--- name: rdkit description: 细粒度分子控制的化学信息学工具包。SMILES/SDF解析、描述符（MW、LogP、TPSA）、指纹、亚结构搜索、2D/3D生成、相似性、反应。对于使用更简单界面的标准工作流，请使用datamol（RDKit的包装器）。使用rdkit进行高级控制、自定义清理和专用算法。 license: BSD-3-Clause license allowed-tools: - Read - Write - Edit - Bash compatibility: Examples target RDKit 2026.03.x. Use conda-forge for the broadest binary support or PyPI package `rdkit` for supported platform wheels; `rdkit-pypi` is the legacy PyPI name. metadata: {"version": "1.1", "skill-author": "K-Dense Inc."} --- # RDKit化学信息学工具包 ## 概述 RDKit是一个全面的化学信息学库，提供用于分子分析和操作的Python API。本技能提供了关于读取/写入分子结构、计算描述符、指纹生成、子结构搜索、化学反应、2D/3D坐标生成和分子可视化的指导。使用此技能进行药物发现、计算化学和化学信息学研究任务。 **当前基线版本（2026-06-07 核实）：** RDKit **2026.03.3** 是 GitHub/PyPI 上的最新发布版本（PyPI 上为 `rdkit` 2026.3.3）。官方安装文档仍然建议大多数用户使用 conda-forge，同时跨平台的 PyPI wheel 包发布在 `rdkit` 包名下。`rdkit-pypi` 是旧的 PyPI 包名，只应在维护遗留环境时出现。 ## 安装与设置 在已有的 Python 环境中安装时使用 `uv`： ```bash uv pip install rdkit ``` 对于需要可复现的化学环境，尤其是混合了已编译科学软件包的场景，官方仍然推荐使用 conda-forge： ```bash conda create -c conda-forge -n my-rdkit-env rdkit conda activate my-rdkit-env ``` 除非您是有意在调试打包相关的行为，否则应避免在同一环境中同时安装 conda 版 `rdkit` 和 PyPI 版 `rdkit`/`rdkit-pypi`。混合安装会导致难以判断实际导入的是哪个二进制扩展。 ## 核心功能 ### 1. 分子I/O和创建 **读取分子：** 从各种格式读取分子结构： ```python from rdkit import Chem # 从SMILES字符串 mol = Chem.MolFromSmiles('Cc1ccccc1') # 返回Mol对象或None # 从MOL文件 mol = Chem.MolFromMolFile('path/to/file.mol') # 从MOL块（字符串数据） mol = Chem.MolFromMolBlock(mol_block_string) # 从InChI mol = Chem.MolFromInchi('InChI=1S/C6H6/c1-2-4-6-5-3-1/h1-6H') ``` **写入分子：** 将分子转换为文本表示： ```python # 转换为规范SMILES smiles = Chem.MolToSmiles(mol) # 转换为MOL块 mol_block = Chem.MolToMolBlock(mol) # 转换为InChI inchi = Chem.MolToInchi(mol) ``` **批处理：** 对于处理多个分子，使用Supplier/Writer对象： ```python # 读取SDF文件 suppl = Chem.SDMolSupplier('molecules.sdf') for mol in suppl: if mol is not None: # 检查解析错误 # 处理分子 pass # 读取SMILES文件 suppl = Chem.SmilesMolSupplier('molecules.smi', titleLine=False) # 对于大文件或压缩数据 with gzip.open('molecules.sdf.gz') as f: suppl = Chem.ForwardSDMolSupplier(f) for mol in suppl: # 处理分子 pass # 大型数据集的多线程处理 suppl = Chem.MultithreadedSDMolSupplier('molecules.sdf') # 将分子写入SDF writer = Chem.SDWriter('output.sdf') for mol in molecules: writer.write(mol) writer.close() ``` **重要说明：** - 所有 `MolFrom*` 函数在失败时返回 `None` 并显示错误消息 - 在处理分子前始终检查 `None` - 分子在导入时会自动净化（验证化合价、感知芳香性） ### 2. 分子净化和验证 RDKit在解析过程中自动净化分子，执行13个步骤，包括化合价检查、芳香性感知和手性分配。 **净化控制：** ```python # 禁用自动净化 mol = Chem.MolFromSmiles('C1=CC=CC=C1', sanitize=False) # 手动净化 Chem.SanitizeMol(mol) # 净化前检测问题 problems = Chem.DetectChemistryProblems(mol) for problem in problems: print(problem.GetType(), problem.Message()) # 部分净化（跳过特定步骤） Chem.SanitizeMol(mol, sanitizeOps=Chem.SANITIZE_ALL ^ Chem.SANITIZE_PROPERTIES) ``` **常见净化问题：** - 显式化合价超过最大允许值的原子会引发异常 - 无效的芳香环会导致kekulization错误 - 自由基电子可能无法正确分配，除非明确指定 ### 3. 分子分析和性质 **访问分子结构：** ```python # 迭代原子和键 for atom in mol.GetAtoms(): print(atom.GetSymbol(), atom.GetIdx(), atom.GetDegree()) for bond in mol.GetBonds(): print(bond.GetBeginAtomIdx(), bond.GetEndAtomIdx(), bond.GetBondType()) # 环信息 ring_info = mol.GetRingInfo() ring_info.NumRings() ring_info.AtomRings() # 返回原子索引的元组 # 检查原子是否在环中 atom = mol.GetAtomWithIdx(0) atom.IsInRing() atom.IsInRingSize(6) # 检查6元环 # 查找最小的最小环集合（SSSR） from rdkit.Chem import GetSymmSSSR rings = GetSymmSSSR(mol) ``` **立体化学：** ```python # 查找手性中心 from rdkit.Chem import FindMolChiralCenters chiral_centers = FindMolChiralCenters(mol, includeUnassigned=True) # 返回(atom_idx, chirality)元组列表 # 从3D坐标分配立体化学 from rdkit.Chem import AssignStereochemistryFrom3D AssignStereochemistryFrom3D(mol) # 检查键的立体化学 bond = mol.GetBondWithIdx(0) stereo = bond.GetStereo() # STEREONONE, STEREOZ, STEREOE等 ``` **片段分析：** ```python # 获取断开的片段 frags = Chem.GetMolFrags(mol, asMols=True) # 在特定键处片段化 from rdkit.Chem import FragmentOnBonds frag_mol = FragmentOnBonds(mol, [bond_idx1, bond_idx2]) # 计算环系统 from rdkit.Chem.Scaffolds import MurckoScaffold scaffold = MurckoScaffold.GetScaffoldForMol(mol) ``` ### 4. 分子描述符和性质 **基本描述符：** ```python from rdkit.Chem import Descriptors # 分子量 mw = Descriptors.MolWt(mol) exact_mw = Descriptors.ExactMolWt(mol) # LogP（亲脂性） logp = Descriptors.MolLogP(mol) # 拓扑极性表面积 tpsa = Descriptors.TPSA(mol) # 氢键供体/受体数量 hbd = Descriptors.NumHDonors(mol) hba = Descriptors.NumHAcceptors(mol) # 可旋转键数量 rot_bonds = Descriptors.NumRotatableBonds(mol) # 芳香环数量 aromatic_rings = Descriptors.NumAromaticRings(mol) ``` **批量描述符计算：** ```python # 一次计算所有描述符 all_descriptors = Descriptors.CalcMolDescriptors(mol) # 返回字典: {'MolWt': 180.16, 'MolLogP': 1.23, ...} # 获取可用描述符名称列表 descriptor_names = [desc[0] for desc in Descriptors._descList] ``` **Lipinski五规则：** ```python # 检查类药性 mw = Descriptors.MolWt(mol) <= 500 logp = Descriptors.MolLogP(mol) <= 5 hbd = Descriptors.NumHDonors(mol) <= 5 hba = Descriptors.NumHAcceptors(mol) <= 10 is_drug_like = mw and logp and hbd and hba ``` ### 5. 指纹和分子相似性 **指纹类型：** ```python from rdkit.Chem import rdFingerprintGenerator from rdkit.Chem import MACCSkeys # RDKit拓扑指纹 rdk_gen = rdFingerprintGenerator.GetRDKitFPGenerator(minPath=1, maxPath=7, fpSize=2048) fp = rdk_gen.GetFingerprint(mol) # Morgan指纹（圆形指纹，类似于ECFP） # 使用rdFingerprintGenerator的现代API morgan_gen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048) fp = morgan_gen.GetFingerprint(mol) # 基于计数的指纹 fp_count = morgan_gen.GetCountFingerprint(mol) # MACCS键（166位结构键） fp = MACCSkeys.GenMACCSKeys(mol) # 原子对指纹 ap_gen = rdFingerprintGenerator.GetAtomPairGenerator() fp = ap_gen.GetFingerprint(mol) # 拓扑扭转指纹 tt_gen = rdFingerprintGenerator.GetTopologicalTorsionGenerator() fp = tt_gen.GetFingerprint(mol) # Avalon指纹（如果可用） from rdkit.Avalon import pyAvalonTools fp = pyAvalonTools.GetAvalonFP(mol) ``` **相似性计算：** ```python from rdkit import DataStructs from rdkit.Chem import rdFingerprintGenerator # 使用生成器生成指纹 mfpgen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048) fp1 = mfpgen.GetFingerprint(mol1) fp2 = mfpgen.GetFingerprint(mol2) # 计算Tanimoto相似性 similarity = DataStructs.TanimotoSimilarity(fp1, fp2) # 计算多个分子的相似性 fps = [mfpgen.GetFingerprint(m) for m in [mol2, mol3, mol4]] similarities = DataStructs.BulkTanimotoSimilarity(fp1, fps) # 其他相似性度量 dice = DataStructs.DiceSimilarity(fp1, fp2) cosine = DataStructs.CosineSimilarity(fp1, fp2) ``` **聚类和多样性：** ```python # 基于指纹相似性的Butina聚类 from rdkit.ML.Cluster import Butina # 计算距离矩阵 dists = [] mfpgen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048) fps = [mfpgen.GetFingerprint(mol) for mol in mols] for i in range(len(fps)): sims = DataStructs.BulkTanimotoSimilarity(fps[i], fps[:i]) dists.extend([1-sim for sim in sims]) # 用距离阈值聚类 clusters = Butina.ClusterData(dists, len(fps), distThresh=0.3, isDistData=True) ``` ### 6. 子结构搜索和SMARTS **基本子结构匹配：** ```python # 使用SMARTS定义查询 query = Chem.MolFromSmarts('[#6]1:[#6]:[#6]:[#6]:[#6]:[#6]:1') # 苯环 # 检查分子是否包含子结构 has_match = mol.HasSubstructMatch(query) # 获取所有匹配（返回带有原子索引的元组的元组） matches = mol.GetSubstructMatches(query) # 仅获取第一个匹配 match = mol.GetSubstructMatch(query) ``` **常见SMARTS模式：** ```python # 伯醇 primary_alcohol = Chem.MolFromSmarts('[CH2][OH1]') # 羧酸 carboxylic_acid = Chem.MolFromSmarts('C(=O)[OH]') # 酰胺 amide = Chem.MolFromSmarts('C(=O)N') # 芳香杂环 aromatic_n = Chem.MolFromSmarts('[nR]') # 环中的芳香氮 # 大环（>12原子的环） macrocycle = Chem.MolFromSmarts('[r{12-}]') ``` **匹配规则：** - 查询中未指定的属性匹配目标中的任何值 - 除非明确指定，否则忽略氢 - 带电查询原子不会匹配不带电目标原子 - 芳香查询原子不会匹配脂肪族目标原子（除非查询是通用的） ### 7. 化学反应 **反应SMARTS：** ```python from rdkit.Chem import AllChem # 使用SMARTS定义反应：反应物 >> 产物 rxn = AllChem.ReactionFromSmarts('[C:1]=[O:2]>>[C:1][O:2]') # 酮还原 # 将反应应用于分子 reactants = (mol1,) products = rxn.RunReactants(reactants) # 产物是元组的元组（每个产物集一个元组） for product_set in products: for product in product_set: # 净化产物 Chem.SanitizeMol(product) ``` **反应特性：** - 原子映射在反应物和产物之间保留特定原子 - 产物中的虚拟原子被相应的反应物原子替换 - "任意"键从反应物继承键序 - 手性保持不变，除非明确改变 **反应相似性：** ```python # 生成反应指纹 fp = AllChem.CreateDifferenceFingerprintForReaction(rxn) # 比较反应 similarity = DataStructs.TanimotoSimilarity(fp1, fp2) ``` ### 8. 2D和3D坐标生成 **2D坐标生成：** ```python from rdkit.Chem import AllChem # 生成用于描绘的2D坐标 AllChem.Compute2DCoords(mol) # 将分子对齐到模板结构 template = Chem.MolFromSmiles('c1ccccc1') AllChem.Compute2DCoords(template) AllChem.GenerateDepictionMatching2DStructure(mol, template) ``` **3D坐标生成和构象：** ```python # 使用ETKDG生成单个3D构象 AllChem.EmbedMolecule(mol, randomSeed=42) # 生成多个构象 conf_ids = AllChem.EmbedMultipleConfs(mol, numConfs=10, randomSeed=42) # 用力场优化几何结构 AllChem.UFFOptimizeMolecule(mol) # UFF力场 AllChem.MMFFOptimizeMolecule(mol) # MMFF94力场 # 优化所有构象 for conf_id in conf_ids: AllChem.MMFFOptimizeMolecule(mol, confId=conf_id) # 计算构象之间的RMSD from rdkit.Chem import AllChem rms = AllChem.GetConformerRMS(mol, conf_id1, conf_id2) # 对齐分子 AllChem.AlignMol(probe_mol, ref_mol) ``` **约束嵌入：** ```python # 嵌入时将分子的一部分约束到特定坐标 AllChem.ConstrainedEmbed(mol, core_mol) ``` ### 9. 分子可视化 **基本绘图：** ```python from rdkit.Chem import Draw # 绘制单个分子到PIL图像 img = Draw.MolToImage(mol, size=(300, 300)) img.save('molecule.png') # 直接绘制到文件 Draw.MolToFile(mol, 'molecule.png') # 在网格中绘制多个分子 mols = [mol1, mol2, mol3, mol4] img = Draw.MolsToGridImage(mols, molsPerRow=2, subImgSize=(200, 200)) ``` **突出显示子结构：** ```python # 突出显示子结构匹配 query = Chem.MolFromSmarts('c1ccccc1') match = mol.GetSubstructMatch(query) img = Draw.MolToImage(mol, highlightAtoms=match) # 自定义突出显示颜色 highlight_colors = {atom_idx: (1, 0, 0) for atom_idx in match} # 红色 img = Draw.MolToImage(mol, highlightAtoms=match, highlightAtomColors=highlight_colors) ``` **自定义可视化：** ```python from rdkit.Chem.Draw import rdMolDraw2D # 创建带有自定义选项的绘图器 drawer = rdMolDraw2D.MolDraw2DCairo(300, 300) opts = drawer.drawOptions() # 自定义选项 opts.addAtomIndices = True opts.addStereoAnnotation = True opts.bondLineWidth = 2 # 绘制分子 drawer.DrawMolecule(mol) drawer.FinishDrawing() # 保存到文件 with open('molecule.png', 'wb') as f: f.write(drawer.GetDrawingText()) ``` **Jupyter Notebook集成：** ```python # 在Jupyter中启用内联显示 from rdkit.Chem.Draw import IPythonConsole # 自定义默认显示 IPythonConsole.ipython_useSVG = True # 使用SVG而不是PNG IPythonConsole.molSize = (300, 300) # 默认大小 # 分子现在会自动显示 mol # 显示分子图像 ``` **可视化指纹位：** ```python # 显示指纹位代表的分子特征 from rdkit.Chem import Draw from rdkit.Chem import rdFingerprintGenerator # 对于Morgan指纹 additional_output = rdFingerprintGenerator.AdditionalOutput() additional_output.AllocateBitInfoMap() morgan_gen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048) fp = morgan_gen.GetFingerprint(mol, additionalOutput=additional_output) bit_info = additional_output.GetBitInfoMap() # 绘制特定位的环境 img = Draw.DrawMorganBit(mol, bit_id, bit_info) ``` ### 10. 分子修改 **添加/删除氢：** ```python # 添加显式氢 mol_h = Chem.AddHs(mol) # 删除显式氢 mol = Chem.RemoveHs(mol_h) ``` **Kekulization和芳香性：** ```python # 将芳香键转换为交替单/双键 Chem.Kekulize(mol) # 设置芳香性 Chem.SetAromaticity(mol) ``` **替换子结构：** ```python # 用另一个结构替换子结构 query = Chem.MolFromSmarts('c1ccccc1') # 苯 replacement = Chem.MolFromSmiles('C1CCCCC1') # 环己烷 new_mol = Chem.ReplaceSubstructs(mol, query, replacement)[0] ``` **中和电荷：** ```python # 通过添加/删除氢来移除形式电荷 from rdkit.Chem.MolStandardize import rdMolStandardize # 使用Uncharger uncharger = rdMolStandardize.Uncharger() mol_neutral = uncharger.uncharge(mol) ``` ### 11. 分子哈希和标准化 **分子哈希：** ```python from rdkit.Chem import rdMolHash # 生成Murcko骨架哈希 scaffold_hash = rdMolHash.MolHash(mol, rdMolHash.HashFunction.MurckoScaffold) # 规范SMILES哈希 canonical_hash = rdMolHash.MolHash(mol, rdMolHash.HashFunction.CanonicalSmiles) # 区域异构体哈希（忽略立体化学） regio_hash = rdMolHash.MolHash(mol, rdMolHash.HashFunction.Regioisomer) ``` **随机SMILES：** ```python # 生成随机SMILES表示（用于数据增强） from rdkit.Chem import MolToRandomSmilesVect random_smiles = MolToRandomSmilesVect(mol, numSmiles=10, randomSeed=42) ``` ### 12. 药效团和3D特征 **药效团特征：** ```python from rdkit.Chem import ChemicalFeatures from rdkit import RDConfig import os # 加载特征工厂 fdef_path = os.path.join(RDConfig.RDDataDir, 'BaseFeatures.fdef') factory = ChemicalFeatures.BuildFeatureFactory(fdef_path) # 获取药效团特征 features = factory.GetFeaturesForMol(mol) for feat in features: print(feat.GetFamily(), feat.GetType(), feat.GetAtomIds()) ``` ## 常见工作流 ### 类药性分析 ```python from rdkit import Chem from rdkit.Chem import Descriptors def analyze_druglikeness(smiles): mol = Chem.MolFromSmiles(smiles) if mol is None: return None # 计算Lipinski描述符 results = { 'MW': Descriptors.MolWt(mol), 'LogP': Descriptors.MolLogP(mol), 'HBD': Descriptors.NumHDonors(mol), 'HBA': Descriptors.NumHAcceptors(mol), 'TPSA': Descriptors.TPSA(mol), 'RotBonds': Descriptors.NumRotatableBonds(mol) } # 检查Lipinski五规则 results['Lipinski'] = ( results['MW'] <= 500 and results['LogP'] <= 5 and results['HBD'] <= 5 and results['HBA'] <= 10 ) return results ``` ### 相似性筛选 ```python from rdkit import Chem from rdkit.Chem import rdFingerprintGenerator from rdkit import DataStructs def similarity_screen(query_smiles, database_smiles, threshold=0.7): query_mol = Chem.MolFromSmiles(query_smiles) if query_mol is None: return [] morgan_gen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048) query_fp = morgan_gen.GetFingerprint(query_mol) hits = [] for idx, smiles in enumerate(database_smiles): mol = Chem.MolFromSmiles(smiles) if mol: fp = morgan_gen.GetFingerprint(mol) sim = DataStructs.TanimotoSimilarity(query_fp, fp) if sim >= threshold: hits.append((idx, smiles, sim)) return sorted(hits, key=lambda x: x[2], reverse=True) ``` ### 子结构过滤 ```python from rdkit import Chem def filter_by_substructure(smiles_list, pattern_smarts): query = Chem.MolFromSmarts(pattern_smarts) hits = [] for smiles in smiles_list: mol = Chem.MolFromSmiles(smiles) if mol and mol.HasSubstructMatch(query): hits.append(smiles) return hits ``` ## 最佳实践 ### 错误处理 解析分子时始终检查 `None`： ```python mol = Chem.MolFromSmiles(smiles) if mol is None: print(f"解析失败: {smiles}") continue ``` ### 性能优化 **使用安全的存储格式：** ```python import base64 import json from pathlib import Path from rdkit import Chem # SMILES、SDF等便携交换格式对于共享数据来说最安全。 # 对于本地缓存，RDKit的二进制分子表示可以避免使用通用的pickle。 payload = [base64.b64encode(mol.ToBinary()).decode("ascii") for mol in mols] Path("molecules.rdmol.json").write_text(json.dumps(payload)) cached = json.loads(Path("molecules.rdmol.json").read_text()) mols = [Chem.Mol(base64.b64decode(item)) for item in cached] ``` 不要加载来自不可信来源的Python pickle文件。pickle反序列化可能执行任意代码；交换数据时优先使用SMILES/SDF，本地可信缓存则使用RDKit的二进制载荷。 **使用批量操作：** ```python from rdkit import DataStructs from rdkit.Chem import rdFingerprintGenerator # 一次计算所有分子的指纹 morgan_gen = rdFingerprintGenerator.GetMorganGenerator(radius=2, fpSize=2048) fps = [morgan_gen.GetFingerprint(mol) for mol in mols] # 使用批量相似性计算 similarities = DataStructs.BulkTanimotoSimilarity(fps[0], fps[1:]) ``` ### 版本相关的行为变化 当精确的分子标识符或数值特征是持久化数据集、模型特征流水线或监管报告的一部分时，应固定 RDKit 版本号。近期版本在若干面向 Python 的方面改变或补充说明了行为： - **规范SMILES与立体化学：** 2026.03 版本改变了规范双键处理方式以避免立体化学信息损坏，因此部分含立体化学信息的SMILES可能与旧版本不同。 - **描述符与哈希：** 2024.09 版本修正了无支链烷烃片段描述符的SMARTS，并改变了部分互变异构体/质子化异构体哈希输出。 - **绘图：** 旧版 `rdkit.Chem.Draw` 画布模块及 `MolToImageFile`、`MolToMPL`、`MolToQPixmap` 等函数已被移除；请使用 `Draw.MolToFile`、`Draw.MolToImage` 或 `rdMolDraw2D`。 - **MolStandardize：** 请使用 `rdkit.Chem.MolStandardize.rdMolStandardize`；旧的Python版MolStandardize实现已被移除。 - **相似性图：** `GetSimilarityMapFromWeights()`、`GetSimilarityMapForFingerprint()` 和 `GetSimilarityMapForModel()` 现在需要传入一个 `rdMolDraw2D` 绘图对象。 ### 线程安全 RDKit操作通常对以下内容是线程安全的： - 分子I/O（SMILES、mol块） - 坐标生成 - 指纹生成和描述符 - 子结构搜索 - 反应 - 绘图 **非线程安全：** 并发访问时的MolSuppliers。 ### 内存管理 对于大型数据集： ```python # 使用ForwardSDMolSupplier避免加载整个文件 with open('large.sdf') as f: suppl = Chem.ForwardSDMolSupplier(f) for mol in suppl: # 一次处理一个分子 pass # 使用MultithreadedSDMolSupplier进行并行处理 suppl = Chem.MultithreadedSDMolSupplier('large.sdf', numWriterThreads=4) ``` ## 常见陷阱 1. **忘记检查None：** 解析后始终验证分子 2. **净化失败：** 使用 `DetectChemistryProblems()` 进行调试 3. **缺少氢：** 计算依赖于氢的性质时使用 `AddHs()` 4. **2D与3D：** 在可视化或3D分析前生成适当的坐标 5. **SMARTS匹配规则：** 记住未指定的属性匹配任何内容 6. **MolSuppliers的线程安全：** 不要在线程之间共享supplier对象 ## 资源 ### references/ 本技能包含详细的API参考文档： - `api_reference.md` - 按功能组织的RDKit模块、函数和类的综合列表 - `descriptors_reference.md` - 可用分子描述符的完整列表及其描述 - `smarts_patterns.md` - 官能团和结构特征的常见SMARTS模式 需要特定API细节、参数信息或模式示例时加载这些参考。 只有 `references/` 和 `scripts/` 中列出的文件属于本技能内置的本地资源。诸如 `rdkit`、`datamol`、`scipy`、`sklearn` 之类的名称指的是可安装的 Python 软件包，而不是本技能中的本地文件。 ### scripts/ 常见RDKit工作流的示例脚本： - `molecular_properties.py` - 计算综合分子性质和描述符 - `similarity_search.py` - 执行基于指纹的相似性筛选 - `substructure_filter.py` - 按子结构模式过滤分子 这些脚本可以直接执行或用作自定义工作流的模板。