如何利用RDKit优化MCS计算？含数据库Cartridge调用问题

问题背景 #

需要对数据库中的分子进行成对相似性计算，满足条件时计算MCS（最大公共子结构）。最初用Python itertools实现，尝试用RDKit Cartridge提升速度，已完成成对相似性计算，但无法调用fmcs函数；若Cartridge方法不可行，希望优化Python中MCS计算的性能。

一、RDKit Cartridge调用fmcs函数的问题 #

当前SQL代码通过交叉连接完成相似性计算，但调用fmcs_smiles失败：

select foo.mol_inchikey, boo.mol_inchikey, foo.mol_ecfp4_sfp, boo.mol_ecfp4_sfp, 
dice_sml(foo.mol_ecfp4_sfp, boo.mol_ecfp4_sfp) as sml, 
fmcs_smiles(foo.mol_mol::text, boo.mol_mol::text) as mcs 
from (select distinct(m.mol_inchikey), m.mol_ecfp4_sfp, m.mol_mol 
      from cipsi_prototype.molecule m 
      inner join cipsi_prototype.pat2mol pm on pm.mol_inchikey = m.mol_inchikey) as foo 
cross join (select distinct(m.mol_inchikey), m.mol_ecfp4_sfp, m.mol_mol 
            from cipsi_prototype.molecule m 
            inner join cipsi_prototype.pat2mol pm on pm.mol_inchikey = m.mol_inchikey) as boo

解决方案 #

1. 修正参数类型：
   RDKit Cartridge的fmcs_smiles函数需要接收RDKit Mol类型参数，而非文本类型。根据mol_mol字段的存储类型调整：

   • 若mol_mol是预存的RDKit Mol类型（如rdkit_mol），直接传入字段即可：

     fmcs_smiles(foo.mol_mol, boo.mol_mol) as mcs
     

   • 若mol_mol存储的是SMILES文本，需先转成Mol类型：

     fmcs_smiles(mol_from_smiles(foo.mol_mol), mol_from_smiles(boo.mol_mol)) as mcs
     

2. 优化查询效率：
   交叉连接会生成重复对（A-B与B-A）和自身对（A-A），添加过滤条件减少无效计算：

   where foo.mol_inchikey < boo.mol_inchikey
   

二、Python环境下MCS计算的性能优化 #

当前Python实现代码：

rdFMCS.FindMCS([molecules[mol1]['mol'], molecules[mol2]['mol']], 
               ringMatchesRingOnly=True, 
               completeRingsOnly=True, 
               timeout=1).smartsString

优化方案 #

1. 前置相似性过滤：
   先计算ECFP4的Dice相似性，仅对相似性高于业务阈值（如0.5）的分子对计算MCS，大幅减少计算量。

2. 并行计算：
   MCS计算是CPU密集型且无状态任务，用多进程并行处理：

   from concurrent.futures import ProcessPoolExecutor
   
   def calculate_mcs(mol_pair):
       mol1, mol2 = mol_pair
       try:
           return rdFMCS.FindMCS([mol1, mol2], 
                                ringMatchesRingOnly=True, 
                                completeRingsOnly=True, 
                                timeout=1).smartsString
       except:
           return None
   
   # 准备需要计算的分子对列表（已过滤重复和低相似性）
   mol_pairs = [(molecules[mol1]['mol'], molecules[mol2]['mol']) 
                for mol1 in molecules 
                for mol2 in molecules 
                if mol1 < mol2 and similarity >= threshold]
   
   with ProcessPoolExecutor() as executor:
       results = list(executor.map(calculate_mcs, mol_pairs))
   

3. 调整计算参数：
   根据业务需求放宽约束，减少计算复杂度：

   • 若无需严格价态匹配，添加matchValences=False
   • 评估是否需要completeRingsOnly=True，仅保留ringMatchesRingOnly=True可降低计算量

4. 预加载与去重：

   • 确保molecules中的Mol对象已预解析完成，避免重复解析SMILES/InChI
   • 只计算无序对（mol1 < mol2），跳过反向和自身对，减少一半计算量

内容的提问来源于stack exchange，提问作者María