不能太长而浪费纸张。分子指纹承担的就是这种角色：它把包含几十个原子的分子结构，映射成一个固定长度的 0/1 位串。每一位的取值（0 或 1）代表分子是否拥有某种结构特征，相当于社区档案里的一栏：“该社区是否有医院？”“是否有学校？”

AI 算法最擅长处理规矩的向量输入。分子原本是以 SMILES 字符串或三维坐标存在的非结构化数据，直接喂给神经网络非常吃力；指纹把它们变成统一长度的二进制向量，既能计算分子之间的相似度，又能作为机器学习模型的特征输入。两个分子“像不像”，本质上就是两个社区档案编号的接近程度。

最经典的比较指标叫 Tanimoto 相似度，它把两个指纹想象成两个集合：

有了身份证编号，派出所比对两个社区只需要做数字运算。分子指纹让“分子画像”变得可计算、可存储、可检索，这正是后续所有指纹方法（包括 MACCS、Morgan、ECFP）共同服务的核心目标。

表征基础：先画好社区地图

办身份证之前，民警得先拥有一张标准的“社区平面图”：哪里是房子，哪条路连接哪栋房子，楼高几层、用途是什么。没有这张图，任何档案系统都是空谈。化学世界里，这张“图”就是分子表征。

最常用的表征方式有两种。第一种是 SMILES 字符串，像“CC(=O)Oc1ccccc1C(=O)O“这样的一行文本，用字符表示原子与成键关系，相当于给社区写一个”邮寄地址“。第二种是分子图，它把原子看成节点、化学键看成边，是一张真正的拓扑地图。指纹算法几乎都从这张地图出发，因为”我的邻居是谁”这种问题只能在地图上回答，没法在地址字符串里直接看出来。

分子图可以用集合论严格描述为：

这张“平面地图”是所有指纹算法的基石。任何一个分子，只要能画出分子图，民警就能决定用哪种建档方案——是填问卷，还是挨家走访。这也是为什么化学信息学把“分子表征”放在一切方法的最前面。

MACCS 指纹：166 道标准问答题

多年以前，社区档案室的老式做法是准备一份统一的问卷：一共 166 道“是/否”题目。问卷里的问题全部是预先写好的，比如“该社区是否有苯环？”“是否有羧基？”“是否有羰基？”民警拿着问卷逐项打勾，最后得到一长串对勾和叉号。这就是 MACCS 指纹的思路。

MACCS（Molecular ACCess System）指纹预定义了 166 个常见的子结构片段，它们用 SMARTS 模式描述。计算指纹时，程序把分子与每一道“题目”的子结构进行匹配：只要分子的某个局部与题目描述的片段完全一致，这位就记为 1，否则记为 0。由于每个子结构是固定的，整个过程完全可解释：任意一位为 1，你都能立即说出分子含有什么基因。这种确定性也让它极快，适合对海量分子做第一轮粗筛。

每一位的取值规则可以写成一个简洁的分段函数：

MACCS 就像一张老问卷，只回答“有没有”，不回答“长什么样”。两个都含苯环的分子在这一栏都是 1，可它们的苯环连接方式可能完全不同。这种粗粒度让它在广度检索上效率极高，但在精细区分上就力不从心了。

Morgan 算法：按邻居圈层走访

老问卷总有盲区：它能看到“某类设施是否存在”，却看不出这些设施周围的环境。为了补足这个短板，新来的警员提出另一套思路——不预设题目，直接进社区，从每栋房子出发，一圈一圈地走访邻居，记录“这个房子周围的社区面貌”。这就是 Morgan 算法的灵魂。

Morgan 算法给每个原子分配一个初始“身份号码”，号码由原子自身的属性（原子序数、连接度、电荷等）哈希得到。然后进入迭代：每一轮，原子把自己的身份号码与所有邻居的身份号码合并，重新哈希，生成新的号码。迭代进行 r 轮之后，每个原子的号码就蕴含了它周围 r 层邻居的信息。这些号码的集合，就是著名的“环形指纹”（circular fingerprint）——因为每一轮的视野正如水面上扩散的涟漪，形成一个个同心圆。

迭代更新的核心公式如下：

走访轮数越多，警察对社区细节的掌握就越深，但走访成本也随之上升。Morgan 算法刻画的是原子周边的局部拓扑环境，比起问卷式“有没有”的粗粒度，已跨出一大步。不过它产出的标识符长度不固定、难以直接比较，于是后续研究者把它“标准化”，ECFP 应运而生。

ECFP 指纹：圆形视野的电子档案

走访记录虽然细致，但每个社区走访出来的笔记格式五花八门，不好归档。于是办证处升级系统：改用统一的“圆形视野证件照”，每一户都从自家门口向外拍一张半径固定的全景照片，再把所有照片数字化压缩成一张总表。这就是 ECFP 的由来。

ECFP（Extended Connectivity Fingerprint，扩展连通性指纹）本质上就是用 Morgan 算法为每个原子生成整数标识符，再用哈希与折叠把标识符映射到固定长度的位串上。它有两个常用参数：直径（直径 = 2 × 半径）和位串长度。例如 ECFP4 表示考虑直径 4 个键范围内的原子环境（即半径 2 层），通常使用 1024 或 2048 位输出。RDKit 中的 GetMorganFingerprintAsBitVect(mol, radius, nBits) 就是它的标准实现，传入半径 2 等价于生成 ECFP4。

将每个原子环境编码成指纹位的核心是“哈希定位”：

ECFP 同时拥有了局部环境细节和固定长度两个优点，成为药物分子虚拟筛选的事实标准。它就像一张张圆形视野证件照合成的电子档案——既保留了每户邻居的样貌，又让档案库可以统一检索。

对比与选型：粗筛与精查的分工

办证档案室里，三种方法各有绝活：老问卷（MACCS）答题快、答案稳定，但信息糙；新走访（Morgan/ECFP）细节足、区分度高，但耗时更长。老警察的经验是：先拿问卷把大方向锁定，再派走访去核实细节。分子指纹选型也是同样的道理。

从三个维度看，差异非常清晰。维度与复杂度：MACCS 固定 166 位，每一位都有明确的子结构定义；ECFP 常用 1024 或 2048 位，由哈希折叠产生，位与子结构无直接对应关系。表征效力：MACCS 记录全局子结构的存在性，是“全局粗粒度”；ECFP 记录每个原子周围的局部环境，是“局部细粒度”，对微小结构差异更敏感。计算速度：MACCS 的 166 次子图匹配非常快；ECFP 需要遍历每个原子并迭代多轮，开销明显更大。

选型时有一个直观指标——指纹密度，即指纹位串中被置为 1 的比例：

三种档案方法不是竞争关系，而是流水线分工。任务要求速度优先时，老问卷顶上；要求区分度优先时，走访记录里找出路。理解各自的“信息粒度”，是选对指纹的关键。

应用实战：从查户口到破案

档案建的再好，最终是为了破案——发现新的候选药物。在药物发现领域，分子指纹承担着两大核心任务：快速找出“长得像”的分子，以及给 AI 生成模型提供“长相指定”的条件。指纹的价值在这里体现得淋漓尽致。

虚拟筛选是经典应用：研究者有一个已知有活性的“线索分子”，希望从包含数百万化合物的数据库中捞出结构类似的候选分子。做法是把库中每个分子都编码成 ECFP4 指纹，与线索分子的指纹计算 Tanimoto 相似度，然后按分数从高到低排序，取前几百名送去做实验验证。整个过程在几分钟内完成，而传统实验筛选需要数月。另一个常用指标是 Dice 相似度，它给共有位更高的权重：

AI 分子生成是另一个前沿：在变分自编码器或扩散模型中，把目标分子的指纹作为条件向量输入生成器，模型就能“按图索骥”地生成具有相似结构骨架的新分子。指纹在这里就像嫌疑人的容貌描述词，引导生成器在化学空间的正确区域里搜索。从查户口到破案，分子指纹是化学空间与算法模型之间的那座桥。

AI 应用场景

Python 演示

from rdkit import Chemfrom rdkit.Chem import AllChem, MACCSkeysfrom rdkit.Chem import DataStructs  def demo_fingerprints():    smiles_list = [        "CC(=O)Oc1ccccc1C(=O)O",          # 阿司匹林        "CN1C=NC2=C1C(=O)N(C(=O)N2C)C",   # 咖啡因        "CCCO",                            # 1-丙醇    ]    mols = [Chem.MolFromSmiles(s) for s in smiles_list]    m1, m2 = mols[0], mols[1]     print("分子 1:", smiles_list[0])    print("分子 2:", smiles_list[1])     # 1) MACCS 166 位公钥指纹    mac1 = MACCSkeys.GenMACCSKeys(m1)    mac2 = MACCSkeys.GenMACCSKeys(m2)    print("\n[MACCS]")    print("  位串长度:", len(mac1))    print("  置位数:", mac1.GetNumOnBits())    print("  Tanimoto 相似度:", round(DataStructs.TanimotoSimilarity(mac1, mac2), 3))     # 2) ECFP4（Morgan 圆形指纹，直径=4，即半径=2）    ecfp1 = AllChem.GetMorganFingerprintAsBitVect(m1, 2, nBits=1024)    ecfp2 = AllChem.GetMorganFingerprintAsBitVect(m2, 2, nBits=1024)    print("\n[ECFP4]")    print("  位串长度:", len(ecfp1))    print("  置位数:", ecfp1.GetNumOnBits())    print("  Tanimoto 相似度:", round(DataStructs.TanimotoSimilarity(ecfp1, ecfp2), 3))     # 3) 同分子自比对应当等于 1    ecfp1_self = AllChem.GetMorganFingerprintAsBitVect(m1, 2, nBits=1024)    print("\n[自比对]")    print("  相同分子 ECFP4 相似度:", round(DataStructs.TanimotoSimilarity(ecfp1, ecfp1_self), 3))  if __name__ == "__main__":    demo_fingerprints()

1. mols = [Chem.MolFromSmiles(s) for s in smiles_list]把 SMILES 字符串解析成分子对象，相当于把“邮寄地址”翻译成“社区平面图”。
2. MACCSkeys.GenMACCSKeys(m1)生成 166 位的 MACCS 问卷档案，一键完成子结构匹配。
3. AllChem.GetMorganFingerprintAsBitVect(m1, 2, nBits=1024)生成 ECFP4 指纹，半径参数 2 代表直径 4 个键，nBits 指定折叠长度。
4. mac1.GetNumOnBits()统计置位数，即档案中打了多少个勾，反映指纹密度。
5. DataStructs.TanimotoSimilarity(mac1, mac2)计算两个位串的 Tanimoto 相似度，是虚拟筛选的核心算子。
6. if __name__ == "__main__":保证模块既可被导入也能独立运行，工程上必备的入口约定。

常见误区

面试题