基于谱图论的物理启发式分子指纹：三维几何感知的化学相似性高效度量

《Chemical Science》：Physics-based molecular fingerprints from spectral graph theory provide efficient geometry-aware measures of chemical similarityOpen Access

　　

分子表示对于评估分子相似性和开发结构-性质关系至关重要。尽管已知三维（3D）结构对确定化学和物理性质的重要性，但最广泛使用的分子指纹仅编码二维（2D）连接性。这类表示无法区分相似但不同的立体异构体和构象异构体。替代性的3D方法通常是成对定义的，使其难以应用于大型化学空间，而深度学习嵌入具有表达性但不可解释且受训练数据多样性限制。在此，研究人员引入了基于谱图论原理的新型物理启发式分子指纹。研究人员将分子表示为3D空间中的完整图，边权重编码启发式物理相互作用。对所得图拉普拉斯（graph Laplacian）矩阵进行特征值分解，可得到一种计算高效的固定长度化学指纹，该指纹编码3D结构，同时满足置换不变性和E(3)不变性的必要物理对称性。谱指纹可区分具有相同2D连接性的独特分子结构，克服了2D描述符的局限性，同时保持了筛选广阔化学空间所需的低计算成本。研究人员使用社区检测算法评估指纹，观察到在有机、无机、生物、网状和反应化学数据集中，相对于代表性基线具有强劲性能。最近邻性质估计和适用域分析揭示了分子表示在机器学习和化学信息学中的实用性。研究人员预计谱指纹将作为可解释且高效的化学相似性度量，以最小成本融入3D信息，并能在不同化学领域很好地泛化。

**论文解读：基于谱图论的物理启发式分子指纹及其在化学相似性度量中的应用**

**一、研究背景与问题**

分子表示是现代计算化学的核心，直接影响分子相似性评估和结构-性质关系建模。目前最广泛使用的二维（2D）分子指纹（如Bemis–Murcko骨架和扩展连接性指纹）仅编码原子间的共价键连接，无法区分具有相同2D连接但三维（3D）结构不同的立体异构体和构象异构体。尽管3D结构对化学和物理性质至关重要，但现有3D相似性方法通常需要分子间的成对空间对齐，涉及非凸优化且计算昂贵，难以在大规模化学空间中应用。基于深度学习的嵌入表示虽具有较强表达力，但缺乏可解释性且受训练数据多样性限制。因此，亟需一种计算高效、可解释、具有3D感知能力且能跨化学领域泛化的分子表示方法。

**二、研究内容与总体结论**

针对上述问题，研究人员提出了基于谱图论的新型物理启发式分子指纹。该方法将分子表示为3D空间中的加权完整图，边权重由四种物理启发式相互作用（静电、成键、位阻和色散）决定，通过对通道式图拉普拉斯矩阵进行特征值分解，获得固定长度的谱指纹。该表示满足置换不变性和E(3)不变性，且计算成本极低。研究人员在构象异构体、立体异构体、化学反应、金属-有机框架（MOF）和蛋白质等体系中验证了该方法的判别能力，并在多个涵盖有机、无机、生物、反应和网状化学的数据集上进行了系统基准测试。结果表明，谱指纹能够有效区分2D表示无法分辨的结构，同时保持快速的计算速度，并在机器学习和化学信息学任务中展现出良好的应用前景。

**三、关键技术方法**

研究人员构建了四个物理相互作用通道的邻接张量，包括库仑静电位、基于斯莱特型轨道的成键项、范德华软重叠位阻项以及伦敦色散项。对每个通道的图拉普拉斯矩阵进行特征值分解，取极值特征值（含Fiedler特征值）拼接为固定长度（默认4×16=64维）指纹。数据方面，使用Avogadro生成初始结构并以UFF优化，部分体系进一步用DFT（ωB97M-V/def2-TZVP）优化；数据集包括QM9（133 885个有机分子）、tmQMg（60 799个过渡金属配合物）、QCell脂质子集（16 000个）、Transition1x（10 073个反应）、QMOF（20 372个MOF）及GEMS（2 713 986个蛋白质片段）。聚类采用Leiden社区检测算法，相似性图基于k近邻构建。

**四、研究结果**

**4.1 数学与物理推导**

研究人员从图论基本概念出发，定义了加权完整图上的多通道邻接张量，每个通道对应一种物理相互作用。通过通道式图拉普拉斯特征分解，提取固定数量的特征值组成指纹。该指纹在数学上具备置换不变性和E(3)不变性，且对分子大小不敏感，支持分子间欧氏距离度量。

**4.2 代表性化学体系演示**

在构象异构体方面，环己烷椅式与扭船式构象的谱相似度为0.961，可明确区分；而2D指纹完全无法分辨。在立体异构体方面，马来酸与富马酸相似度为0.869，顺铂与反铂为0.897，fac/mer-Ir(ppy)₃为0.956，均能被有效区分。在反应体系方面，两个活化能相近的氧化/还原反应之间的谱相似度为0.703，而与高活化能开环反应的相似度仅为0.434和0.429，表明谱指纹可用于反应能量趋势判断。此外，在QMOF数据集中，结构相似的锌基MOF相似度为0.740，而镧系MOF与锌基MOF的相似度仅为0.267–0.277，符合带隙差异。在蛋白质层面，对细胞色素P450（PDB ID: 8U1I）进行Gly-to-Ala和Gly-to-Phe突变，相似度分别为0.976和0.462，显示出对侧链变化的灵敏响应；WelO5酶（PDB ID: 5J4R）上重复实验得到类似结果。

**4.3 大规模化学数据库聚类**

在QM9、tmQMg和QCell数据集上，谱指纹结合Leiden聚类表现出强竞争力：QM9原子化能任务中98.0%的簇对具有显著统计差异，tmQMg中87.3%，QCell中96.2%。与基线方法相比，谱指纹在所有数据集上均实现100%可解析率，且生成速度最快，通常仅需数秒至数分钟。在Transition1x反应数据集上，谱指纹的显著簇比例为62.0%，在完全可解析方法中与SOAP和SLATM相当；在QMOF上为82.7%，仅次于Coulomb矩阵。在GEMS大规模数据集（270万分子）上，谱指纹的显著簇比例达99.6%，且生成仅需约3分钟、存储仅663 MB，而Morgan、SOAP和SLATM等方法因资源限制无法完成。

**4.4 机器学习与化学信息学集成**

通过k近邻（k-NN）回归评估表示空间的局部性，在k=5时谱指纹在QM9原子化能（ρ=0.999）、极化率（ρ=0.990）、HOMO-LUMO gap（ρ=0.948）、偶极矩（ρ=0.765）以及tmQMg极化率（ρ=0.967）等任务上取得最高Spearman秩相关。适用域分析表明，按谱距离对测试集排序后，在7个任务中的5个上，谱指纹产生了最大的低覆盖率误差降低，提供了一种模型无关、训练前可用的可靠性估计手段。

**五、讨论与结论**

讨论部分指出，谱指纹通过Frobenius归一化实现跨分子尺寸比较，但对含两个原子的分子存在简并性。特征值分解的O(N³)复杂度是大分子体系的瓶颈，未来可引入Krylov子空间方法（如Lanczos算法）加速。进一步研究各通道贡献有望增强化学解释性。研究结论认为，谱指纹将3D结构信息编码于固定长度的可解释表示中，兼具计算效率与跨领域泛化能力，可用于数据集整理、化学空间探索和机器学习工作流，有望成为多种化学场景下通用的分子相似性度量工具。