无冲突的摩根指纹：一种提升化学领域机器学习性能与可解释性的方法

《Journal of Cheminformatics》：Collision-free morgan fingerprints: a principled approach to enhance machine learning performance and interpretability in chemistry

　　

摘要

机器学习在化学领域的应用成功，从根本上依赖于分子表示的信息保真度。尽管摩根指纹因高效性和可解释性而被广泛采用，但它存在一个长期被忽视的根本缺陷：比特碰撞。这种现象会导致不同的化学亚结构被错误地映射到相同的位置，从而系统性地破坏结构与性质之间的关系，严重降低模型的可解释性。为解决这一难题，我们提出了无碰撞摩根指纹（CF-MF），这是一种通过自适应的、基于数据的尺寸调整机制来保证亚结构信息完整性的框架。通过对25个不同数据集（包含超过50,000种分子）以及多种机器学习方法的全面评估，我们证明CF-MF能够带来稳定且显著的性能提升，在回归任务中可使均方根误差降低16.81%，在分类任务中则可使准确率提高11.1%。更为重要的是，通过消除由碰撞引起的归因错误，CF-MF从根本上恢复了化学领域的可解释性，同时还将模型的可靠预测范围提升了60–100%。我们的信息论分析表明，碰撞导致的熵损失与性能下降之间存在强相关性（R2=0.854，p<0.001），这证明了信息保真度是下一代分子表示的基本设计原则。此外，CF-MF在保持传统指纹简单直观特性的同时，其性能也能与最先进的深度学习模型相媲美。这项工作为人工智能驱动的药物发现、材料科学和环境评估提供了更加可靠和可信的基础。

科学贡献

虽然摩根指纹中的比特碰撞问题早已被人们所知，但本研究首次系统地量化了其对机器学习性能的影响，并提供了一种适用于任何分子数据集的、具有原理性且可重复的解决方案。我们建立了一种新的信息论框架，将碰撞导致的熵损失与预测性能的下降直接联系起来，为该领域提供了评估分子表示保真度的定量标准。除了性能提升之外，我们的研究还独特地证明了消除碰撞能够恢复具有化学意义的SHAP归因结果，从而解决了化学领域中人工智能解释结果缺乏可信度的这一关键问题。