分子搜索翻车7次后，我换了个思路把漏检率砍了40%

一个做AI搜索的工程师，把向量数据库用在了阿司匹林上。结果传统方法漏掉的相似分子，被这套系统捞回来了。

David Vybornov（下文称D）在Medium发了一篇技术复盘。他原本只想验证一个直觉：既然SMILES能把分子写成字符串，transformer（变换器，一种神经网络架构）能不能像理解句子一样理解化学结构？

答案是可以。但过程比他预想的更曲折。

传统搜索的盲区：指纹碰撞与信息蒸发

化学信息学里，分子相似性搜索的主流方案叫指纹相似度。流程很标准：用RDKit生成Morgan指纹（一种记录分子片段的固定长度位向量），计算查询分子与候选分子的Tanimoto分数（两向量重叠度，0到1），按分数排序。

这套方案快、简单、可解释，但有个致命伤：压缩即丢失。

分子被哈希成固定长度的位向量时，不同子结构可能撞进同一个比特位。这种碰撞在查询前就发生了——你搜索的不是分子本身，而是一个已经失真的副本。

D在测试中发现，肉眼明显相关的化合物，指纹系统给不出高分。子结构重叠度不够，Tanimoto分数就把它们过滤掉了。化学家说的"骨架跃迁"（scaffold hopping）——两个分子通过不同核心结构作用于同一生物靶点——正是这类系统的盲区。

他数了数，自己手头的测试集里，这类漏检大概占四成。

ChemBERTa的赌注：把分子当句子读

D的替代方案是ChemBERTa，一个专门在SMILES字符串上预训练的transformer。SMILES（简化分子线性输入规范）把三维化学结构编码成文本，比如阿司匹林的字符串是CC(=O)Oc1ccccc1C(=O)O。

他的流水线是这样的：

1. 用ChemBERTa把SMILES嵌入成768维向量
2. 把向量+分子属性元数据（分子量、脂水分配系数等）写进Qdrant向量数据库
3. 检索时同时做相似度搜索+payload过滤（在检索阶段就筛选属性）

关键设计：向量负责"长得像"，payload负责"符合硬指标"。

这和纯向量搜索的区别在于，属性过滤发生在ANN（近似最近邻）检索过程中，而不是事后二次筛选。Qdrant的Python客户端当时刚支持这个特性，D算是早期尝鲜者。

实测结果：找回那40%的漏网之鱼

D跑了两组对比实验。同一批查询分子，分别用指纹相似度和向量相似度检索，人工复核结构相关性。

向量系统捞回了一批指纹方法完全遗漏的候选。这些分子的共同特征是：整体拓扑相似，但局部片段哈希冲突严重，导致指纹重叠度低。

「ChemBERTa似乎捕捉到了某种'化学语法'——不是原子级别的匹配，而是功能基团在序列中的相对位置和上下文。」D在文中写道。

但他也记录了失败案例。某些光学异构体（镜像分子）在SMILES中字符串差异极小，向量距离却拉得很开；而另一些字符串差异大的分子，向量反而靠得很近。嵌入空间的"近"不等于化学意义的"近"，这个问题没有消失，只是换了个形式。

系统的裂缝：哪里会崩

D列了三处明确的失效模式：

训练分布外（OOD）分子。 ChemBERTa在ChEMBL等主流化学数据库上训练，遇到新型合成化合物或天然产物中的罕见骨架，嵌入质量断崖下跌。

立体化学敏感度不足。 SMILES本身可以编码立体信息（@符号标记手性中心），但ChemBERTa对这类标记的学习似乎不够精细。两个生物活性截然不同的对映体，向量余弦相似度可能高达0.95。

属性过滤的边界效应。 当payload条件过于严格（比如同时限定分子量<300、脂水分配系数2-3、可旋转键<5），向量检索的候选池被压缩到极小，近似算法的精度优势丧失，退化成暴力扫描。

他在GitHub仓库里放了一个Streamlit演示界面，上传SMILES或手绘结构，实时对比指纹vs向量的Top-10结果。肉眼可见的差异，比任何指标都直观。

D最后提到一个未解的问题：向量空间里的"化学相似性"到底对应什么？是反应性？是靶点结合模式？还是纯粹的训练数据统计偏差？

他现在的实验规模还回答不了。但如果有人想在10亿级分子库里做骨架跃迁筛选，这套方案的漏检率曲线，值得和指纹方法并排画一画。