[drug] Rdkit

Count Simulation

reference

对每一个 feature（比如某个 Morgan 子结构），不只用 1 个 bit 表示“是否存在”，而是用多个 bit 表示“出现多少次”。对每个 feature N，预留 4 个 bit：

bit	阈值
bit1	≥1
bit2	≥2
bit3	≥4
bit4	≥8

添加图片注释，不超过 140 字（可选）

• 前两个 bit 是黑色（开）， 后两个是白色（关），说明该 feature 出现了 2 或 3 次

为什么不用普通二进制表示？如果直接用二进制表示 count，分子 A 有 1 次 → 1000，分子 B 有 2 次 → 0100，两个 bit 完全不重合 → Tanimoto = 0

代价是有效长度变短。假设原本 2048 bit，每个 feature 用 4 个 bit，2048 / 4 = 512，等效上只有 512 个独立位置。

什么是 collision？不同 feature hash 到同一个 bit。bit 越少 → collision 越多，collision 越多 → similarity 噪音越大

RDKit topological fingerprint本身就会设置很多 bit,密度很高。当你再用 count simulation，每个 feature 占 4 个 bit，有效长度缩小，collision 急剧增加，除非把 fingerprint 长度增加，比如2048 → 4096 或 8192

fpgen3 = rdFingerprintGenerator.GetRDKitFPGenerator(fpSize=8192,countSimulation=True)

Chirality手性

添加图片注释，不超过 140 字（可选）

Chirality = 分子不能和自己的镜像重叠

最常见情况，一个碳连着四个不同的取代基，叫做 手性中心 (chiral center)。

典型例子：沙利度胺（一个治疗，一个致畸），所以在 drug discovery 里，chirality 非常关键。

Morgan Fingerprint 的 default 默认关掉 chirality ，但可以打开

fp = AllChem.GetMorganFingerprintAsBitVect(
    mol,
    radius=2,
    nBits=2048,
    useChirality=True
)

如果 chirality 没有打开，那么R-乳酸 和 S-乳酸的fingerprint 完全一样。

什么时候开什么时候不开呢？

添加图片注释，不超过 140 字（可选）