1. 從“黑盒”到“白盒”為什么我們需要開源分子描述符在藥物發(fā)現(xiàn)、材料科學(xué)、環(huán)境化學(xué)這些領(lǐng)域我們常常需要把一個個分子結(jié)構(gòu)變成計算機能理解、能計算的數(shù)字。這個過程就是計算分子描述符。早些年很多商業(yè)軟件比如一些知名的化學(xué)信息學(xué)套件把這塊功能封裝得嚴(yán)嚴(yán)實實你輸入一個分子它吐出一堆數(shù)字至于這些數(shù)字是怎么算出來的用了什么算法參數(shù)怎么定的基本是個“黑盒”。對于研究者來說這帶來了幾個大問題一是可重復(fù)性存疑今天在這個軟件上算出來的值明天換臺機器、換個版本可能就不一樣了二是研究深度受限你無法基于其算法進行定制化修改或深入探究其物理化學(xué)意義三是成本高昂商業(yè)授權(quán)費用對于很多學(xué)術(shù)團隊或初創(chuàng)公司來說是一筆不小的開銷。開源分子描述符工具的出現(xiàn)徹底改變了這個局面。它把“黑盒”變成了“白盒”把計算的權(quán)力和透明度交還給了研究者。開源意味著你可以看到每一行代碼知道每一個描述符背后的計算公式甚至可以修改它來適應(yīng)你的特殊需求比如針對某一類特殊化合物優(yōu)化算法。更重要的是開源社區(qū)驅(qū)動的項目其算法通常經(jīng)過全球同行的廣泛檢驗和持續(xù)優(yōu)化在健壯性和前沿性上往往不輸甚至超越商業(yè)軟件。所以當(dāng)我們在談?wù)摗矮@取開源分子描述符的幾種方法”時我們本質(zhì)上是在探討如何高效、可靠地利用這些開源工具將化學(xué)結(jié)構(gòu)轉(zhuǎn)化為可挖掘的數(shù)據(jù)金礦。這不僅僅是執(zhí)行幾條命令更是構(gòu)建可重復(fù)、可審計、可擴展的計算化學(xué)工作流的基礎(chǔ)。接下來我會結(jié)合自己多年的實操經(jīng)驗為你拆解幾種主流且高效的方法并深入每個工具的核心告訴你它們各自擅長什么坑在哪里以及如何根據(jù)你的具體場景做選擇。2. 基石工具RDKit —— 化學(xué)信息學(xué)的“瑞士軍刀”談到開源化學(xué)信息學(xué)RDKit 是無法繞開的基石。它不是一個單純的描述符計算器而是一個功能極其豐富的化學(xué)信息學(xué)工具包描述符計算只是其眾多能力中的一項。你可以把它想象成化學(xué)信息學(xué)領(lǐng)域的“瑞士軍刀”。2.1 RDKit 的核心優(yōu)勢與安裝“避坑”RDKit 用 C 編寫核心并為 Python 提供了非常友好的接口當(dāng)然也支持 Java、C# 等這使得它在保持高性能的同時又具備了腳本語言的靈活性。它的描述符計算模塊基于嚴(yán)謹(jǐn)?shù)幕瘜W(xué)知識許多算法都來自經(jīng)典文獻計算結(jié)果在學(xué)術(shù)界有很高的認(rèn)可度。對于新手來說第一個挑戰(zhàn)往往是rdkit安裝。這里有個最常見的坑直接用pip install rdkit。對于大多數(shù) Linux 系統(tǒng)和 macOS這或許能成功但在 Windows 上或者遇到復(fù)雜的 Python 環(huán)境如 Anaconda 特定版本時很容易出現(xiàn)編譯錯誤或依賴沖突。注意最穩(wěn)定、最推薦的方式是通過 Conda 進行安裝。Conda 能很好地處理 RDKit 復(fù)雜的二進制依賴如 Boost 庫。打開你的終端或 Anaconda Prompt創(chuàng)建一個獨立環(huán)境并安裝是最佳實踐conda create -n my_rdkit_env python3.9 conda activate my_rdkit_env conda install -c conda-forge rdkit這能避免 90% 以上的安裝問題。如果你堅持使用 pip請確保你的系統(tǒng)已安裝完整的 C 編譯工具鏈在 Windows 上通常是 Visual Studio Build Tools但這條路明顯更坎坷。安裝成功后驗證一下from rdkit import Chem from rdkit.Chem import Descriptors print(Chem.Descriptors.MolWt(Chem.MolFromSmiles(‘CCO’))) # 計算乙醇的分子量如果順利輸出 46.07那么你的“瑞士軍刀”就準(zhǔn)備就緒了。2.2 使用 RDKit 計算描述符的兩種范式RDKit 提供了超過 200 種描述符涵蓋拓?fù)涿枋龇绶肿恿?、重原子?shù)、電性描述符如部分電荷、拓?fù)錁O性表面積TPSA等。其使用主要有兩種范式范式一單點計算靈活取用這種方式適合在腳本中零星計算幾個描述符或者用于調(diào)試。from rdkit import Chem from rdkit.Chem import Descriptors, Lipinski mol Chem.MolFromSmiles(‘CN1CNC2C1C(O)N(C(O)N2C)C’) # 咖啡因的 SMILES # 計算單個描述符 mol_weight Descriptors.MolWt(mol) logp Descriptors.MolLogP(mol) hbd Lipinski.NumHDonors(mol) # 來自 Lipinski 規(guī)則模塊 print(f”分子量: {mol_weight:.2f}, LogP: {logp:.2f}, 氫鍵供體數(shù): {hbd}”)這種方式的優(yōu)點是直觀你可以精確控制計算哪些描述符。缺點是如果你需要計算大批量描述符代碼會顯得冗長。范式二批量計算一鍵導(dǎo)出這是更常用的生產(chǎn)模式。RDKit 的Descriptors模塊有一個CalcMolDescriptors函數(shù)可以一次性計算所有可用的描述符并以字典形式返回。from rdkit import Chem from rdkit.Chem import Descriptors mol Chem.MolFromSmiles(‘OC1CCCC1’) # 環(huán)戊酮 desc_dict Descriptors.CalcMolDescriptors(mol) print(desc_dict) # 輸出類似: {‘MolWt’: 84.12, ‘MolLogP’: 1.08, ‘TPSA’: 17.07, …} # 結(jié)合 Pandas 處理分子數(shù)據(jù)集 import pandas as pd smiles_list [‘CCO’, ‘CC(O)O’, ‘c1ccccc1’] # 乙醇乙酸苯 mols [Chem.MolFromSmiles(smi) for smi in smiles_list] data [] for mol in mols: data.append(Descriptors.CalcMolDescriptors(mol)) df pd.DataFrame(data) print(df.head())這種方式極其高效特別適合處理成百上千的分子。返回的字典鍵名就是描述符的名稱你可以輕松地將其轉(zhuǎn)換為 Pandas DataFrame進行后續(xù)的數(shù)據(jù)分析和機器學(xué)習(xí)。實操心得RDKit 在計算某些描述符如MolLogP時對于高度復(fù)雜或特殊的分子比如金屬有機框架可能會失敗或給出不太合理的結(jié)果。這不是 bug而是其內(nèi)置算法基于的規(guī)則集邊界所致。因此在批量處理前務(wù)必加入異常處理記錄下哪些分子計算失敗了并檢查這些分子的結(jié)構(gòu)是否合理。def safe_calc_descriptors(smiles): mol Chem.MolFromSmiles(smiles) if mol is None: return {‘SMILES’: smiles, ‘Error’: ‘Invalid SMILES’} try: descs Descriptors.CalcMolDescriptors(mol) descs[‘SMILES’] smiles return descs except Exception as e: return {‘SMILES’: smiles, ‘Error’: str(e)}3. 專業(yè)選手Mordred —— 為高通量而生的描述符“巨庫”如果你的需求是盡可能全面地描述一個分子那么 RDKit 自帶的描述符可能還不夠“過癮”。這時Mordred就該登場了。Mordred 是一個專門用于計算分子描述符的 Python 庫它的目標(biāo)就是成為一個全面且高效的開源描述符計算器。它包含了超過 1800 種描述符是的是四位數(shù)的量級覆蓋了從0D到3D的幾乎所有常見描述符類別。3.1 Mordred 的設(shè)計哲學(xué)與安裝Mordred 可以看作是 RDKit 的一個超級擴展包。它底層大量依賴 RDKit 來構(gòu)建分子對象和進行基礎(chǔ)計算但在此基礎(chǔ)上實現(xiàn)了海量的、標(biāo)準(zhǔn)化的描述符算法。它的 API 設(shè)計非常統(tǒng)一和簡潔就是為了批量計算而生的。安裝同樣推薦使用 Condaconda install -c conda-forge mordred或者使用 pip確保已安裝 rdkitpip install mordred3.2 使用 Mordred 進行“降維打擊”式計算Mordred 的基本使用流程非常直觀創(chuàng)建一個計算器Calculator然后用它處理分子列表。from mordred import Calculator, descriptors from rdkit import Chem # 1. 創(chuàng)建計算器可以指定需要計算的描述符不指定則計算所有 calc Calculator(descriptors) # 計算全部1800種描述符 # 2. 準(zhǔn)備分子對象列表 smiles_list [‘CCO’, ‘CC(O)O’, ‘c1ccccc1’] mols [Chem.MolFromSmiles(smi) for smi in smiles_list] # 3. 批量計算這是 Mordred 的核心優(yōu)勢 df_results calc.pandas(mols) print(df_results.shape) # 你會看到 (3, 1800) 的矩陣 print(df_results.head())calc.pandas(mols)這一行代碼就直接返回了一個 Pandas DataFrame行是分子列是描述符。這種設(shè)計讓 Mordred 與 Python 數(shù)據(jù)科學(xué)生態(tài)Pandas, NumPy, Scikit-learn無縫集成。但是這里有一個至關(guān)重要的“坑”Mordred 的許多描述符特別是3D描述符需要分子的三維構(gòu)象。如果你只提供一維的 SMILES 字符串RDKit 生成的分子對象默認(rèn)沒有3D坐標(biāo)那么這些3D描述符的計算會失敗結(jié)果中會出現(xiàn)NaN值。解決方案是在計算前必須為分子生成合理的3D坐標(biāo)并進行初步的幾何優(yōu)化力場優(yōu)化。from rdkit.Chem import AllChem mols_with_3d [] for mol in mols: if mol is not None: # 添加氫原子因為很多力場優(yōu)化需要完整的氫 mol_h Chem.AddHs(mol) # 生成3D坐標(biāo)ETKDG方法是目前的主流 AllChem.EmbedMolecule(mol_h, AllChem.ETKDG()) # 進行簡單的 UFF 力場優(yōu)化使構(gòu)象更合理 AllChem.UFFOptimizeMolecule(mol_h) mols_with_3d.append(mol_h) else: mols_with_3d.append(None) # 現(xiàn)在再用 Mordred 計算 df_results_full calc.pandas(mols_with_3d)這個過程會顯著增加計算時間但對于獲取準(zhǔn)確的3D描述符如慣性矩、空間極性參數(shù)等是必須的。你需要根據(jù)你的研究目標(biāo)來決定是否需要這一步。如果只關(guān)注2D描述符拓?fù)洹㈦娦缘葎t可以跳過構(gòu)象生成。3.3 描述符篩選與數(shù)據(jù)清洗拿到一個 1800 列的 DataFrame 后下一個問題就是這么多描述符很多可能是高度相關(guān)的或者對于當(dāng)前數(shù)據(jù)集全是空值或常數(shù)值如何篩選刪除常數(shù)列和缺失值過多的列# 刪除所有值完全相同的列 df_cleaned df_results.loc[:, (df_results ! df_results.iloc[0]).any()] # 刪除缺失值比例超過50%的列 missing_ratio df_cleaned.isnull().sum() / len(df_cleaned) columns_to_keep missing_ratio[missing_ratio 0.5].index df_cleaned df_cleaned[columns_to_keep]處理剩余缺失值對于數(shù)值型描述符常見的做法是用該列的中位數(shù)或均值填充。對于類別型Mordred 中較少可能需要單獨處理。from sklearn.impute import SimpleImputer import numpy as np imputer SimpleImputer(strategy‘median’) # 用中位數(shù)填充 df_filled pd.DataFrame(imputer.fit_transform(df_cleaned), columnsdf_cleaned.columns)高相關(guān)性過濾使用相關(guān)系數(shù)矩陣剔除高度共線性的描述符這能極大提升后續(xù)機器學(xué)習(xí)模型的穩(wěn)定性和可解釋性。corr_matrix df_filled.corr().abs() upper_tri corr_matrix.where(np.triu(np.ones(corr_matrix.shape), k1).astype(bool)) # 找到相關(guān)系數(shù)大于0.95的列 to_drop [column for column in upper_tri.columns if any(upper_tri[column] 0.95)] df_reduced df_filled.drop(columnsto_drop) print(f”從 {df_filled.shape[1]} 個描述符中剔除了 {len(to_drop)} 個高相關(guān)性描述符剩余 {df_reduced.shape[1]} 個?！?Mordred 的強大在于其全面性但隨之而來的就是數(shù)據(jù)維度的爆炸和必要的清洗工作。它適合用于特征工程的初始階段為你提供豐富的“原料”然后需要你用數(shù)據(jù)科學(xué)的方法進行精煉。4. 經(jīng)典之選PaDEL-Descriptor —— 獨立于編程環(huán)境的“工作臺”也許你的工作環(huán)境不限于 Python或者你希望有一個獨立的、帶圖形界面GUI的工具來快速計算和查看描述符。那么PaDEL-Descriptor就是一個絕佳的選擇。它是一個用 Java 編寫的、跨平臺的軟件既可以命令行調(diào)用也提供了友好的圖形界面。4.1 PaDEL-Descriptor 的特點與獲取PaDEL-Descriptor 計算超過 1800 種描述符和 Mordred 數(shù)量級相當(dāng)包括1D、2D、3D描述符以及指紋。它的最大優(yōu)勢是開箱即用和環(huán)境獨立。你不需要配置復(fù)雜的 Python 環(huán)境只需要電腦安裝了 Java 運行時環(huán)境JRE下載一個 jar 包就能運行。你可以從其官方頁面或*開源項目*托管平臺如 SourceForge找到下載鏈接。通常就是一個名為PaDEL-Descriptor.jar的文件。4.2 通過圖形界面快速上手對于不熟悉命令行的用戶GUI 模式是快速上手的捷徑。在命令行中執(zhí)行java -jar PaDEL-Descriptor.jar一個圖形界面就會彈出。其操作非常直觀輸入在 “Input” 標(biāo)簽頁指定你的分子文件。它支持多種格式如 SDF、MOL、SMILES 文件每行一個 SMILES。你甚至可以直接把 SMILES 粘貼到文本框里。輸出在 “Output” 標(biāo)簽頁指定結(jié)果保存的 CSV 或 ARFF 文件路徑。描述符選擇在 “Descriptor” 標(biāo)簽頁你可以勾選需要計算的描述符類別。默認(rèn)是全部計算但你完全可以只選擇你關(guān)心的比如只計算 “Topological Descriptors” 和 “Electronic Descriptors”這能大大縮短計算時間。3D選項如果你的輸入文件不包含3D坐標(biāo)你需要勾選 “Generate 3D coordinates” 選項PaDEL 會調(diào)用內(nèi)置的 CORINA 算法一個知名的三維結(jié)構(gòu)生成器來生成坐標(biāo)。這步比較耗時但對于3D描述符是必要的。運行點擊 “Start” 按鈕等待計算完成。圖形界面的優(yōu)點是可視化強參數(shù)調(diào)整方便適合探索性工作和小批量數(shù)據(jù)處理。你可以立刻看到計算進度和日志。4.3 命令行模式集成到自動化工作流對于需要批量處理成千上萬個分子或者要將描述符計算集成到自動化流水線中的場景命令行模式才是 PaDEL-Descriptor 的威力所在。一個典型的命令行調(diào)用如下java -jar PaDEL-Descriptor.jar -removesalt -standardizenitro -fingerprints -descriptors -2d -3d -dir ./input_sdf -file ./output_descriptors.csv我們來拆解一下這些參數(shù)-removesalt和-standardizenitro是預(yù)處理選項分別用于去除鹽和標(biāo)準(zhǔn)化硝基基團這對于提高數(shù)據(jù)質(zhì)量很有幫助。-fingerprints和-descriptors指定計算指紋和描述符。如果你只需要描述符可以只保留-descriptors。-2d和-3d指定計算2D和3D描述符。注意如果輸入文件沒有3D坐標(biāo)你必須加上-3d參數(shù)PaDEL 才會調(diào)用 CORINA 生成3D結(jié)構(gòu)。-dir ./input_sdf指定包含輸入 SDF 文件的目錄。PaDEL 會處理該目錄下所有的.sdf文件。-file ./output_descriptors.csv指定輸出文件路徑和名稱。更精細的控制你還可以通過-descriptortypes參數(shù)指定一個配置文件里面列出了你需要計算的具體描述符名稱實現(xiàn)精準(zhǔn)計算。java -jar PaDEL-Descriptor.jar -descriptortypes ./my_descriptors.list -dir ./input -file ./output.csv其中my_descriptors.list是一個文本文件每行寫一個描述符名稱例如MolecularWeight ALogP NumHDonors NumHAcceptors實操心得與避坑指南內(nèi)存管理處理大量分子時PaDEL 可能會消耗較多內(nèi)存?？梢栽诿钚虚_始時指定 JVM 堆內(nèi)存大小例如-Xmx4g表示分配 4GB 內(nèi)存。java -Xmx4g -jar PaDEL-Descriptor.jar … (其他參數(shù))文件格式雖然 PaDEL 支持 SMILES 文件但最穩(wěn)定、錯誤最少的輸入格式是 SDF。SDF 文件可以包含完整的原子坐標(biāo)和連接信息。建議使用 RDKit 或 Open Babel 先將你的 SMILES 列表轉(zhuǎn)換為 SDF 文件再交給 PaDEL 處理。3D生成的一致性PaDEL 內(nèi)置的 CORINA 算法生成3D結(jié)構(gòu)是確定性的這保證了結(jié)果的可重復(fù)性。但要注意不同版本的 CORINA 或不同的參數(shù)設(shè)置可能會導(dǎo)致細微的坐標(biāo)差異進而影響某些對構(gòu)象敏感的3D描述符。在發(fā)表文章時注明你使用的 PaDEL-Descriptor 版本號是一個好習(xí)慣。輸出解析PaDEL 輸出的 CSV 文件第一列通常是分子名稱或 ID后續(xù)是描述符值。某些描述符計算失敗時會用NaN或空值表示。在導(dǎo)入到 Pandas 或 R 中進行分析前需要進行類似 Mordred 的數(shù)據(jù)清洗步驟。PaDEL-Descriptor 就像一個穩(wěn)定的“工作臺”特別適合那些流程固定、需要定期運行、且希望最小化環(huán)境依賴的化學(xué)信息學(xué)任務(wù)。它的命令行接口使得它可以輕松地被腳本如 Shell, Python, Nextflow調(diào)用集成到更復(fù)雜的計算流水線中。5. 云端與API現(xiàn)代化學(xué)信息學(xué)的“即服務(wù)”模式隨著云計算和微服務(wù)架構(gòu)的普及獲取分子描述符也有了更“現(xiàn)代化”的方式——通過 Web API 或云服務(wù)。這種方式將計算資源部署在遠端你只需要通過 HTTP 請求發(fā)送分子結(jié)構(gòu)就能取回計算結(jié)果。5.1 為什么選擇 API 方式免環(huán)境配置你不需要在本地安裝任何化學(xué)信息學(xué)軟件或庫如 RDKit只需要能發(fā)送網(wǎng)絡(luò)請求即可。這對于前端開發(fā)者、移動應(yīng)用或希望快速原型驗證的項目來說極其友好。計算資源彈性復(fù)雜的3D描述符計算或?qū)Τ蠓肿訑?shù)據(jù)庫的處理可能非常耗時耗內(nèi)存。API 服務(wù)后端通常部署在強大的服務(wù)器上可以承擔(dān)這些重負(fù)載。功能聚合與更新一個優(yōu)秀的化學(xué)信息學(xué) API 服務(wù)可能背后聚合了多個開源工具RDKit, Mordred, Open Babel等甚至商業(yè)算法并提供統(tǒng)一的接口。服務(wù)提供者會負(fù)責(zé)維護和更新這些工具你始終能用到最新、最穩(wěn)定的版本。標(biāo)準(zhǔn)化與協(xié)作團隊內(nèi)部使用統(tǒng)一的 API 服務(wù)可以確保所有人使用的描述符計算方法和版本完全一致避免了因本地環(huán)境差異導(dǎo)致的結(jié)果不一致問題。5.2 實戰(zhàn)調(diào)用一個假設(shè)的化學(xué)信息學(xué) API雖然目前沒有像*開源模型*社區(qū)那樣有一個絕對主導(dǎo)的“化學(xué)信息學(xué) API 標(biāo)準(zhǔn)”但許多研究機構(gòu)和公司會提供此類服務(wù)。假設(shè)我們有一個提供描述符計算的 REST API 端點https://api.cheminfo.example.com/descriptors。使用 Python 的requests庫進行調(diào)用import requests import json import pandas as pd # API 端點 url “https://api.cheminfo.example.com/descriptors” # 請求頭通常需要 API Key 進行認(rèn)證 headers { ‘Content-Type’: ‘a(chǎn)pplication/json’, ‘Authorization’: ‘Bearer YOUR_API_KEY_HERE’ # 替換為你的實際密鑰 } # 準(zhǔn)備請求數(shù)據(jù)一組 SMILES 字符串 payload { “smiles_list”: [“CCO”, “CC(O)O”, “c1ccccc1”], “descriptor_types”: [“2d”, “3d”], # 指定需要計算的描述符類型 “options”: { “remove_salt”: True, “generate_3d”: True # 要求服務(wù)端生成3D坐標(biāo) } } # 發(fā)送 POST 請求 response requests.post(url, headersheaders, datajson.dumps(payload)) # 檢查響應(yīng) if response.status_code 200: result response.json() # 假設(shè) API 返回一個列表每個元素對應(yīng)一個分子的描述符字典 df_descriptors pd.DataFrame(result[‘descriptors’]) print(df_descriptors.head()) else: print(f”請求失敗狀態(tài)碼: {response.status_code}“) print(response.text)關(guān)鍵注意事項認(rèn)證與配額大部分公有 API 都需要認(rèn)證API Key并且有調(diào)用頻率或次數(shù)的限制。在集成前務(wù)必閱讀相關(guān)文檔。網(wǎng)絡(luò)與超時描述符計算尤其是涉及3D構(gòu)象生成的可能需要幾秒甚至更長時間。在客戶端必須設(shè)置合理的超時timeout參數(shù)并考慮實現(xiàn)重試機制。錯誤處理API 可能因為分子結(jié)構(gòu)無效、計算超時、參數(shù)錯誤等原因返回失敗。你的代碼必須能妥善處理這些錯誤例如記錄下失敗的分子進行重試或跳過。數(shù)據(jù)隱私如果你處理的是未公開的、具有商業(yè)價值的分子結(jié)構(gòu)將數(shù)據(jù)發(fā)送到第三方 API 存在隱私泄露風(fēng)險。在這種情況下要么使用可本地部署的開源 API 服務(wù)有些*開源項目*提供了 Docker 鏡像要么就在內(nèi)網(wǎng)搭建自己的服務(wù)。5.3 自建描述符計算 API 服務(wù)對于注重數(shù)據(jù)隱私和定制化的團隊自己搭建一個描述符計算 API 是一個可行的方案。這本質(zhì)上就是將 RDKit 或 Mordred 包裝成一個 Web 服務(wù)。一個非常簡單的基于 FlaskPython Web 框架的示例from flask import Flask, request, jsonify from rdkit import Chem from rdkit.Chem import Descriptors import traceback app Flask(__name__) app.route(‘/calculate_descriptors’, methods[‘POST’]) def calculate_descriptors(): data request.get_json() smiles data.get(‘smiles’) if not smiles: return jsonify({‘error’: ‘No SMILES provided’}), 400 try: mol Chem.MolFromSmiles(smiles) if mol is None: return jsonify({‘error’: ‘Invalid SMILES’}), 400 # 計算一組核心描述符 descriptors { ‘MolWt’: Descriptors.MolWt(mol), ‘MolLogP’: Descriptors.MolLogP(mol), ‘NumHDonors’: Descriptors.NumHDonors(mol), ‘NumHAcceptors’: Descriptors.NumHAcceptors(mol), ‘TPSA’: Descriptors.TPSA(mol), # … 可以添加更多描述符 } return jsonify({‘smiles’: smiles, ‘descriptors’: descriptors}) except Exception as e: app.logger.error(traceback.format_exc()) return jsonify({‘error’: ‘Internal server error during calculation’}), 500 if __name__ ‘__main__’: app.run(host‘0.0.0.0’, port5000, debugFalse) # 生產(chǎn)環(huán)境務(wù)必關(guān)閉debug將這個服務(wù)部署到服務(wù)器上你的其他應(yīng)用就可以通過http://your-server:5000/calculate_descriptors這個端點來調(diào)用描述符計算功能了。你可以在此基礎(chǔ)上擴展集成 Mordred、增加批處理、添加認(rèn)證和緩存構(gòu)建一個功能完備的化學(xué)信息學(xué)微服務(wù)。API 模式代表了化學(xué)信息學(xué)工具使用的未來趨勢之一它解耦了計算能力與應(yīng)用場景使得化學(xué)數(shù)據(jù)分析可以更靈活地嵌入到各種信息化系統(tǒng)中。