如何使用RDKit将ZINC数据库mol2文件生成分子指纹用于化合物聚类分析

问题1：mol2格式能否直接转换为分子指纹 #

完全可以，RDKit内置了原生的Mol2格式读取接口，不需要提前转换为SMILES、SDF等其他格式，只要分子结构读取正常，计算得到的指纹和其他格式输入的结果完全一致。
实操注意点：部分非标准格式的Mol2文件可能出现读取失败的情况，可以通过调整sanitize参数先跳过结构检查，后续再手动处理无效分子，参考代码如下：

from rdkit import Chem
from rdkit.Chem import AllChem

# 读取单个Mol2文件
mol = Chem.MolFromMol2File("sample.mol2", sanitize=True)
# 读取包含多个分子的批量Mol2文件
supplier = Chem.Mol2MolSupplier("zinc_19w.mol2", sanitize=True)

for idx, mol in enumerate(supplier):
    if mol is None:
        print(f"第{idx}个分子读取失败，已跳过")
        continue
    # 后续指纹计算逻辑

问题2：化学型分析+代表性化合物筛选场景的指纹选型 #

针对你的需求，推荐按优先级选择以下分子指纹：

• 首选：Morgan指纹（ECFP/FCFP系列），尤其是半径2的ECFP4（通常设为1024或2048位二进制指纹），理由如下：
  • 基于子结构遍历生成，对化合物骨架、官能团等化学型特征的区分度高，是化合物库聚类、多样性筛选的行业通用基准方案
  • 计算速度极快，19万量级分子在普通家用电脑上也可以在3-5分钟内完成全部计算，资源消耗极低
  • 配套的生态工具完善，后续无论是计算Tanimoto相似度、聚类还是挑选代表性分子都有成熟的实现方案
• 次选方案：
  • 如果需要更高的可解释性，可以选择166维的MACCS Keys，每个维度对应明确的亚结构规则，方便后续追溯聚类分类的结构依据
  • 如果你的分析场景需要结合3D构象特征，可以选择USR、3D-MoRSE等3D指纹，但注意ZINC提供的3D构象为最低能量构象，且3D指纹计算速度会比2D指纹慢1-2个数量级，19万分子需要预留足够的计算时间
• 不推荐选型：RDKit原生拓扑指纹（对高度相似分子区分度不足）、原子对指纹（维度冗余高，聚类效率低）

完整批量处理参考代码 #

from rdkit import Chem
from rdkit.Chem import AllChem
import numpy as np

# 初始化存储变量
fp_list = []
valid_mols = []
# 读取ZINC批量Mol2文件
supplier = Chem.Mol2MolSupplier("zinc_19w.mol2", sanitize=True)

for idx, mol in enumerate(supplier):
    if mol is None:
        continue
    # 计算1024位ECFP4指纹
    fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
    fp_list.append(np.array(fp))
    valid_mols.append(mol)
    # 打印进度
    if (idx + 1) % 10000 == 0:
        print(f"已处理{idx+1}个分子，有效分子数：{len(valid_mols)}")

# 转换为numpy矩阵，可直接用于后续聚类
fp_matrix = np.array(fp_list)
print(f"处理完成，有效分子数：{fp_matrix.shape[0]}，指纹维度：{fp_matrix.shape[1]}")

# 后续聚类可选Butina聚类（RDKit内置）或Sklearn的DBSCAN，适合化合物库代表性分子筛选

内容的提问来源于stack exchange，提问作者Alice