RDKit计算Morgan分子指纹Dice相似度时出现参数类型报错

问题现象 #

基于BindingDB数据库的MorganFingerprints计算DiceSimilarity时，代码运行至数据库遍历进度约40%时持续抛出参数错误，原代码如下：

tqdm._instances.clear()
df_matrix = pd.DataFrame()
df_matrix['BindingDB Reactant_set_id'] = df_database['BindingDB Reactant_set_id']
df_matrix.index = list(df_database['BindingDB Reactant_set_id'])
cols = list(df_metabolites['Molecule'])

for i in tqdm(range(len(mol_list2)),desc = 'Calculating Dice Similarity'):
 col = cols[I]
  df_matrix[col] = [DataStructs.DiceSimilarity(mfp2[i],mfp1[j]) for j in range(len(mfp1))]

df_matrix = df_matrix.drop(columns = ['BindingDB Reactant_set_id'])

报错核心信息：

ArgumentError: Python argument types in
    rdkit.DataStructs.cDataStructs.DiceSimilarity(UIntSparseIntVect, int) did not match C++ signature

根因分析 #

1. 核心错误：传入DiceSimilarity的第二个参数为整数int类型，不符合函数要求的入参规则——该函数要求传入两个同类型的RDKit指纹对象（支持SparseIntVect、ExplicitBitVect、SparseBitVect类型）。代码运行到40%才触发报错，是因为mfp1列表前40%的元素是正常生成的Morgan指纹，后续位置存在无效整数值：通常是对应分子的SMILES解析失败、指纹生成流程出错时，没有做异常捕获，将错误码、索引值这类整数存入了指纹列表，遍历到该位置时触发类型错误。
2. 代码笔误：循环内col = cols[I]使用了大写I，和循环变量小写i不一致，运行到该行会触发变量未定义的NameError。
3. 潜在风险：若mfp1和mfp2生成时用了不同的指纹生成方法（比如一个返回计数型稀疏向量、一个返回比特型向量），也会触发类型不匹配错误。

修复步骤 #

• 第一步：修正代码笔误，将col = cols[I]的大写I改为小写i。
• 第二步：在指纹生成环节增加有效性校验，过滤解析失败的无效分子，禁止非指纹类型的值存入mfp1、mfp2列表，参考实现：

from rdkit import Chem
from rdkit.Chem import AllChem

# 定义带校验的Morgan指纹生成函数，分子解析/指纹生成失败直接返回None
def gen_morgan_fp(smiles, radius=2, use_count=False, nBits=2048):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    if use_count:
        # 返回计数型稀疏指纹（SparseIntVect）
        return AllChem.GetMorganFingerprint(mol, radius)
    else:
        # 返回比特型指纹（ExplicitBitVect）
        return AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=nBits)

# 生成数据库分子指纹列表，同时记录有效分子索引，避免结果错位
mfp1 = []
valid_db_idx = []
for idx, smi in enumerate(df_database['SMILES']): # 替换为你存储SMILES的实际列名
    fp = gen_morgan_fp(smi)
    if fp is not None:
        mfp1.append(fp)
        valid_db_idx.append(idx)

# 生成代谢物分子指纹列表，保证和数据库侧指纹类型一致
mfp2 = []
valid_met_idx = []
for idx, smi in enumerate(df_metabolites['SMILES']): # 替换为你存储代谢物SMILES的实际列名
    fp = gen_morgan_fp(smi)
    if fp is not None:
        mfp2.append(fp)
        valid_met_idx.append(idx)

• 第三步：调整相似度计算逻辑，匹配过滤后的有效数据集，增加类型兜底校验，修正后代码如下：

import pandas as pd
from tqdm import tqdm
from rdkit import DataStructs

tqdm._instances.clear()
# 仅保留有效分子的ID作为结果矩阵索引
valid_db_ids = df_database.iloc[valid_db_idx]['BindingDB Reactant_set_id'].tolist()
df_matrix = pd.DataFrame(index=valid_db_ids)
cols = [df_metabolites.iloc[i]['Molecule'] for i in valid_met_idx]

for i in tqdm(range(len(mfp2)), desc='Calculating Dice Similarity'):
    current_col = cols[i]
    sim_values = []
    fp2 = mfp2[i]
    for j in range(len(mfp1)):
        fp1 = mfp1[j]
        # 类型兜底校验，避免异常值中断运行
        if type(fp1) != type(fp2):
            sim_values.append(None)
            continue
        sim_values.append(DataStructs.DiceSimilarity(fp2, fp1))
    df_matrix[current_col] = sim_values

内容的提问来源于stack exchange，提问作者dandan