Molfeat 分子特征化

要解决什么问题

分子机器学习往往卡在「把结构变成数字」这一步：同一套 SMILES 或 RDKit 对象，有人用 ECFP，有人上 ChemBERTa，还有 Mordred、MAP4、GNN 等各自一套 API 与依赖。换任务就要换库、重写管道，批量并行和缓存也要自己拼。

Molfeat 把 100+ 预训练嵌入与手工特征化器 收进同一套接口：输入 SMILES 或 Chem.Mol，输出固定或可配置的向量，便于接 QSAR/QSPR、虚拟筛选、相似性搜索和深度学习。

技能如何工作

库内分三层，对应从单分子到大规模数据集的不同用法：

• molfeat.calc：计算器，单分子特征向量，适合自定义循环或直接算特征。
• molfeat.trans：兼容 scikit-learn 的转换器，批量特征化、n_jobs 并行，可嵌入 Pipeline。
• molfeat.trans.pretrained：预训练模型专用转换器，支持批量推理与内置缓存，用于 Transformer / GNN 等嵌入。

常见路径包括：传统 ML 从 指纹（如 ecfp、maccs）或 描述符（desc2D、mordred）起步；需要表达力时用 ChemBERTa 等 Transformer 或 GIN 类 GNN（可选依赖 molfeat[transformer]、molfeat[dgl] 等）。ModelStore 可浏览全部可用特征化器。技能内附 references/api_reference.md、available_featurizers.md、examples.md，便于查 API、选型与工作流示例。

适用边界与注意点

• 无效 SMILES：大批量建议 ignore_errors=True，避免单条坏结构拖垮整批。
• 规模与内存：十万级分子宜分块或流式，指纹通常比深度嵌入快一个数量级；首次跑预训练模型慢，重复调用依赖缓存。
• 可重复性：保存转换器配置并固定 molfeat/依赖版本；部分模型需额外 optional extra，与主包分开安装。

复杂多步工作流（长时筛选、多特征化器对比、与 PyTorch/sklearn 深度集成）可在对话中按场景拆步骤；官方文档见 datamol.io 与 GitHub datamol-io/molfeat。