RDKit中对应ECFP4的指纹类型及两种Morgan指纹相似度差异问询

1. ECFP4对应的Morgan指纹半径 #

ECFP系列命名的后缀数字代表子结构的直径，RDKit中Morgan指纹的radius参数代表子结构的半径，直径=2×半径，因此半径为2的Morgan指纹对应ECFP4，半径为4的Morgan指纹对应ECFP8。

2. 两种Morgan指纹函数计算相似度差异大的原因 #

GetMorganFingerprintAsBitVect与GetMorganFingerprint返回的指纹类型完全不同，差异主要来自两点：

• 信息维度与相似度计算逻辑不同
  • GetMorganFingerprint返回稀疏计数型哈希向量（SparseIntVect），默认哈希空间为2^32，无长度折叠几乎不存在碰撞，同时会存储每个子结构在分子中的出现次数。计算相似度时使用计数型谷本系数，公式为sum(min(a_i, b_i)) / sum(max(a_i, b_i))，高频出现的共有子结构会大幅拉高相似度结果。
  • GetMorganFingerprintAsBitVect(nBits=2048)返回固定长度二值折叠指纹，所有子结构会被哈希折叠到指定的2048位，仅记录位的有无不保留出现次数。计算相似度时使用二值谷本系数，公式为(A & B).GetNumOnBits() / (A | B).GetNumOnBits()，所有子结构权重完全一致，丢失了高频共有子结构的权重优势，自然会得到更低的相似度结果。
• 位碰撞的附加影响
  当分子的子结构总数量远大于2048时，不同子结构可能被哈希到同一位产生碰撞，多数情况下碰撞会带来假阳性共有位、小幅提升相似度，但极端情况下也可能进一步干扰相似度计算的准确性。

如果需要缩小二者的结果差异，可以选择两种方案：一是增大nBits参数到8192或16384，降低位碰撞概率；二是使用GetHashedMorganFingerprint获取折叠计数型指纹，用计数型谷本系数计算相似度，结果会更接近GetMorganFingerprint的输出。

内容的提问来源于stack exchange，提问作者Philipp O.