Module 02 · EGFR 分子比较：表示、性质、结构警示、指纹相似性与共同子结构

数据来源：TeachOpenCADD 数据包（Volkamer Lab，固定提交 4efdbd36…），原始表来自 ChEMBL。 计算环境：RDKit 2025.09.6 / Python 3.11。 本文档为修订版：修订内容与原因见 REVISIONS.md。

阅读约定：下文每条结论都标注类型—— [实测] 由本模块代码在冻结输入上算出，可用 data/ 或 figures/*.csv 复核； [推测] 化学/软件常识的读法，本模块未提供独立证据； [边界] 方法适用范围、已知失败或未覆盖之处。

1. 数据与语义

路径与 SHA256 记录在 data/input_inventory.csv。原始输入只读。

[实测] pIC50 = −log10(IC50 / M) 逐行成立（pIC50 范围 1.602–11.523）。 [边界] 每个分子只有一条 ChEMBL IC50 记录；gefitinib 的 pIC50 = 6.29 是"这条记录"，不是临床效力排名。 [实测+选择] "活性"沿用 T004 定义 pIC50 ≥ 6.3，即 IC50 ≤ 501 nM ≈ 0.50 µM；全量中 3256 个达到该线。这是人为选择，不是普适分界（图示为虚线）。

2. 结果

2.0 一图总览

A 筛选漏斗；B 两套警示目录的命中率；C 相似度对指纹表示的依赖；D 冻结 T005/T006 参照结果。

2.1 同一批例子的四种表示（图 A）

以 gefitinib（CHEMBL939） 为例：

[实测] gefitinib 的 MACCS 与 Morgan 恰好都是 60 位为 1——巧合，含义不同。MACCS = 预定义结构键；Morgan = 哈希后的环形环境。 [实测] MACCS 的 167 位里有 30 位在整批 4635 个分子中几乎不出现，故其置位偏靠后。

2.2 性质与类药性（图 B）

Ro5 采用 T002 参考过滤（500 Da / HBA 10 / HBD 5 / logP 5，允许至多一项违规）。

[实测] 按分子 ID 的过滤表比对（data/property_membership_check.csv）：

[推测] 首版称该差异源于"旧版 RDKit 的 HBA 定义"。本模块无独立版本证据：我检验并否定了一个具体机制假说（"上游把某类氮计入受体"，成立率仅 0.477）。因此成因未证实，仅能确认两套数值不同。 [边界] 上游未保留被排除分子的 HBA 值，该比对只能在 4635 个保留分子上进行；被排除的 933 个分子只能核对通过/不通过归属。 [实测] 大体积的 lapatinib（580 Da、logP 6.14）有 2 项违规而被排除——[推测] 这正是"规则是启发式、不等于疗效判决"的例证。

2.3 结构警示（图 C）

[实测] 警示在全量 5568 个分子上计算（覆盖 5568/5568，证据 data/alerts_all.csv 的 alert_checked 列）；下表为 4635 个批次分子上的命中率：

[实测] 随附 unwanted_substructures.csv（105 条）与 RDKit BRENK 在本批次上命中集合一致（一致率 1.000）。 [推测] 这不等于两者定义完全相同，也不能解释上游派生文件（_noPAINS）的命名与历史。 [实测] 最常见 Brenk 警示：Michael_acceptor_1 1252、Aliphatic_long_chain 507、Oxygen-nitrogen_single_bond 426。 [猜测→已降级] 首版把"迈克尔受体警示"等同于"共价 EGFR 抑制剂的药效团"。警示本身不能证明某个化合物具有实验验证过的共价机制；它只提示需要核查。 [实测] 带警示的分子里同样有高活性成员（图 C 箱线图），所以警示不是丢弃的理由。

2.4 指纹相似性（图 D）

[实测] 随机取 400 个分子（seed 0），计算 79,800 对：

[实测] gefitinib 的前 8 个近邻中，两种指纹下只有 4 个重合 → 相似性排序依赖表示。 [实测] Tanimoto c/(a+b−c) 与 Dice 2c/(a+b) 单调相关但数值不同（a、b 为各自为 1 的位数，c 为共同为 1 的位数），Dice 通常更大。 [实测] gefitinib 与 dacomitinib 最接近（Morgan 0.53），与 osimertinib 仅 0.17——与结构直觉一致。

2.5 冻结最大簇与共同子结构（图 E）

（a）忠实重建 T005 — [实测] 参照实现为 RDKit path 指纹 maxPath=5 + Butina 距离 0.2：1128 个簇，最大簇 145 个成员，与随附 SDF 的成员 Jaccard = 1.0000（完全一致）。 [边界] Butina 阈值只约束中心↔成员距离：冻结簇内仅 73.0% 的分子对满足距离 ≤0.2，最大簇内距离 0.33。 [边界] 参照说明明确："Matching a cluster's size does not establish matching membership" —— 不能靠换指纹/阈值去凑数量。

（b）冻结集上的 MCS（T006） — [实测]（data/frozen_mcs_records.csv，含每次搜索的 SMARTS、145 个成员 ID、约束与状态）：

[边界] CompleteRingsOnly 是额外约束（要求映射环的原子全部在场），与 RingMatchesRingOnly 不是同一选项；加上它，同一 support 在预算内无法完成。取消 ≠ 证明最大值（图中以斜纹柱与图注标示）。

（c）返回的查询图本身（不推断骨架名） — [实测] 22 原子 / 24 键，元素 C16 N4 O2，3 个六元环。 [实测] 在 145 个冻结成员上的基序支持：4-苯胺基喹唑啉基序 145/145、喹唑啉双环 145/145、酰胺 145/145（data/frozen_motif_support.csv，各含 SMARTS）。 [推测] 把该查询图读作"4-苯胺基喹唑啉核心 + 酰胺 + 醚连接"是化学解读；上文给出的是可核验的实测支持数。

2.6 聚类与 MCS 扩展（图 G，独立于冻结参照）

以下为本模块新增的探索，与 T005/T006 冻结参照严格分开，不能当作参照结果引用。

• [实测] 阈值敏感性（同为 path 指纹）：距离 0.1→最大簇 70；0.2→145；0.3→282；0.4→（更大）。阈值越松，分组越松。
• [实测] 表示敏感性（同为距离 0.2）：path 指纹→145；MACCS→305；Morgan r2→51。同一阈值下换指纹，簇规模差数倍。
• [实测] 多样子样本（无偏 20 个，support 0.7）公共片段仅 7 个原子。
• [边界] 抽样 20 个分子的公共片段小，不足以说明整库没有更大的共享骨架。

2.7 哪些分子值得继续研究（图 F）

[实测] 三条候选谓词的实际含义（data/candidate_rules.csv，alert_unchecked 均为 0）：

[边界] 三条谓词的分母不同（"至多一项违规"与"零违规"是不同规则），引用时必须写明用了哪一条。图 B 的 B 面板用严格规则。 [实测] 严格规则下 pIC50 最高的候选包括 CHEMBL35820(11.22, 387 Da)、CHEMBL53711(11.22, 343 Da)、CHEMBL66031(11.10, 339 Da)。

推荐等级（区分证据强度）

1. 优先深入：违规 0 + 无警示 + 高 pIC50（上表第一行集合）——结构紧凑、性质友好。
2. 值得优化：高活性但带 1 条警示（如 Michael_acceptor_1）——[推测] 这类基团在共价抑制剂中常见，但警示本身不证明共价机制，应核实而非直接丢弃。
3. 需要谨慎：违规 ≥2（如 lapatinib 型大分子）——类药性风险更高。

[边界] 全部结论的适用范围：以上基于计算属性与结构规则。pIC50 来自 ChEMBL 单条 IC50 记录、未做实验重复；Ro5 与警示目录均为启发式；指纹相似度依赖所选指纹；共同子结构依赖簇与 support。这些结论支持"排优先级"，不构成亲和力、选择性、成药性或临床有效性的证明。

3. 产物与复现

module-02/
├── REVISIONS.md                     # 修订记录（含本次补充）
├── README.md                        # 模块说明与命令
├── summary.json                     # 机器可读摘要
├── code/
│   ├── molkit.py                    # 化学工具库（输入目录可配置）
│   ├── figures_mod02.py             # 8 组图 + 字形守卫
│   ├── run_module02.py              # 单一命令入口（--input-dir/--out/--redraw）
│   ├── patch_alerts_and_mcs.py      # 本次针对性修正脚本
│   └── build_report_html.py         # 报告渲染
├── data/                            # 全部派生表（含 input_inventory.csv 与各证据记录）
├── figures/                         # 8 组图，每张 .png(+.pdf/.svg) 配同名 .csv
└── report/REPORT.md · REPORT.html

# 完整分析（新目录、全新进程）
python code/run_module02.py --input-dir <data pack> --out <new dir> --report-md report/REPORT.md
# 仅重绘（读取已存记录，不重跑聚类/MCS）
python code/run_module02.py --input-dir <data pack> --out <existing dir> --redraw

独立验证：本次已在一个新目录（module-02-cli-run/）中用全新进程执行上述命令（约 4.4 分钟），8 组图与全部数据表均由该命令产出；随后用 --redraw（约 32 s，不调用 MCS 搜索）套用图表修正。

依赖：python≥3.10、rdkit、numpy、pandas、matplotlib（--report 另需 markdown）。固定 seed=0。

4. 来源与许可

• 教学数据与章节结构：Volkamer Lab TeachOpenCADD（各章节作者与贡献者），固定提交 4efdbd36723b5d07960142e15df393d7c6df2ba1，CC BY 4.0。
• ChEMBL 数据及其整理表：保留数据库标识与版本，CC BY-SA 3.0。
• 实现：RDKit（BSD-3）。方法学参考 RDKit Book。
• 本模块的适配、计算、修订与中文解读为本次课程新做，不改变第三方材料的授权条款。