RDKit中聚合物SMILES转特征向量：含‘*C*’结构时出现NaN值求解

原因分析 #

你遇到的问题是因为*在SMILES中是通配符，代表任意未知原子。RDKit的大多数分子描述符（比如分子量、拓扑指数等）依赖明确的原子属性（原子量、价态等），通配符的原子没有这些明确属性，导致部分描述符计算失败，返回NaN或无穷大值。你的computeDescriptors函数会因为检测到非有限值（NaN/inf）而返回None。

另外你的代码里smiles列表存在语法错误，需要修正为合法的Python列表格式。

解决方案 #

根据你的使用场景，有以下几种处理方式：

1. 替换通配符为具体原子（推荐，若已知端基） #

如果你的聚合物重复单元的端基是明确的（比如氢原子），可以将*替换为具体原子，让结构完整，这样所有描述符都能正常计算。

2. 过滤/填充NaN值 #

保留能正常计算的描述符，对NaN值进行填充（比如用所有样本的均值、中位数，或者0），避免直接返回None。

3. 使用RDKit标准的聚合物连接点表示 #

RDKit支持用[*]表示聚合物重复单元的连接点，替换*为[*]可以让RDKit更好地识别结构，部分描述符能正常计算。

代码示例 #

修正基础语法错误 #

首先修正smiles列表的语法错误：

smiles = ['*C*', 'C1CCCC1', 'CCCCCC', 'CCCC(C)C']

方案1：替换通配符为H原子 #

import numpy as np
from rdkit import Chem
from rdkit.Chem import Descriptors
from rdkit.ML.Descriptors import MoleculeDescriptors

descriptors = [desc[0] for desc in Descriptors._descList]
calculator = MoleculeDescriptors.MolecularDescriptorCalculator(descriptors)

def computeDescriptors(mol, calculator):
    res = np.array(calculator.CalcDescriptors(mol))
    # 检查是否有非有限值，用均值填充NaN/inf
    mask = np.isfinite(res)
    if not np.all(mask):
        res[~mask] = np.mean(res[mask])
    return res

# 替换通配符为H
processed_smiles = [s.replace('*', 'H') for s in smiles]
mol_objects = [Chem.MolFromSmiles(smile) for smile in processed_smiles]

features = [computeDescriptors(x, calculator) for x in mol_objects]

print(features)

方案2：过滤无法计算的描述符 #

只保留对通配符结构能正常计算的描述符：

import numpy as np
from rdkit import Chem
from rdkit.Chem import Descriptors
from rdkit.ML.Descriptors import MoleculeDescriptors

# 先测试哪些描述符能处理*C*结构
test_mol = Chem.MolFromSmiles('*C*')
valid_descriptors = []
for desc_name, _ in Descriptors._descList:
    try:
        desc_func = getattr(Descriptors, desc_name)
        val = desc_func(test_mol)
        if np.isfinite(val):
            valid_descriptors.append(desc_name)
    except:
        continue

# 使用过滤后的描述符计算器
calculator = MoleculeDescriptors.MolecularDescriptorCalculator(valid_descriptors)

def computeDescriptors(mol, calculator):
    return np.array(calculator.CalcDescriptors(mol))

mol_objects = [Chem.MolFromSmiles(smile) for smile in smiles]
features = [computeDescriptors(x, calculator) for x in mol_objects]

print(f"保留的有效描述符数量：{len(valid_descriptors)}")
print(features)

方案3：使用标准聚合物连接点表示 #

import numpy as np
from rdkit import Chem
from rdkit.Chem import Descriptors
from rdkit.ML.Descriptors import MoleculeDescriptors

descriptors = [desc[0] for desc in Descriptors._descList]
calculator = MoleculeDescriptors.MolecularDescriptorCalculator(descriptors)

def computeDescriptors(mol, calculator):
    res = np.array(calculator.CalcDescriptors(mol))
    # 填充NaN为均值
    mask = np.isfinite(res)
    if len(res[mask]) > 0:
        res[~mask] = np.mean(res[mask])
    return res

# 将*替换为[*]，符合RDKit聚合物连接点规范
processed_smiles = [s.replace('*', '[*]') for s in smiles]
mol_objects = [Chem.MolFromSmiles(smile) for smile in processed_smiles]

features = [computeDescriptors(x, calculator) for x in mol_objects]

print(features)

内容的提问来源于stack exchange，提问作者str