035、036 介绍了指纹与 Morgan/ECFP 的概念，本篇深入 ECFP 作为机器学习特征时需要懂的几个参数与陷阱。
三个关键参数
- 半径（radius）：半径 2 = ECFP4，半径 3 = ECFP6。半径越大，捕捉的子结构越大，但也更稀疏。
- 位数（nBits）：把无穷多的子结构哈希折叠到固定长度（常用 1024 / 2048）。位数越小，碰撞越多。
- 二值 vs 计数：二值只记「有没有」，计数记「出现几次」，后者信息更全。
优势与坑
- 可解释：每个置 1 的位对应一个具体的圆形子结构，可回溯。
- 位碰撞：折叠会让不同子结构落到同一位，造成信息混淆，必要时增大 nBits。
- 稀疏性：高半径下向量很稀疏，传统模型可能需要降维或选择。
关键要点
- 调参三件套：半径、位数、二值/计数；
- 位数太小 → 碰撞，太大 → 稀疏，需权衡；
- ECFP 可解释，能回溯到具体子结构。
延伸资源
- 实操：RDKit
rdFingerprintGenerator.GetMorganGenerator。 - 对照：038《MACCS Keys》是更简单、可解释的替代。